应用场景 / JevModel
用清晰量表评估线索
让销售优先级更容易检验与修订。
最近更新:
用可观察行为定义等级
有效的 Score 量表应描述可观察信号:尚无明确需求、存在匹配、请求演示或正在采购。不要只写“好”和“很好”这类缺乏依据的词。保持状态更新,并排除没有使用理由的数据。
衡量后续价值
将不同分数区间与实际跟进结果比较。如果团队根据阈值改变行动,就应定期用近期数据复核阈值,而不是长期依赖最初的少量样本。
运行并解释 Score 示例
下方 GitHub lead-scoring 目录包含虚构线索、四个有序量表等级与示意响应。在仓库根目录运行,设置 JEVMODEL_API_KEY 并加 --live 才真实调用一次。检查 data.answers.priority.score;分数可带小数,不是转化概率,也非天然 0–1 值。确认实际返回尺度后,用标注线索与跟进结果检验分数区间。示例不更新 CRM、不发邮件。
Jev API 批量文本分类:CSV 与 JSONL评估 Jev 工作流JevModel API:请求与响应产品与客服文本的意图分类:规则、LLM 与类型化 API表单与评论的垃圾内容检测 API:Turnstile、Akismet 还是 Jev 判断层AI 找人(People Search)+ Jev:先按 ICP 筛人,再付费查工作邮箱node quickstart/node.mjs lead-scoring
# Or: python quickstart/python.py lead-scoringJevModel 为独立项目,与 TypeSafe AI 无关联。