TS TypeSafe 文档中文版
原文 ↗

示例用例

按行业探索 TypeSafe 的用例，并把有前景的想法转化为软件工作流。

用这张地图来构思 TypeSafe 可以在你所在行业的哪些地方发挥作用。打开最接近的行业，浏览其中的示例决策，并把它们调整为你自己工作流中的文档和动作。

示例用例类别

AI 自动化软件

把 AI 与可靠的软件交错组合，让你可以在后台运行上百万次而无需人类副驾驶。代码拥有控制流（而不是 markdown 文件），TypeSafe 则负责语义决策和语言理解。

实时应用

以实时速度（150 毫秒）提供前沿智能，意味着 AI 能比人类感知更快地做出决策。它足够快、足够聪明，可以被编程用来玩游戏，或嵌入到 UI 中。

面向大数据的 AI Map Reduce

便宜 100 倍意味着你可以处理庞大的数据集。在巨型语料库上检索相关信息，对庞大的智能体轨迹进行分类，并抽取特征以做出预测。

通用验证

验证输入提示词、抽取结果、推理轨迹、工具调用，或任何其他 AI 的输入。以远低于实际 LLM 调用成本的价格，检测其他 AI 或 LLM 产生的越狱、引用错误、幻觉、错误或其他失效模式。

