比較 / JevModel
n8n Text Classifierノード：組み込み分類 vs ワークフローからJevを呼ぶ
n8n組み込みText ClassifierとHTTP経由のJev呼び出しを比較。型付きラベル、信頼度しきい値、人手レビュー分岐をサポート振り分けで使う。
最終更新:
要点：振り分けノード vs 型付き意思決定API
- n8nのText ClassifierはLangChainクラスタノードです。カテゴリ名と説明を付け、チャットモデルを接続し、カテゴリごとに出力ブランチ（任意でOther）を得ます。
- HTTP RequestノードからJevを呼ぶと型付きChoice（必要ならScore/Noul）が返り、副作用の前にIF/Switchでしきい値分岐できます。
- 組み込みノードは高速な多分岐向き。校正可能な棄権、安定したラベルschema、n8n外での共有APIが必要ならJev。
n8n Text Classifierノードの役割
n8nドキュメントによれば、Text Classifierは名前＋説明のカテゴリで各アイテムを分類します。入力プロンプトは通常textやchatInput等を参照し、チャットモデル（OpenAI、OpenRouterなど）を接続します。カテゴリごとに出力ハンドルがあり、Agent＋Switchの定型を避けて配線できます。マルチクラス、不一致の破棄／Other、categoriesプレースホルダ付きシステムプロンプト、スキーマ失敗時の自動修復も可能です。
Jev で問い合わせを振り分けるHow to classify text with the JevModel API組み込みの強みと現場で詰まる点
組み込みはn8n内ルーティングに強い：1件の本文→N部門。説明付きカテゴリは名前だけより効きます。自動修復は脆いJSON失敗を減らします。限界は(1)モデル横断で使える信頼度、(2)n8n外の同一ラベル契約、(3)返金/PII前の棄権、(4)平坦カテゴリを超えるScore/Noul。信頼度オプションは弱信号として自前チケットで測ってから。
Jev probability, confidence and human-review thresholdsJev で問い合わせを振り分ける比較：組み込みText Classifier vs HTTP→Jev
どちらの経路も自前ラベルでの評価の代替にはなりません。下表はワークフロー形と契約の対比であり、宣伝スコアではありません。
How to classify text with the JevModel APIJev probability, confidence and human-review thresholds| 観点 | n8n Text Classifier（組み込み） | HTTP Request → Jev / JevModel |
|---|---|---|
| 主な役割 | キャンバス内でカテゴリ分岐へ振り分け | 型付き回答を任意の呼び出し元へ返す |
| モデル接続 | チャットモデルサブノード（プロバイダ/モデル選択） | JevModel API経由でOpenRouterのtypesafe/jev-1.13 |
| 出力配線 | カテゴリごと＋任意Other | JSON回答；IF/Switchでフィールド分岐 |
| 信頼度 / 棄権 | モデルと任意スコア依存；自前校正 | しきい値＋人手レビューを副作用前に設計 |
| n8n外での再利用 | ロジックはワークフロー図内 | アプリ、Batch、他オーケストレータで同一API |
組み込みノードで十分なとき
カテゴリが少なく安定、誤振り分けの損失が小さく、処理がn8n内で完結し、視覚的多分岐が主目的なら組み込みで十分。説明を丁寧に、曖昧票はOther、自動修復ON。モデルid付きでログし、プロバイダ更新後のドリフトを見ます。
n8nワークフローからJevを呼ぶ（HTTPパターン）
典型パターン：Trigger/Webhook→本文をstateへ正規化→HTTP RequestでJevModel /api/v1/systemoneへChoice（2–12ラベル）→ラベル/スコアでIF/Switch→高信頼のみZendesk/Slack/CRM→それ以外は人手。秘密はcredentialsへ。検証後stateは約8000文字、1–8問、無料検証枠の日次上限に注意。JevModelはOpenRouter経由でtypesafe/jev-1.13をホストし、重みをn8nに配布しません。
JevModel API：リクエストと応答JevModel の料金と Jev 無料枠Jevはマルチモーダル／ダウンロード可能なモデルか？JevModelの実態信頼度しきい値と人手レビュー分岐
組み込みの任意スコアもJevのScore/Noulも、ラベル付きサンプルで校正する前提です。高しきい値超は安全ラベル自動適用、中帯は人手キュー（上位ラベル提示）、下限未満は強制レビュー/破棄。書き込み前に中・低帯を配線。詳細は本サイトのconfidence-and-abstentionとsupport-triage。
Jev probability, confidence and human-review thresholdsJev で問い合わせを振り分けるZendesk AIチケット分類とルーティング：内蔵Intelligent Triageと独自分類器本番前チェックリスト
1）境界例付きラベル辞書を固定。2）不一致はOtherか破棄かを決める。3）再利用と棄権要件で組み込みか共有Jev APIかを選ぶ。4）鍵はcredentialsのみ。5）モデル/プロンプト変更後は実チケットのholdoutで精度・再現率。6）破壊的操作はしきい値＋人手経路の後ろ。
Evaluate a Jev workflowJev AI Decision Flows と人による確認Jev で問い合わせを振り分けるHow to classify text with the JevModel APIJev probability, confidence and human-review thresholdsJevModel API：リクエストと応答Jevはマルチモーダル／ダウンロード可能なモデルか？JevModelの実態よくある質問
n8n Text Classifierは型付き分類APIの代替か？
いいえ。キャンバス内ルータとしては優秀です。複数システムが同一ラベル契約を共有する、またはn8n外でScore/Noulと明示的棄権が必要なときは型付きAPI（Jev）が有用です。
組み込みノードとJevを同一ワークフローで併用できるか？
できます。粗い部門振り分けはText Classifier、棄権が重要な請求/返金枝でJev、という分割もあります。細粒度ラベルは単一の正本を保ってください。
n8nの信頼度スコアでチケットを自動更新してよいか？
校正前は不可。チャットモデルの絶対値は弱信号で、相対順位は助けになります。書き込み前にholdout評価と人手の中帯を。
JevModelのAPIキーはn8nのどこに置く？
HTTP Requestノードのn8n Credentials（Header Authなど）を使います。式への直書きやgitコミットは避けてください。
JevModel は独立したプロジェクトで、TypeSafe AI とは提携していません。