Sistema de memória simples
Deixe a Jev decidir quais requisições e respostas vale a pena lembrar e depois envolva a chamada à Jev em uma pequena função que adiciona memórias às chamadas seguintes.
Cada requisição à Jev vê apenas o estado que você envia. O que um cliente disse ao seu aplicativo no mês passado, como a edição ou o plano dele, não está na próxima requisição dele a menos que o seu código o coloque ali. O sistema de memória aqui faz isso com uma requisição extra à Jev por chamada e um dicionário Python.
Nosso exemplo encaminha tickets de suporte. Em agosto, um cliente disse que hospeda a própria infraestrutura, em Windows Server. Em setembro, ele escreve “Os painéis estão muito lentos desde esta manhã”. Sem memória, a Jev envia esse ticket para a equipe de nuvem em vez da equipe de auto-hospedagem. No exemplo abaixo, adicionar memória envia todos os seis tickets posteriores para as equipes esperadas. Encaminhar cada ticket isoladamente acerta dois de seis.
O sistema de memória simples tem duas partes:
- Depois de cada chamada, a Jev vê a requisição original e a sua resposta juntas. Uma
pergunta
Noul, que chamamos de gate, pergunta se a requisição enuncia um fato importante sobre o cliente que deveria ser lembrado. Se P(sim) for pelo menos 0.5, o ticket e a resposta da Jev são salvos como uma memória para aquele cliente. - Uma função wrapper,
ask_with_memory(), recebe os mesmos argumentosstateequestionsdeask(), que é o métodoclient.system_onedo SDK Python da TypeSafe com o modelo fixado e a chamada em cache, e devolve a resposta da Jev. Antes de cada chamada, ela adiciona os tickets salvos do cliente e as respostas da Jev para eles ao estado.
Esse wrapper é um harness de agente básico. Um harness é o código em volta de um modelo que lhe dá capacidades extras, como chamadas de ferramentas e execução em laços. Este brinquedo básico só lhe dá memória num dicionário Python simples, com uma lista por ID de cliente.
%%{init: {"fontFamily": "Inter, sans-serif", "flowchart": {"rankSpacing": 25, "wrappingWidth": 300, "subGraphTitleMargin": {"top": 8, "bottom": 20}}}}%%
flowchart TB
IN["ask_with_memory(state, questions)"]
subgraph R["Jev: answer the question"]
Q1["<b>Choice:</b> which support team?"]
end
subgraph G["Jev: judge the routed ticket"]
Q2["<b>Noul:</b> does the request state<br/>an important fact about the customer?"]
end
DEC{"P(yes) ≥ 0.5?<br/>your code"}
SAVE["save the memory<br/>under this customer's ID"]
OUT["handle the support ticket response in your code"]
MEM[("MEMORIES<br/>saved memories per customer")]
IN -- "state with memories<br/>+ routing question" --> R
R -- "original request + answer<br/>+ memory question" --> G
G -- "P(yes)" --> DEC
DEC -- "yes: save" --> SAVE
DEC -- "no: don't save" --> OUT
SAVE --> OUT
SAVE --> MEM
IN -. "added to the state<br/>on this customer's<br/>next support tickets" .- MEM
O wrapper faz duas requisições à Jev, uma após a outra: a requisição de roteamento e depois o gate, que julga o ticket junto com a resposta da Jev. O wrapper devolve a resposta de roteamento quer algo tenha sido salvo ou não.
Como ask_with_memory() recebe os mesmos argumentos de ask() e devolve a mesma resposta,
você pode trocar um pelo outro sem mudar nenhum outro código. O wrapper encontra as memórias
do cliente, adiciona-as ao estado e salva as novas por conta própria.
O exemplo envia cinco tickets anteriores de dois clientes pelo wrapper e depois encaminha três mensagens posteriores de cada cliente duas vezes: uma com as memórias que ele salvou, outra sem. Uma tabela põe as duas respostas lado a lado para os seis.
Configuração
pip install ipython 'cooksafe>=0.2.0,<0.3.0'
Defina TYPESAFE_API_KEY. Toda chamada à API é armazenada em cache em
json_cache.json.
Baixe-o para a pasta de onde você roda este código para reproduzir os números publicados
em vez de chamar a API, ou deixe-o de fora para rodar tudo ao vivo.
Os números abaixo vêm do jev-1.13.0 em 2026-09-28.