Harness 工程

使用 Jev 查询让你的 harness 更聪明——模型路由、语义上下文检索、LLM 错误检测与护栏、以光速完成推理轨迹分类，且成本只是一小部分。

示例自动化用例

搜索与检索
  • 用语义搜索、评分和排序来替换或补充 RAG 流水线中的 embedding。
  • 为查询与候选之间的相关性评分。
  • 用成对比较对结果重新排序。
  • 对查询和候选做交叉编码以获得更高精度。
  • 为下游 AI 工作流挑选有用的上下文。
科学发现
  • 按照纳入和排除标准筛选论文，用于系统性综述。
  • 用预定义的主题或类别，为访谈记录、开放式问卷回答和实地笔记中的段落打标签。
  • 检查被引用的段落是否支持稿件和生成摘要中的论断。
  • 标记缺失的方法学细节，例如对照组、数据集描述和实验设置。
  • 识别跨论文的实体和关系，以构建研究知识图谱，并把研究发现与支持性段落关联起来。
模型路由
  • 使用 Jev 构建自定义路由器，决定每个提示词交给哪个 LLM。
  • 为你的具体工作流设置路由规则和阈值。
  • 对意图和领域进行分类。
  • 估计难度和风险。
  • 把需要更昂贵模型的请求上报升级。
LLM 护栏
  • 以 LLM 调用成本的一小部分，对每一次 LLM 输入、输出和工具调用施加语义检查。
  • 检测越狱和提示词注入。
  • 识别策略违规和敏感数据暴露。
  • 实时检测工具调用错误和响应质量故障。
  • 记录结构化的检查结果和概率，让 AI 系统与 harness 的故障更容易追踪。
语义化代码检查
  • 使用 Jev 查询为代码和写作添加自动化语义检查。
  • 为团队的编码约定和写作指南定义检查项。
  • 在 CI 中运行这些检查，并标记违规项以供复核。
用于预测建模的特征抽取
  • 使用 Jev 从自然语言数据中抽取概率化特征。
  • 把这些特征与结构化数据结合，为有真实结果（ground truth）的任务训练模型。
  • 使用 autoresearch 工作流来提出特征定义，并在留出的真实结果上评估它们的预测价值。
招聘
  • 按照明确的、与岗位相关的标准评估简历、申请材料和面试反馈。
  • 识别相关经验。
  • 为所需胜任力的证据评分。
  • 把候选人与岗位匹配起来。
  • 把候选人路由给招聘经理或招聘专员。
  • 把不确定的案例上报给人工复核。
线索生成
  • 把公司简介、高管履历和入站消息与理想客户画像进行匹配。
  • 为行业契合度和公司成熟度评分。
  • 检测买家相关性、痛点和购买意向。
  • 为线索排定优先级并进行路由。
客户支持
  • 按问题、产品领域和客户意图对进来的工单进行分类。
  • 处理通话记录，抽取客户问题、承诺事项和后续动作。
  • 检测紧急程度、挫败感、流失风险和退款请求。
  • 把案例路由到合适的团队、队列或自动化工作流。
  • 对照政策和客户的请求来核查支持回复。
保险理赔
  • 对出险通知报告、理算员笔记和证明文件进行分类。
  • 检测理赔的复杂度、缺失信息和潜在的欺诈迹象。
  • 为理赔排定优先级，以便直通式处理或专家复核。
  • 把不确定或高风险的案例上报给人工理算员。
金融犯罪
  • 评估交易描述、KYC 文件和告警历史中的可疑特征。
  • 在名称、档案和记录不一致的情况下匹配实体。
  • 按风险、相关性和证据质量排定告警优先级。
  • 把有歧义的案例路由给调查人员复核。
法律与合规
  • 对合同、政策、监管申报文件和营销宣传进行分类。
  • 检测缺失的条款、被禁止的宣传和策略违规。
  • 对照明确的法律或合规要求核查文档。
  • 把高风险或不确定的发现上报给法务或合规团队。
电商平台
  • 在卖家目录不一致的情况下，对商品列表进行分类和规范化。
  • 从标题和描述中抽取商品属性。
  • 检测被禁售的商品列表、假冒迹象、评论滥用和策略违规。
  • 对商品排序，并把不确定的商品列表送交人工复核。
内容审核与信任安全
  • 应用公司特有的、细致的标准，判断哪些帖子符合你的审核标准。
  • 在社区、客户支持和 SDR 工作流中审核用户内容和自动化对话。
  • 检测毒性内容、骚扰、垃圾信息、欺诈、不安全建议、个人数据暴露、退订请求和违反策略的言论。
  • 结合严重程度和置信度，来决定放行、警告、送审或屏蔽内容。
广告
  • 评估创意素材、广告文案、落地页和投放位置上下文。
  • 对品牌安全性和受众适宜性进行分类。
  • 检查法规合规性和被禁止的宣传。
  • 评估创意质量以及广告与落地页的一致性。
游戏
  • 评估玩家举报、游戏内聊天、评论和支持对话。
  • 审核聊天内容，并检测滥用、毒性或可疑行为。
  • 为内容打标注，并为挫败感或参与度评分。
  • 检测流失信号，并路由玩家支持请求。
风险评估
  • 把事件报告、理赔笔记、交易描述和供应商评估转化为概率化的风险指标。
  • 在保险和承保工作流中使用这些指标。
  • 对风险类型进行分类，并检测可疑特征。
  • 为严重程度评分，并排定复核优先级。
  • 为更广泛的风险模型抽取特征。
需求预测
  • 用来自客户咨询、销售笔记、商品评论、支持工单和市场报告的语义信号来丰富预测模型。
  • 抽取购买意向、紧急程度和产品兴趣。
  • 检测供应担忧、竞争压力和新兴的需求主题。
  • 把这些特征与历史时间序列数据一起输入预测模型。
图与知识图谱
  • 用带类型的语义决策来标注和核查知识图谱。
  • 对关系和实体类型进行分类。
  • 检测记录或论断之间的矛盾。
  • 支持概率化遍历和层次化分类。

示例任务类别

决策形态 适用场景 示例
分类 一个已知类别应当胜出 意图、主题、部门、风险类型、实体类型
检测 你需要某个属性存在的概率 垃圾信息、欺诈、紧急程度、越狱、敏感数据
评分 答案应落在有序的评分规则上 严重程度、相关性、质量、挫败感、适宜性
路由 一个类别决定下一条代码路径 工具使用、升级上报、模型路由、支持队列
搜索 你需要找到匹配自然语言查询的条目 语义搜索、文档发现、候选生成
检索 工作流需要最相关的上下文或记录 RAG 上下文、证据检索、知识查询
排序 条目需要按语义相关性或质量排序 搜索结果、推荐、候选人优先级排序
验证 需要针对特定失效模式检查某个产物 引用支持、策略违规、工具调用错误、响应质量
ML 特征抽取 下游的经典 ML 模型需要语义信号 购买意向、产品兴趣、竞争压力、流失信号
结构化数据抽取 必须从非结构化输入中还原已知字段 候选人属性、订单字段、文档标签