Make.com Categorize Text：AI Toolkit vs HTTP → Jev（类型化标签与置信度阈值）

按 Make AI Toolkit 应用页，Categorize Text 接收“要分类的文本”和类别列表（每项 Name + Description）。可选择是否返回解释，以及是否“只分配一个类别”（Yes=单标签；No=多标签）。模块接在触发器与可选检索（CRM 联系人、表格行）之后，再交给 Filter 与 Router 写入 Slack、工单或 CRM。Make 声明不为训练存储你的数据；token 上限等会以 RuntimeError 出现；交互日志遵循场景保留策略（文档写 30 天）。把它当作画布内的结构化分类器，而不是可移植 API 契约。

Categorize Text 适合“Make 内分流”：一份 bundle 进、N 条 Router 出。Name+Description 比光写名字更能引导模型；可选解释利于中带人工；所有套餐可用 Make 内置 AI 提供商，便于无第三方密钥先原型（付费可接 OpenAI/Anthropic 等）。常见瓶颈：(1) Make 外共用同一标签契约；(2) 超出扁平类别的 Score/Noul；(3) 跨编排器可校准的弃权；(4) 与 Zapier、n8n、后端任务共享决策 API。Make 指南用 0.7 作分流前置信度示例——请在自有工单上校准，勿当普适默认值。

两条路径都不能替代你用自有标签做评测。下表对比场景形态与决策契约，不是营销打分。

类别少且稳定、误分流代价低、流程都在 Make、主要需要可视化 Router 与可选解释时，用 Categorize Text 即可。写清 Name+Description，互斥队列优先“只分配一个类别”，为未匹配保留 fallback Router，并把类别与置信度（若有）及模型/提供商 id 记入日志。用内置提供商做原型；仅在需要特定模型或计费姿态时再接自定义提供商。

常见模式：Trigger（Webhook、Gmail、Sheets）→ 可选检索 → HTTP 模块 POST 到 JevModel /api/v1/systemone（Choice 2–12，可选 Score/Noul）→ 按标签与分数类字段 Filter → Router → 高置信路由才写系统 → 否则进人工复核。密钥放 Make connections，不要写进模块字段或提交到 git 的蓝图。注意产品预算：校验后 state 约 8000 字符、每请求 1–8 题、已验证免费账号每 UTC 日成功 5 次。JevModel 经 OpenRouter 托管 typesafe/jev-1.13；与 TypeSafe AI 独立；本站非多模态、不分发权重。

// 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?"
    }
  ]
}

Make 的 LLM 集成指南建议在 Categorize Text 之后校验类别是否在名单内、置信度是否过线，再分流：高带自动草稿、中带 Slack/人工、低带升级或记日志。文中的 0.7 只是示例——在对写入动作信任任何数字前，先用自有邮件/工单 holdout 测精确率/召回率。分类器换成 Jev 时同样：按 Choice 标签 + Noul/Score 做 Filter，再 Router。先接中/低路由，再连破坏性模块。见 confidence-and-abstention 与 support-triage。

1）冻结带边界样例的标签词典；避免只用含糊的 catch-all 做唯一兜底。2）明确单选还是多选。3）按复用与弃权需求选择 Categorize Text 或共享 Jev API。4）密钥只放 connections。5）加校验 Filter 与未匹配 fallback。6）每次改模型或类别描述后测 holdout 精确率/召回率。7）破坏性动作必须过阈值并保留人工路由。8）未实测前不要声称排名或准确率提升。