Jev 101 logo
Jev 101

Guides / 视频转图文攻略

Jev 工单分类实战：after-insert hook 与计算字段两种接法

逐帧拆解 DaDABIK 官方频道的真实应用集成：同一个 Jev 工单分类，两种工程接法——after-insert operational hook 把类别、优先级和置信度写回数据库，计算字段在表单填写过程中实时重算。附 50 条工单实测（47 条命中）、0.9 置信度转人工示例规则，以及 $0.003 的总账单。

速览结论

DaDABIK 官方频道搭了一个小型 IT 支持工单系统：员工从不手选类别和优先级，这两样由 Jev 生成。两种工程接法撑起整套行为：一是 after-insert operational hook，提交后分类一次，把类别、优先级和两个置信度写回 tickets 表；二是计算字段，表单填写过程中实时重算，快到几乎无感知等待。视频唯一的实测：50 条生成的工单 47 条类别命中（3 条错位分别是两次 account_access vs software、一次 other vs software)，示例策略把置信度低于 0.9 的答案转人工复核。成本几乎可以忽略：输入 $0.042/百万 token、输出免费——整个 demo 含 50 条工单分类只花了 $0.003。

视频来源

DaDABIK

26:10h-x1I4PmKWs
访问频道观看原视频

分步图文攻略

  1. 1

    两条只差一个词的工单——字段自己长出来了

    视频开场就是成品。"My monitor is broken" 提交后，工单表几乎立刻显示 hardware 和 high 优先级；改成 "One of my two monitors is broken"，类别仍是 hardware，优先级却降到 medium——毕竟还有一台能用的。表单里没有任何硬编码：这些值是 Jev 生成的，TypeSafe AI 2026 年 9 月发布的分类模型。整支视频要讲的，就是这行为背后的两种工程接法。

    DaDABIK 工单表：monitor-broken 工单被自动标为 high 优先级与 hardware 类别，两列红圈标出
    解释开始前的 demo：类别和优先级已经是 Jev 的输出。跳转至 0:10
  2. 2

    Jev 返回什么：一个类别、一个优先级、一个置信度

    一张早期示意图讲完整个契约。输入：应用状态——主题（"My monitor is broken"）和描述（"It suddenly stopped working this morning"）。Jev 手里握着预定义类别（hardware、software、network、account access、other）和从 low 到 critical 的优先级刻度。输出：给应用的结构化数据——类别 hardware、优先级 high、置信度 0.93。Jev 不是文本生成器，它存在的意义就是把东西分进你定义的选项里——这正是这个问题的形状。

    INPUT 到 JEV 再到 OUTPUT 的示意图：monitor-broken 工单状态被转成 hardware 类别、high 优先级与 0.93 置信度
    状态进，类型化答案出——每个答案都自带置信度。跳转至 1:35
  3. 3

    接法一：在 tickets 表上注册 after-insert hook

    宿主应用是一个刻意做小的 DaDABIK 内部工具——约一小时的无代码搭建，三组用户：员工提工单，manager 分派给 IT 员工，IT 员工处理解决。员工从头到尾不碰类别和优先级。工单插入时，DaDABIK 触发 operational hook：一行代码把 dadaBik_classify_ticket_with_jev 注册为 tickets 表的 after-insert 处理器。标准插入表单、校验、权限一概不动——hook 只是在创建之后运行，拿到新记录的 ID，取回工单，开始构建 payload。

    PHP 代码把 dadaBik_classify_ticket_with_jev 注册为 tickets 表的 after-insert hook，并开始用 subject 和 body 构建 payload state
    一行配置——表单、校验、权限保持标准。跳转至 5:20
  4. 4