O limiar de memória de 0.5 é um ponto de partida. Você deve avaliá-lo contra
os seus próprios exemplos.
import json
import os
from pathlib import Path
from cooksafe import JsonCache, make_playground_link
from IPython.display import Markdown, display
from typesafe_sdk import Choice, Noul, NoulCriteria, SystemOneResponse, TypeSafeClient
TYPESAFE_MODEL = "jev-1.13.0"
REMEMBER_AT = 0.5 # save when P(lasting customer fact) reaches this starting threshold
MEMORY_KEY = "earlier_tickets_from_this_customer" # where saved tickets go in the state
client = TypeSafeClient(
api_key=os.environ.get("TYPESAFE_API_KEY", "cache-only"), # keyless kernels replay the cache
base_url=os.environ.get("TYPESAFE_ENDPOINT"),
timeout=120.0,
)
json_cache = JsonCache(Path("json_cache.json"))
Defina os tickets
Dois clientes, cinco tickets anteriores e três mensagens posteriores, todos escritos para este cookbook. C-1042 (Harbor Logistics) roda a edição auto-hospedada em Windows Server sob um contrato Enterprise. C-2210 (Fernwood Studio) está na edição de nuvem, no plano Team de autoatendimento. Três dos tickets anteriores enunciam um fato duradouro: uma edição, um plano, um contrato. Dois não: um telefone no aeroporto, um feriado. Nenhuma mensagem posterior menciona a configuração do cliente, então sem memória a Jev tem de adivinhá-la.
Cada ticket se torna um estado com duas partes: customer, quem é o cliente, e
ticket, a thread do ticket. A função ticket_state() monta um ticket
simplificado, como um de um helpdesk. No seu aplicativo, o estado é cada ticket como
o seu helpdesk o envia, e ask_with_memory() adiciona a ele os tickets salvos do cliente.
A divisão entre tickets anteriores e mensagens posteriores é só para este exemplo.
DATA = {
"customers": {
"C-1042": {"id": "C-1042", "company": "Harbor Logistics"},
"C-2210": {"id": "C-2210", "company": "Fernwood Studio"},
},
"earlier_tickets": [
{"id": "T-101", "customer_id": "C-1042", "received_on": "2026-08-04",
"subject": "Adding an admin",
"text": "Hi, we run your self-hosted edition on Windows Server 2022 in our own data "
"centre. How do I add a new admin user?"},
{"id": "T-102", "customer_id": "C-2210", "received_on": "2026-08-11",
"subject": "Exporting to PDF",
"text": "We're a small design studio on your cloud edition, paying monthly on the "
"self-serve Team plan. How do I export a dashboard as a PDF?"},
{"id": "T-103", "customer_id": "C-1042", "received_on": "2026-08-19",
"subject": "Invoice download",
"text": "Sorry for the typos, typing this on my phone at the airport. Where can I "
"download last month's invoice?"},
{"id": "T-104", "customer_id": "C-2210", "received_on": "2026-09-02",
"subject": "Dark mode?",
"text": "Our whole team is out on Friday for a public holiday, so no rush on this "
"one. Is there a dark mode?"},
{"id": "T-105", "customer_id": "C-1042", "received_on": "2026-09-10",
"subject": "Sandbox environment",
"text": "For context, we signed an Enterprise contract with you in March. Can we get "
"a sandbox environment for testing?"},
],
"later_messages": [
{"subject": "Slow dashboards",
"text": "Dashboards have been really slow since this morning."},
{"subject": "Upgrade failing",
"text": "The upgrade to version 5.2 keeps failing halfway through."},
{"subject": "More seats",
"text": "We'd like to add 20 more seats before next quarter."},
],
"later_received_on": "2026-09-28",
# Labelled by hand from what each customer said in the earlier tickets.
"expected_team": {
"C-1042": {"Slow dashboards": "selfhosted_windows",
"Upgrade failing": "selfhosted_windows", "More seats": "enterprise_desk"},
"C-2210": {"Slow dashboards": "cloud_ops", "Upgrade failing": "cloud_ops",
"More seats": "billing"},
},
}
CUSTOMERS = DATA["customers"]
def ticket_state(customer_id: str, ticket_id: str, received_on: str, subject: str,
text: str) -> dict:
"""The state Jev sees for one ticket: a simplified ticket, like one from a helpdesk."""
