Documentação

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 argumentos state e questions de ask(), que é o método client.system_one do 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 em ROUTE muda.
  • 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 GATE para descrever o que vale a pena lembrar para a sua própria tarefa, e teste REMEMBER_AT contra 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 MEMORIES por 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.