把情感分析寫成型別化判定，而不是隱藏的分數

寫出你真正需要的情感問題

noul 問題用你寫的兩個準則回答是非機率，例如「來訊者是否回報產品有問題」。score 問題把訊息放上 2–7 個有序等級，例如正面、中性或混合、負面、阻礙營運。兩種答案都是在你自己的定義上的位置，因此同一則訊息可以誠實地回答兩個不同問題。

答案範圍要小。四個能讓覆核者討論的等級，勝過十個互相重疊的情緒名稱；明確寫出中性或混合等級，也能避免模型替訊息捏造它沒有的確定性。

{
  "text": "儀表板現在很快，但 CSV 匯出還是會漏掉最後一欄。",
  "questions": [
    {"id": "negative", "type": "noul", "instructions": "來訊者是否回報產品有問題？", "criteria": {"true": "描述了錯誤或失效。", "false": "只有稱讚、提問或提出需求。"}},
    {"id": "tone", "type": "score", "instructions": "整則訊息的負面程度如何？", "criteria": ["正面", "中性或混合", "負面", "阻礙營運"]}
  ],
  "threshold": 0.85
}

在試做區測試訊息 · 請求契約

混合、反諷與引用的文字沒有單一答案

一則訊息可能稱讚產品的一部分，同時回報另一部分的缺陷。若評分標準沒有這種等級，模型仍必須選一個，答案就會比訊息本身看起來更確定。請給「混合」與「不明」自己的等級，或另外用一個 noul 問題單獨處理缺陷。

否定、反諷、引用他人的抱怨，以及以其他語言撰寫的文字，都會改變機率，卻沒有改變你當初設定的關鍵詞。門檻會把不確定的答案交給人工：noul 的門檻直接套用在機率上，choice 與 score 則與 confidence 比較——模型未提供 confidence 時為 null，一律需要覆核。

什麼是 Jev AI · 批次分類與匯出

成本、儲存與誠實的界線

不論問一個問題或四個，一次完成的請求都算 1 點，失敗的帳戶請求會退還。判定紀錄保留答案與其識別碼，不保留你送出的訊息，因此需要人工閱讀時，請把原始文字留在自己的系統。

這不是法律認定、安全判決或臨床量測，而是某個評分標準下的一次模型回答。高機率是模型自己的數字，不是用你的流量測出的準確率。請用自己標記的資料逐級評估、兩個方向的錯誤都要計數，並讓真人對後續動作負責。

請求契約 · 限額與點數規則