return {
"customer": CUSTOMERS[customer_id],
"ticket": {
"id": ticket_id,
"received_on": received_on,
"subject": subject,
"messages": [{"from": "customer", "text": text}],
},
}
EARLIER = [
ticket_state(t["customer_id"], t["id"], t["received_on"], t["subject"], t["text"])
for t in DATA["earlier_tickets"]
]
print(f"{len(CUSTOMERS)} customers, {len(EARLIER)} earlier tickets, "
f"{len(DATA['later_messages'])} later messages. The first ticket as Jev sees it:\n")
print(json.dumps(EARLIER[0], indent=2))
2 customers, 5 earlier tickets, 3 later messages. The first ticket as Jev sees it:
{
"customer": {
"id": "C-1042",
"company": "Harbor Logistics"
},
"ticket": {
"id": "T-101",
"received_on": "2026-08-04",
"subject": "Adding an admin",
"messages": [
{
"from": "customer",
"text": "Hi, we run your self-hosted edition on Windows Server 2022 in our own data centre. How do I add a new admin user?"
}
]
}
}
Encaminhe um ticket
Uma pergunta Choice escolhe a equipe de suporte. A opção none_suitable dá à Jev uma
resposta para quando nenhuma equipe se encaixa, e um ticket com contexto de menos pode acabar lá.
O helper ask() é client.system_one com a versão do modelo fixada e toda chamada
em cache. Ele recebe um estado e um dicionário de perguntas e devolve o próprio objeto de
resposta do SDK, então código que já lê respostas de client.system_one funciona com ele sem alterações.
ROUTE = {
"team": Choice(
instructions="Which support team should handle `ticket`?",
criteria={
"cloud_ops": "Cloud team: problems with the hosted cloud edition, run by us",
"selfhosted_linux": "Self-hosted team, Linux: installs, upgrades and "
"performance of the self-hosted edition on Linux servers",
"selfhosted_windows": "Self-hosted team, Windows: installs, upgrades and "
"performance of the self-hosted edition on Windows Server",
"billing": "Billing: invoices, payments, seats and plan changes for "
"self-serve plans",
"enterprise_desk": "Enterprise desk: seats, contracts and account changes for "
"customers on an Enterprise contract (their technical problems go to the "
"technical teams)",
"general": "General product questions: features, how-to, settings",
"none_suitable": "None of these teams fits the ticket",
},
),
}
@json_cache
def _system_one(model: str, state: str, questions: str) -> dict:
response = client.system_one(
state=json.loads(state), questions=json.loads(questions), model=model
)
return response.model_dump(mode="json")
def ask(state: dict, questions: dict) -> SystemOneResponse:
"""client.system_one, with the model pinned and the call cached."""
as_json = {qid: q.model_dump(mode="json", exclude_none=True) for qid, q in questions.items()}
raw = _system_one(TYPESAFE_MODEL, json.dumps(state), json.dumps(as_json))
return SystemOneResponse.model_validate(raw)
def later_state(customer_id: str, message_index: int) -> dict:
"""One of the later messages, sent by this customer, with a fixed ticket ID."""
n = 201 + 3 * list(CUSTOMERS).index(customer_id) + message_index
message = DATA["later_messages"][message_index]
return ticket_state(customer_id, f"T-{n}", DATA["later_received_on"], message["subject"],
message["text"])
slow = later_state("C-1042", 0)
team = ask(slow, ROUTE).answers["team"]
print(f"C-1042: {slow['ticket']['messages'][0]['text']!r}")
print(f" plain Jev -> {team.choice} {team.probabilities[team.choice]:.2f}")
C-1042: 'Dashboards have been really slow since this morning.'
plain Jev -> cloud_ops 0.80
A Jev simples envia os painéis lentos de C-1042 para a equipe de nuvem. Esse ticket sozinho não lhe dá motivo para fazer outra coisa.
Pergunte à Jev se o ticket vale a pena lembrar
Primeiro, as_memory() pareia o estado original com a resposta da Jev: a memória que o wrapper
pode salvar. A chave request
guarda o estado antes de as memórias serem injetadas, e jev_answered mapeia cada pergunta
para a sua resposta. Isso evita que memórias antigas fiquem aninhadas dentro de cada memória nova.
Uma segunda chamada à Jev lê esse par. O gate pergunta se a requisição enuncia um fato importante sobre o cliente, como a sua edição, sistema operacional, plano ou contrato. A resposta da Jev está ali como contexto, mas um fato que aparece só na resposta não conta. Sem essa regra, uma resposta genérica como “Perguntas gerais sobre o produto” pode superar um fato real na requisição, e uma resposta que dependeu de uma memória anterior pode ser salva de novo como se fosse nova.