    问两个类型化问题：类别用 choice，优先级用 score

    函数构建一个 payload：model 是 jev-latest，state 带上工单的 subject 和 body，questions 两个。category 是 type choice——"按主要问题给这张 IT 支持工单分类"——五个选项（hardware、software、network、account_access、other）各配一句短描述。priority 不用 choice 用 score，因为它的选项有内在顺序：medium 比 low 严重，critical 最高。instructions 要求按业务影响、受影响用户数、workaround 可用性和紧急度判定运营优先级——low、medium、high、critical 同样各配描述。

    Jev payload 中的 priority 问题：type score，基于业务影响与 workaround 定义 low、medium、high、critical 四档标准
    choice 五选一定类别；score 承接有顺序的优先级刻度。跳转至 8:25
  5. 5

    读答案——把 score 四舍五入成标签

    响应用普通数组读取解析：answers.category.choice 存标签（network、software、hardware……），answers.category.confidence 存的是 0 到 1 之间的置信度——视频的示例规则：低于 0.9 转人工复核，并强调要按场景自定。priority 要多两行，因为 score 类型返回的是数字不是标签：0 到 3 之间的任何值，可以是 0.2 也可以是 1.7。代码先 round()，再经 levels 数组映射成 low、medium、high 或 critical，最后 update_records 把类别、优先级和两个置信度写回工单行。

    PHP 解析代码：读取 category 的 choice 与 confidence，把 priority score 取整成标签，再调 update_records 写回 tickets 表
    置信度闸住人工复核；round() 把 1.7 变回优先级标签。跳转至 11:17
  6. 6

    从这里开始，没有任何 AI 特殊性——只是普通字段

    解析代码之后，视频抛出真正的主张：从这一刻起，DaDABIK 把这些值当作普通数据库字段。可以搜索、过滤、画图表、进仪表盘、触发通知。高级搜索里现在多了 JEV confidence 两列；AI 只是变成了内部工具里另一种结构化数据来源——这也是既有权限、过滤器、报表和工作流无需改造就能直接用的原因。

    计算字段函数 dadaBik_classify_ticket_with_jev_calculated：接收 subject 与 body 参数，重建同样的 Jev category 问题
    写回之后，Jev 的答案和表里任何一列没有区别。跳转至 14:40
  7. 7

    接法二：边打字边出分类

    前面的一切都发生在提交之后。DaDABIK 还有计算字段——由自定义函数产出的值，在插入或编辑表单变化时实时重算，而函数可以调外部 API。一个几乎相同的函数 dadaBik_classify_ticket_with_jev_calculated 接收 subject 和 body 作为参数，空字段直接跳过，问同样的 category 问题；在表单配置器里把它挂到 category 字段上，再让该字段在插入表单可见。输入 "Outlook crashes when I try to open it"，句子还没打完，类别已经落在 software——几乎无感知等待。重点是延迟：Jev 快到可以住进交互式表单，而不只能跑后台。

    DaDABIK 插入表单：Outlook 崩溃工单的描述还在输入，category 下拉已经实时显示 software
    描述一改，类别跟着变——看不见任何加载圈。跳转至 15:50
  8. 8

    50 条工单的实测，连边界一起交出来

    准确率一节拒绝夸大：这是小 demo，不是 benchmark，也没有和其他模型对比。唯一的测试：让 ChatGPT 生成 50 条支持工单插入系统，只有 3 条类别与创建者的人工判断不同——两次 Jev 选了 account_access 而他会选 software，一次 Jev 选 other 而他会选 software。优先级大多正确，但没有精确数据。关键警告依然成立：类型安全保证答案符合定义的结构——不保证分类本身永远正确。

    实测结果卡：50 条工单经 Jev 分类后 47 条类别与预期一致
    50 条生成工单 47 条命中——demo 量级的信号，不是基准测试。跳转至 20:40
  9. 9

    账单：输入 $0.042/百万 token，输出免费

    录制时点，TypeSafe 给 Jev 输入定价 $42/十亿 token——即 $0.042/百万——输出 token 免费。控制台补上实际规模：创建者前一天开户，充了 $5 测试额度，做完整个集成、跑完视频里包括 50 条工单在内的全部测试，用量是 $0.003。

