TypeSafe 基础示例用例

利用这张地图来头脑风暴 TypeSafe 可以融入你所在行业的哪些位置。打开最接近的行业，浏览示例决策，并将它们适配到你工作流中的文档和动作上。

示例用例类别

AI 自动化软件

将 AI 与可靠的软件交织在一起，让它可以在后台运行一百万次而无需人类副驾驶。代码掌管控制流（而不是 markdown 文件），TypeSafe 负责语义决策和语言理解。

实时应用

以实时速度（150ms）运行的前沿智能意味着 AI 可以比人类感知更快地做出决策。足够快、足够聪明，可以编程用来玩游戏，也可以嵌入到 UI 中。

大数据上的 AI Map Reduce

便宜 100 倍意味着你可以处理海量数据集。在海量语料中搜索相关信息，对海量的智能体轨迹进行分类，并提取特征用于预测。

通用验证

验证任何其他 AI 的输入提示、抽取结果、推理轨迹、工具调用或输入。检测越狱、引文错误、幻觉、失误以及其他 AI 或 LLM 会犯的错误模式，成本只相当于实际 LLM 调用的一小部分。

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、推理轨迹分类，速度极快且成本只有零头。

示例自动化用例

搜索与检索
  • 在 RAG 管道中用语义搜索、评分和排序来替代或补充嵌入。
  • 为查询与候选内容的相关性评分。
  • 用成对比较对结果进行重排序。
  • 对查询和候选进行交叉编码以获得更高精度。
  • 为下游 AI 工作流选择有用的上下文。
科学发现
  • 在系统性综述中按纳入和排除标准筛选论文。
  • 使用预定义的主题或类别为访谈记录、开放式问卷回答和田野笔记中的段落打标签。
  • 检查被引用的段落是否支持手稿和生成摘要中的论断。
  • 标记缺失的方法学细节，例如对照、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，并将发现与支持段落关联起来。
模型路由
  • 使用 Jev 构建自定义路由器，决定每个提示发送给哪个 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。
  • 将需要更昂贵模型的请求升级处理。
LLM 护栏
  • 以远低于 LLM 调用的成本，对每个 LLM 输入、输出和工具调用进行语义检查。
  • 检测越狱和提示注入。
  • 识别违反政策和敏感数据暴露。
  • 实时检测工具调用错误和响应质量问题。
  • 记录结构化的检查结果和概率，让 AI 系统与 harness 故障更容易追溯。
语义代码检查
  • 使用 Jev 查询为代码和写作添加自动化的语义 lint。
  • 为团队的编码规范和写作指南定义检查。
  • 在 CI 中运行这些检查，并标记违规以待审查。
用于预测建模的特征提取
  • 使用 Jev 从自然语言数据中提取概率特征。
  • 将这些特征与结构化数据结合，为有真实结果可对照的任务训练模型。
  • 使用 autoresearch 工作流提出特征定义，并在留出的真实结果上评估其预测价值。
招聘
  • 依据明确的、与岗位相关的标准评估简历、申请和面试反馈。
  • 识别相关经验。
  • 为所需能力的证据评分。
  • 将候选人与岗位匹配。
  • 将候选人路由给招聘经理或招聘人员。
  • 将不确定的案例升级给人工审查。
线索生成
  • 将公司简介、高管履历和入站消息与理想客户画像匹配。
  • 为行业契合度和公司成熟度评分。
  • 检测买家的相关性、痛点和购买意向。
  • 对线索排定优先级并路由。
客户支持
  • 按问题、产品区域和客户意图对入站工单分类。
  • 处理通话记录以提取客户问题、承诺和后续行动。
  • 检测紧急程度、不满情绪、流失风险和退款请求。
  • 将案例路由到合适的团队、队列或自动化工作流。
  • 依据政策和客户请求验证支持回复。
保险理赔
  • 对首次损失通知报告、理赔员笔记和支持文档进行分类。
  • 检测理赔复杂度、缺失信息和潜在欺诈指标。
  • 为理赔排定优先级，决定是直通处理还是专家审查。
  • 将不确定或高风险案例升级给人工理赔员。
金融犯罪
  • 评估交易描述、KYC 文件和警报历史中的可疑特征。
  • 在不一致的名称、画像和记录之间匹配实体。
  • 按风险、相关性和证据质量为警报排定优先级。
  • 将模糊案例路由给调查人员审查。
法律与合规
  • 对合同、政策文件、监管申报和营销声明进行分类。
  • 检测缺失条款、被禁止的声明和违反政策之处。
  • 依据明确的法律或合规要求验证文档。
  • 将高风险或不确定的发现升级给法务或合规团队。
电商市场
  • 在不一致的卖家目录之间对商品列表进行分类和归一化。
  • 从标题和描述中提取商品属性。
  • 检测被禁止的商品、假货信号、评论滥用和违反政策之处。
  • 对商品排序，并将不确定的商品列表路由给人工审查。
内容审核与信任安全
  • 应用公司专属的、细腻的标准来判断哪些帖子符合你的内容审核标准。
  • 在社区、客户支持和 SDR 工作流中对用户内容和自动化对话进行审核。
  • 检测毒性、骚扰、垃圾信息、欺诈、不安全建议、个人数据暴露、退订请求和违反政策的声明。
  • 结合严重程度和置信度来放行、警告、审查或拦截内容。
广告
  • 评估创意素材、活动文案、落地页和投放情境。
  • 对品牌安全和受众适宜性进行分类。
  • 检查合规性和被禁止的声明。
  • 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。
  • 审核聊天并检测辱骂、毒性或可疑行为。
  • 标注内容，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
  • 将事故报告、理赔笔记、交易描述和供应商评估转化为概率性风险指标。
  • 在保险和承保工作流中使用这些指标。
  • 对风险类型分类并检测可疑特征。
  • 为严重程度评分并排定审查优先级。
  • 为更广泛的风险模型提取特征。
需求预测
  • 用来自客户咨询、销售记录、商品评论、支持工单和市场报告的语义信号充实预测模型。
  • 提取购买意向、紧急程度和商品兴趣。
  • 检测供应问题、竞争压力和新出现的需求主题。
  • 将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标注和验证知识图谱。
  • 对关系和实体类型进行分类。
  • 检测记录或论断之间的矛盾。
  • 支持概率遍历和层次分类。

示例任务类别

决策形态适用场景示例
分类应由一个已知类别胜出意图、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
评分答案落在有序的评分标准上严重程度、相关性、质量、挫败感、适宜性
路由某个类别决定下一段代码路径工具使用、升级处理、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、候选优先级
验证必须对产物检查特定的失败模式引文支持、违反政策、工具调用错误、响应质量
机器学习特征提取下游经典机器学习模型需要语义信号购买意向、商品兴趣、竞争压力、流失信号
结构化数据提取必须从非结构化输入中恢复已知字段候选人属性、订单字段、文档标签