GATE = {
"remember": Noul(
instructions=(
"In `request.ticket`, does the thread state a lasting fact about the customer that "
"should change how their future, unrelated tickets are handled? Count what the "
"customer or our support staff wrote in `request.ticket`. `jev_answered` shows how "
"the ticket was routed, which may rely on things learned earlier: do not count "
"anything it says or implies."
),
criteria=NoulCriteria(
true=(
"Yes: in `request.ticket` the customer or our support staff state something "
"about the customer that stays true after this ticket, such as the product "
"edition or operating system they run, their plan or contract, or a standing "
"preference."
),
false=(
"No: `request.ticket` only contains things specific to this one ticket or "
"moment, such as a one-off request, today's schedule, or the device they "
"happen to be typing on; or the lasting fact appears only in `jev_answered`."
),
),
),
}
def answer_text(question, answer):
"""The readable part of an answer: the chosen option's description, or the number."""
if answer.type == "choice":
return question.criteria[answer.choice]
return answer.noul if answer.type == "noul" else answer.score
def as_memory(state: dict, questions: dict, response: SystemOneResponse) -> dict:
return {
"request": state,
"jev_answered": {
q.instructions: answer_text(q, response.answers[qid])
for qid, q in questions.items()
},
}
def remember_probability(memory: dict) -> float:
"""P(the request states an important fact about the customer), with the answer as context."""
return ask(memory, GATE).answers["remember"].noul
Envolva a chamada para que ela lembre
O wrapper, ask_with_memory(), tem os mesmos argumentos e valor de retorno de ask(). O
armazenamento de memórias é um dicionário simples com uma lista por ID de cliente. O wrapper usa o ID no
estado para selecionar as memórias do cliente.
MEMORIES: dict[str, list[dict]] = {} # customer ID -> that customer's saved memories
def customer_id(state: dict) -> str:
return state["customer"]["id"]
def ask_with_memory(state: dict, questions: dict) -> SystemOneResponse:
"""ask(), plus memory: same arguments, same return value."""
# 1. Answer the call with this customer's existing memories.
saved = MEMORIES.get(customer_id(state), [])
response = ask({**state, MEMORY_KEY: saved} if saved else state, questions)
# 2. Ask Jev whether the original request states an important fact worth keeping.
memory = as_memory(state, questions, response)
if remember_probability(memory) >= REMEMBER_AT:
MEMORIES.setdefault(customer_id(state), []).append(memory)
return response
Adicionar memória assim tem quatro consequências para o seu aplicativo:
- Toda chamada faz duas requisições sequenciais, a sua chamada seguida pelo gate de memória. O gate julga o ticket junto com a resposta da Jev, então roda depois da requisição de roteamento. Se o seu gate ignorar a resposta, ele poderia em vez disso ser uma segunda pergunta na requisição de roteamento (veja fan-out).
- A memória só cresce. Toda memória salva entra em toda chamada posterior daquele cliente. Aqui não há limite de tamanho, nem verificação de relevância, nem data de validade. A seção Próximos passos tem ideias para cada um deles.
- As suas perguntas nunca mencionam as memórias. As memórias entram no estado sob
earlier_tickets_from_this_customer, e a Jev lê o estado inteiro. Nada emROUTEmuda. - O estado precisa de
customer.id. A Jev simples também aceita uma string como estado, mas este wrapper precisa do ID para encontrar a lista do cliente.
Envie os tickets anteriores e veja as respostas mudarem
Envie os cinco tickets anteriores por ask_with_memory(), na ordem em que chegaram. O
mesmo cliente envia duas das mensagens posteriores de novo: painéis lentos e 20 assentos a mais.
Isso mostra como cada memória salva muda as respostas da Jev. As mensagens repetidas também passam pelo
wrapper, então o gate as julga também.