    TypeSafe 定价卡：Jev 输入 $0.042 每百万 token，输出 token 免费
    整个 demo 含 50 条工单分类，花了三分之一美分。跳转至 21:50
  10. 10

    这个模式还能用在哪儿

    收尾把模式推广：凡是「非结构化信息进入应用、需要变成结构化数据」的地方——CRM 线索按意图与紧急度分类、客户反馈按不满度打分、费用审批标记含糊案例转人工、文档按预定义 taxonomy 归档——同样的两种接法都成立；而且结果落成普通字段，既有权限、过滤器、报表和工作流立刻可用。本地 ML 分类器要标注数据集、训练、验证、重训；通用 LLM 要哄它输出 JSON 再解析。这里什么都没训练，集成花了几个小时——"别把它当生产就绪的集成"，但它证明了类型化决策能多快落进真实应用。

    Final Thoughts 标题卡：DaDABIK 频道的 Jev 工单分类集成走向收尾
    AI 不过是内部工具里另一种结构化数据来源。跳转至 24:30

常见问题（FAQ）

什么是 Jev 工单分类？

用 Jev——TypeSafe AI 2026 年 9 月发布的首个公开模型——把支持工单分进预定义的桶，而不是生成文本。在 DaDABIK 的 demo 里，每条工单的 subject 和 body 作为 state 传入，回来两个类型化答案：类别（choice：hardware、software、network、account_access、other 五选一）和运营优先级（score：low、medium、high、critical），每个答案都带 0 到 1 之间的置信度。

怎么让工单自动完成分类？

在 tickets 表上注册 after-insert operational hook。hook 函数读取新记录，构建一个 payload（model jev-latest；state 是 subject 和 body；questions 是 category choice 加 priority score），POST 到 TypeSafe 的 systemone 端点，解析 answers.category.choice 与置信度，把 priority score 取整成标签，再用 update_records 全部写回。员工的表单一概不变——值自己出现在工单上。

需要训练数据吗？

不需要——视频里什么都没训练。视频给出的诚实对比：如果你有一个稳定的分类问题和几千条好的标注样本，本地 ML 分类器可以更快、更私密、更便宜，但你得先建数据集、选型训练、验证、部署，类别一变还要重训。这里你写的是选项描述，改类别等于改文案。

置信度低的时候会发生什么？

每个答案都带零到一之间的置信度。视频演示的示例规则：低于 0.9，工单转人工复核——并明确这只是示例，阈值要按场景逐案定。机制上它就是 hook 里一个普通的 if 语句；而且置信度作为字段存下来了，事后还能过滤、画图。

用 Jev 分类工单要花多少钱？

输入定价 $42/十亿 token——即 $0.042/百万——输出 token 免费。创建者的控制台：录制前一天充了 $5，做完整个 demo（含 50 条生成工单的分类）只花了 $0.003。按典型工单长度折算，每上百条工单不到一美分。

after-insert hook 还是计算字段，该用哪种接法？

同一个 payload，解决的是不同的时机问题。hook 在提交后跑一次：适合富化、仪表盘、通知以及工单下游的一切。计算字段随表单变化实时重算：适合让提交者亲眼看着分类出现——视频里它跟得上打字速度，几乎无感知等待。按「答案什么时候被需要」来选，而不是按能力。

相关推荐

支持工单路由 Recipe

场景层兄弟篇：队列路由与置信度降级，不绑定任何平台。

阅读

Jev 文本分类 API 指南

单条请求契约详解：Choice、Score、Noul 问题的 CLI 与 REST 载荷。

阅读

费用分类 Recipe

同一套「状态进、类型化决策出」模式在财务流程里的落地。

阅读

Jev API 示例指南

本页 hook 用 curl 调用的那个端点，各语言可直接抄的请求形状。

阅读

更多视频攻略