语用 × Jev × 记忆

四方分工

每次判断的流水线

字段表：语用学定义，Jev 判断，记忆参与

这是核心。新项目照这张表裁剪：保留需要的字段，换掉选项，记忆一栏按自己的数据来源填。

题型说明：choice 从清单里选一个，返回每个选项的概率；score 按档位打分；noul 是"是或否"的概率。

最稳妥的结合：十条规矩

• 一题只问一个条件

  "生气并且想退款"要拆成两题。复合判断在代码里组合，Jev 只做单一的快速判断。

• 记忆进 state，不进问题

  记忆作为带名字的字段放进 state，问题里用 `字段名` 指过去。问题文字保持稳定，方便复用和校准。

• 先过滤，再给 Jev

  只放这次判断用得上的记忆。无关的内容越多，判断越不准。

• Jev 不生成，只挑选

  开放的情况先由大模型或规则给出候选，再让 Jev 打分。计数、算时间、比日期都在代码里做。

• 单次结果要平滑

  Jev 单次常给出 0 或 1 这样的极端概率。跨轮用"旧概率 × 新证据"慢慢推，别让判断来回跳。

• 和这个人比，不和一般人比

  情绪、作息、活跃度都先建个人基线，用偏差做判断。基线只用正常状态来学。

• 硬规则一票否决

  红线、雷区、冷却、"别再问"由代码执行，放在 Jev 前面或后面，不交给任何模型临场决定。

• 字段之间要调和

  各题互不参考，会出现"想找我 82%、适合搭话 26%"这种矛盾。调和规则写在代码里：在找你，就适合说。

• 门槛跟着风险走

  说一句闲话可以 0.5 就做；涉及面子、健康的要 0.7 以上；拿不准就改成问，或者不说。

• 全部留痕，回放校准

  每次记下 state、答案、决定和对方的反应；固定 Jev 版本号（如 jev-1.13.0）；中文场景用英文写问题，并在自己的数据上校准。

记忆分层：哪层给哪个判断用

一个完整的例子

来自安妮 Demo 的真实运行结果（2026-10-08），数字是 Jev 实际给出的概率。

同一套字段也用在"看到情绪变化要不要关心"：火正大、来源还在进行时（来源进行中 71%），先等；等他平静些，只敞开门："我还在这儿，想说就说，不想说也行。"

Jev 请求的骨架

POST https://api.typesafe.ai/v1/systemone
{
  "model": "jev-1.13.0",
  "state": {
    "user_just_said": "今天又被老板当众骂了，烦死了。",
    "what_ai_sees": "主人在书桌前，刚把手机放下",
    "recent_dialogue": ["…最近几轮…"],
    "memory": {
      "asked_today": [],
      "sensitive_topics": [],
      "baseline_mood": "neutral",
      "due_follow_ups": []
    }
  },
  "questions": {
    "need":     {"type": "choice", "instructions": "What does the user mainly need from `user_just_said`?", "criteria": {…}},
    "latent":   {"type": "choice", "instructions": "Beyond the literal words, considering `recent_dialogue` and `memory`, what is the underlying intention?", "criteria": {…}},
    "valence":  {"type": "score",  "instructions": "How does the user feel right now?", "criteria": ["very negative", "…", "very positive"]},
    "repeat":   {"type": "noul",   "instructions": "Has this topic already been discussed or asked about, per `memory.asked_today`?"},
    "strategy": {"type": "choice", "instructions": "How should a tactful friend respond?", "criteria": {…}}
  }
}

用到新项目时的清单

• 从字段表里挑出这个产品需要的字段，改写选项，写清楚每个选项的边界
• 列出每个字段要用的记忆，并确认这些记忆真的存下来了
• 写下硬规则（红线、冷却、雷区），确定放在 Jev 之前还是之后
• 写下字段之间的调和规则，以及每类动作的置信度门槛
• 固定 Jev 版本；每次判断记日志：state、答案、决定、对方反应
• 用 30–50 条自己的真实样例回放，对比 Jev 和大模型的判断，再调门槛
• 确认哪些推断不能长期保存（例如情绪档案）、哪些可以