示例用例

按行业浏览 TypeSafe 用例，把有前景的想法变成软件工作流。

用这张地图来找灵感：TypeSafe 能用在你的行业里的什么地方。打开最接近的行业，扫一遍示例决策，再改造成你自己工作流里的文档和操作。

示例用例分类

AI 自动化软件

把 AI 与可靠的软件交织起来，让你能在后台跑上百万次，而不需要人工副驾。控制流归代码掌控（而不是 markdown 文件），语义决策和语言理解交给 TypeSafe。

实时应用

实时速度（150ms）的前沿智能，意味着 AI 做决策比人的感知还快。快到、聪明到可以被编程去玩游戏，或嵌进 UI 里。

面向大数据的 AI Map Reduce

成本低 100 倍，意味着你能处理超大规模数据集。在海量语料上检索相关信息、给海量智能体轨迹分类、抽取特征做预测。

通用校验

校验任何其它 AI 的输入提示词、抽取结果、推理轨迹、工具调用或输入。检测越狱、引用错误、幻觉、错误，以及其它 AI 或 LLM 会犯的错误模式 —— 成本只是实际 LLM 调用的一小部分。

Harness 工程

用 Jev 查询让你的 harness 更聪明 —— 模型路由、语义上下文检索、LLM 错误检测与防护栏、推理轨迹分类，快如光速，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，替换或补充 RAG 流水线里的嵌入。
为「查询到候选」的相关性打分。
用两两比较对结果做重排序。
对查询和候选做交叉编码，提高精度。
为下游 AI 工作流挑选有用的上下文。

科学发现

按纳入和排除标准筛选论文，做系统性综述。
用预定义的主题或分类，给访谈记录、开放式问卷回答和田野笔记里的段落打标签。
检查引用的段落是否支撑手稿和生成摘要里的论断。
标出缺失的方法学细节，比如对照组、数据集描述和实验设置。
跨论文识别实体和关系，构建研究知识图谱，把发现链接到支撑它的段落。

模型路由

用 Jev 构建自定义路由，决定每条提示词交给哪个 LLM。
为你的具体工作流设置路由规则和阈值。
对意图和领域做分类。
估计难度和风险。
把需要更贵模型的请求升级出去。

LLM 防护栏

对每一次 LLM 输入、输出和工具调用做语义检查，成本只是 LLM 调用的一小部分。
检测越狱和提示词注入。
识别违规和敏感数据泄露。
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分布，让 AI 系统与 harness 的故障更容易追踪。

语义代码检查

用 Jev 查询给代码和写作加上自动化的语义检查（lint）。
为团队的编码规范和写作指南定义检查项。
在 CI 里跑这些检查，把违规标出来供人工审阅。

为预测建模做特征抽取

用 Jev 从自然语言数据里抽取概率化特征。
把这些特征和结构化数据结合，为有真值结果的任务训练模型。
用自动研究工作流提出特征定义，并在留出的真值上评估它们的预测价值。

招聘

按明确的岗位相关判定标准评估简历、申请材料和面试反馈。
识别相关经验。
为岗位所需能力的证据评分。
把候选人和岗位匹配起来。
把候选人路由给招聘经理或招聘专员。
把不确定的案例升级出去做人工复核。

线索生成

把公司简介、高管履历和来信匹配到理想客户画像。
给行业契合度和公司成熟度评分。
检测买方相关性、痛点和购买意向。
给线索排优先级并做路由。

客户支持

按问题类型、产品模块和客户意图给进来的工单分类。
处理通话记录，抽取客户问题、承诺事项和后续动作。
检测紧急度、挫败感、流失风险和退款请求。
把案例路由到正确的团队、队列或自动化工作流。
按政策和客户请求校验客服回复。

保险理赔

给出险报案、理算员备注和佐证文件分类。
检测理赔复杂度、信息缺失和潜在的欺诈信号。
给理赔排优先级，决定是直通处理还是交专家复核。
把不确定或高风险案例升级给人工理算员。

金融犯罪

评估交易描述、KYC 文档和告警历史，找出可疑特征。
跨不一致的姓名、档案和记录做实体对齐。
按风险、相关性和证据质量给告警排优先级。
把模糊案例路由给调查员审阅。

法律与合规

给合同、政策、监管备案和营销主张分类。
检测缺失条款、被禁主张和违规。
按明确的法律或合规要求校验文档。
把高风险或不确定的发现升级给法务或合规团队。

电商平台

跨格式不一的卖家商品目录，给商品列表分类并做归一化。
从标题和描述里抽取商品属性。
检测违禁商品、假货信号、刷评和违规。
给商品排序，把不确定的商品列表转人工复核。

内容审核与信任安全

用贴合公司的细致判定标准，决定哪些帖子符合你的内容审核标准。
在社区、客户支持和 SDR 工作流里审核用户内容和自动对话。
检测毒性内容、骚扰、垃圾信息、欺诈、不安全建议、个人数据泄露、退订请求和违规主张。
结合严重程度和置信度，决定内容放行、警告、待审还是屏蔽。

评估创意素材、广告文案、落地页和投放位置上下文。
给品牌安全性和受众适配度分类。
检查合规性和被禁主张。
评估创意质量和广告与落地页的一致性。

游戏

评估玩家举报、游戏内聊天、评论和客服对话。
审核聊天内容，检测辱骂、毒性或可疑行为。
给内容打标注，并为挫败感或参与度评分。
检测流失信号，并对玩家支持请求做路由。

风险评估

把事故报告、理赔备注、交易描述和供应商评估转换成概率化的风险指标。
在保险和承保工作流里使用这些指标。
给风险类型分类，检测可疑特征。
为严重程度评分并安排审阅优先级。
为更宏观的风险模型抽取特征。

需求预测

用来自客户咨询、销售备注、产品评论、支持工单和市场报告的语义信号，丰富预测模型的输入。
抽取购买意向、紧急度和产品兴趣。
检测供应担忧、竞争压力和新兴需求主题。
把这些特征和历史时间序列数据一起喂给预测模型。

图谱与知识图谱

用类型化的语义决策来标注和校验知识图谱。
给关系和实体类型分类。
检测记录或主张之间的矛盾。
支持概率化遍历和层级分类。

示例任务分类

决策形态	什么时候用	示例
分类	应当有一个已知类别胜出	意图、主题、部门、风险类型、实体类型
检测	你需要一个「某属性存在」的概率	垃圾信息、欺诈、紧急度、越狱、敏感数据
评分	答案落在一条有序的量规上	严重程度、相关性、质量、挫败感、适配度
路由	一个类别决定接下来走哪条代码路径	工具使用、升级、模型路由、支持队列
搜索	你需要找出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
校验	需要针对特定失效模式检查某个产物	引用支撑、违规、工具调用错误、响应质量
ML 特征抽取	下游的传统 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	需要从非结构化输入里恢复已知字段	候选人属性、订单字段、文档标签