Categorize Text no Make.com: AI Toolkit vs HTTP → Jev para rótulos tipados e limiares

Pela página do Make AI Toolkit, o Categorize Text recebe texto e categorias (Name+Description), pode devolver explicação e atribuir uma só ou várias. Fica após o trigger e um retrieve opcional, depois Filters e Router. O Make não armazena dados para treino; limites de token geram RuntimeError; logs seguem a retenção do cenário (30 dias na doc). É um classificador no canvas, não um contrato de API portátil.

Brilha para roteamento dentro do Make: um bundle entra, N rotas saem. Name+Description guia melhor; a explicação ajuda na faixa média; o provedor AI integrado funciona em todos os planos. Limites: (1) mesmo contrato fora do Make, (2) rubricas Score/Noul, (3) abstenção calibrada entre orquestradores, (4) API compartilhada com Zapier/n8n/backends. O 0.7 do guia é exemplo a calibrar, não default universal.

Nenhum caminho substitui avaliar com seus rótulos. A tabela contrasta forma do cenário e contrato de decisão, não notas de marketing.

Fique no Categorize Text se há poucas categorias estáveis, erro de rota é barato, tudo roda no Make e você quer Router visual mais explicações. Descreva bem Name+Description, use uma só categoria para filas exclusivas, mantenha rota fallback e registre categoria + confiança + id do modelo. Prototipe com o provedor integrado; custom só se precisar de modelo ou cobrança específica.

Padrão comum: Trigger → retrieve opcional → HTTP POST em /api/v1/systemone com Choice (2–12) e Score/Noul → Filter → Router → efeitos só com alta confiança → fila humana senão. Chaves em connections. Orçamento: ~8000 caracteres após validação, 1–8 perguntas, 5 sucessos/dia UTC em contas grátis verificadas. JevModel hospeda typesafe/jev-1.13 via OpenRouter; independente da TypeSafe AI; não multimodal nem pesos baixáveis.

// Illustrative only - configure the HTTP module in Make; keep secrets in connections.
POST /api/v1/systemone
{
  "state": {"channel": "email", "body": "Invoice #992 is wrong - please credit us."},
  "questions": [
    {
      "id": "route",
      "type": "choice",
      "prompt": "Support category",
      "labels": ["billing", "technical", "general"]
    },
    {
      "id": "auto_ok",
      "type": "noul",
      "prompt": "Safe to auto-tag without a human?"
    }
  ]
}

O guia LLM do Make recomenda validar categoria e confiança após Categorize Text e então rotear: faixa alta para rascunhos auto, média para Slack/humanos, baixa para escalar ou log. O 0.7 é ilustrativo—meça precisão/recall no seu holdout antes de escritas. Com Jev: Filter em Choice + Noul/Score, depois Router. Ligue médias/baixas antes de módulos destrutivos.

1) Congele um dicionário com casos-limite; evite um catch-all vago como único fallback. 2) Uma vs várias. 3) Categorize Text vs API Jev conforme reuso e abstenção. 4) Chaves só em connections. 5) Filters de validação e rota fallback. 6) Meça holdout após cada mudança. 7) Ações destrutivas atrás de limiares e humanos. 8) Não afirme ganhos de ranking ou precisão sem medir.