PROBES = {"Slow dashboards": 0, "More seats": 2} # later messages to send after each ticket
def memory_ids(cid: str) -> str:
return ", ".join(m["request"]["ticket"]["id"] for m in MEMORIES.get(cid, [])) or "none"
def send_probes(cid: str) -> None:
for subject, i in PROBES.items():
team = ask_with_memory(later_state(cid, i), ROUTE).answers["team"]
print(f" {subject:<16} -> {team.choice:<19} {team.probabilities[team.choice]:.2f}")
for cid in CUSTOMERS:
print(f"{cid}, memories: {memory_ids(cid)}")
send_probes(cid)
for state in EARLIER:
cid = customer_id(state)
response = ask_with_memory(state, ROUTE)
p = remember_probability(as_memory(state, ROUTE, response)) # cached: the wrapper's call
verdict = "saved" if p >= REMEMBER_AT else "not saved"
text = state["ticket"]["messages"][0]["text"]
print(f"\n{cid} {state['ticket']['id']} {response.answers['team'].choice:<19} "
f"P(remember) {p:.2f} {verdict}")
print(f" {text[:84]}")
print(f"{cid}, memories: {memory_ids(cid)}")
send_probes(cid)
C-1042, memories: none
Slow dashboards -> cloud_ops 0.80
More seats -> enterprise_desk 0.62
C-2210, memories: none
Slow dashboards -> cloud_ops 0.75
More seats -> enterprise_desk 0.52
C-1042 T-101 selfhosted_windows P(remember) 0.91 saved
Hi, we run your self-hosted edition on Windows Server 2022 in our own data centre. H
C-1042, memories: T-101
Slow dashboards -> selfhosted_windows 0.99
More seats -> enterprise_desk 0.44
C-2210 T-102 general P(remember) 0.91 saved
We're a small design studio on your cloud edition, paying monthly on the self-serve
C-2210, memories: T-102
Slow dashboards -> cloud_ops 0.91
More seats -> billing 0.98
C-1042 T-103 billing P(remember) 0.07 not saved
Sorry for the typos, typing this on my phone at the airport. Where can I download la
C-1042, memories: T-101
Slow dashboards -> selfhosted_windows 0.99
More seats -> enterprise_desk 0.44
C-2210 T-104 general P(remember) 0.10 not saved
Our whole team is out on Friday for a public holiday, so no rush on this one. Is the
C-2210, memories: T-102
Slow dashboards -> cloud_ops 0.91
More seats -> billing 0.98
C-1042 T-105 enterprise_desk P(remember) 0.92 saved
For context, we signed an Enterprise contract with you in March. Can we get a sandbo
C-1042, memories: T-101, T-105
Slow dashboards -> selfhosted_windows 0.94
More seats -> enterprise_desk 0.99
Os três tickets que enunciam uma edição, um plano ou um contrato são salvos com 0.91 a 0.92. T-102 é salvo mesmo com a Jev o tendo encaminhado para a equipe geral, porque o gate conta as palavras do cliente, não a resposta. Os tickets do aeroporto e do feriado pontuam 0.07 e 0.10 e não são salvos, então as respostas depois deles não mudam.
Cada memória salva muda as respostas às quais é relevante. Para C-1042, o ticket do Windows move os painéis lentos da equipe de nuvem (0.80) para a equipe do Windows (0.99). O contrato Enterprise então fixa os assentos em 0.99. Para C-2210, o ticket do plano Team eleva a equipe de nuvem de 0.75 para 0.91 e move os assentos do balcão Enterprise (0.52) para o faturamento (0.98). Adicionar a memória Enterprise diminui ligeiramente os painéis lentos de C-1042, de 0.99 para 0.94, o que é um motivo para escolher quais memórias adicionar (veja Próximos passos). O gate não salvou nenhuma das mensagens repetidas.
Encaminhe as mesmas mensagens para os dois clientes
Cada cliente agora envia as três mensagens posteriores. Cada mensagem vai para o ask() simples e
para ask_with_memory(), com o mesmo estado e a mesma pergunta.
EXPECTED = DATA["expected_team"]
plain_correct = memory_correct = total = 0
example_state = None
def cell(answer, expected: str) -> str:
mark = "✓" if answer.choice == expected else "✗"
return f"{mark} {answer.choice} {answer.probabilities[answer.choice]:.2f}"
print(f"{'customer':<9}{'message':<17}{'expected':<20}{'plain Jev':<27}{'with memory':<27}")
for cid in CUSTOMERS:
for i, message in enumerate(DATA["later_messages"]):
state = later_state(cid, i)
expected = EXPECTED[cid][message["subject"]]
plain = ask(state, ROUTE).answers["team"]
if example_state is None:
# Keep the exact state used for this call for the playground link.
saved = MEMORIES.get(cid, [])
example_state = json.loads(json.dumps({**state, MEMORY_KEY: saved} if saved else state))
response = ask_with_memory(state, ROUTE)
remembered = response.answers["team"]
plain_correct += plain.choice == expected
memory_correct += remembered.choice == expected
total += 1
print(f"{cid:<9}{message['subject']:<17}{expected:<20}{cell(plain, expected):<27}"
f"{cell(remembered, expected):<27}")
print(f"\nExpected routes: {plain_correct}/{total} without memory, "
f"{memory_correct}/{total} with memory.")
customer message expected plain Jev with memory
C-1042 Slow dashboards selfhosted_windows ✗ cloud_ops 0.80 ✓ selfhosted_windows 0.94
C-1042 Upgrade failing selfhosted_windows ✗ none_suitable 0.60 ✓ selfhosted_windows 1.00
C-1042 More seats enterprise_desk ✓ enterprise_desk 0.62 ✓ enterprise_desk 0.99
C-2210 Slow dashboards cloud_ops ✓ cloud_ops 0.75 ✓ cloud_ops 0.91
C-2210 Upgrade failing cloud_ops ✗ none_suitable 0.63 ✓ cloud_ops 0.86
C-2210 More seats billing ✗ enterprise_desk 0.52 ✓ billing 0.98
Expected routes: 2/6 without memory, 6/6 with memory.
Com memória, todas as seis mensagens chegam à equipe esperada, contra duas sem. A mesma mensagem agora vai para uma equipe diferente para cada cliente: os painéis lentos vão para a equipe do Windows para C-1042 e ficam com a equipe de nuvem para C-2210, e 20 assentos a mais vão para o balcão Enterprise para C-1042 e para o faturamento para C-2210. Onde a Jev simples já estava certa, a memória eleva a probabilidade, de 0.62 para 0.99 para os assentos de C-1042. O wrapper também julgou as seis mensagens posteriores e não salvou nenhuma: elas não enunciam nenhum fato importante.
A equipe esperada de cada linha decorre da configuração do cliente nos tickets anteriores: a edição auto-hospedada e o contrato Enterprise de C-1042, o plano Team de nuvem de C-2210.
Abra no playground
O link contém o estado exato de roteamento usado para a primeira chamada de painéis lentos de C-1042, incluindo as suas memórias naquele ponto, mais a pergunta de roteamento.
playground_link = make_playground_link(example_state, ROUTE, models=[TYPESAFE_MODEL])
display(Markdown(
f"🔗 [Open C-1042's ticket with its memories in the TypeSafe playground]({playground_link})"
))
Abra o ticket de C-1042 com as suas memórias no playground do TypeSafe →
Próximos passos
- Escolha o que o seu aplicativo deve lembrar. Edite
GATEpara descrever o que vale a pena lembrar para a sua própria tarefa, e testeREMEMBER_ATcontra exemplos que você rotulou. - Escolha quais memórias adicionar. O wrapper adiciona toda memória salva. Uma pergunta de relevância pode selecionar um conjunto menor quando a lista ficar longa.
- Substitua memórias desatualizadas. Pergunte se uma memória nova substitui uma mais antiga e depois remova a entrada antiga no código quando apropriado.
- Guarde memórias entre execuções. Substitua
MEMORIESpor um banco de dados com chave pelo ID de cliente. O dicionário em memória desaparece quando o processo termina. - Aja conforme a rota. Mapeie cada equipe para um manipulador no código, como agendar uma ligação para clientes Enterprise ou enviar um artigo específico de configuração. Veja roteamento de intenção e roteamento baseado em confiança. Adicione a sua resposta à thread do ticket como uma mensagem de suporte, e o gate pode lembrar o que você fez.
Apêndice
Uma resposta salva pode reforçar um erro?
Sim. O gate ignora qualquer coisa que apareça só na resposta da Jev, então uma resposta não pode fazer um ticket ser salvo por si só. Uma vez que um ticket é salvo, porém, a sua resposta é salva com ele, com a inferência equivocada e tudo, e toda chamada posterior daquele cliente a lê. Uma resposta posterior pode então repetir o erro.
Como devo escolher o limiar?
O 0.5 neste wrapper é um valor inicial. Para escolher o seu, rotule pares de requisição-e-resposta do seu tráfego como dignos de memória ou não, e encontre a probabilidade que melhor separa os dois grupos. Verifique-a em pares que você não usou para escolhê-la. Aumente-a se uma memória enganosa custar mais do que uma ausente; diminua-a se for o contrário. Veja Confiança e Roteamento com gating por confiança para escolher limiares e combiná-los com o risco de cada ação.