Pipedream 文本分类：Hugging Face 动作 vs HTTP → Jev（类型化标签）

在 Pipedream 里，分类通常是触发器（HTTP webhook、邮件、Slack、工单轮询）之后的分流步骤：规整文本，让模型给出标签或分数向量，再在写入 CRM、队列或通知前分支。常见两条路径：(1) 已从 Hub 选模型时用 Hugging Face Text Classification 动作；(2) HTTP / Node 步骤 POST 到 JevModel 这类托管决策 API。任何路径都不能替代用自有流量做的标注 holdout。偏 Microsoft 栈见 power-automate-text-classification；Zapier/Make/n8n 见对应指南。

Pipedream 应用文档描述 hugging_face-text-classification：输入 modelId、text，以及可选 additionalFields（例如给零样本风格模型传 parameters.candidate_labels）。输出取决于模型：许多 Hub 文本分类模型返回情感或类别似然，而不是你的业务分类法。优势：快速接到 Hub 模型、可选候选标签、动作匹配场景时不必单独设计 HTTP 载荷。边界：标签集跟随所选 HF 模型，除非你仔细映射；置信度不是可移植的 Choice/Score/Noul 契约；Hub 模型质量与限流不在 Pipedream 控制内；换模型可能静默改变标签名。已标准化某个 Hub checkpoint 并接受后续步骤重映射时优先 HF。

对接外部 API 时，Pipedream 的 HTTP 文档覆盖用 HTTP 构建工作流以及从 Node 步骤发请求。Node HTTP 指南的关键 nuance：$.send.http 是异步的，无法在工作流内使用 HTTP 响应——下一步必须读取 Jev 信封（code、message、data 含 request_id、answers、usage、quota）时，优先 await axios（或同类）。把 answers 映射到 Filter / if 分支，仅在高置信路径做副作用。密钥放 Pipedream 已连接账户或环境机密，不要写进步骤代码或 git。

下表对比工作流形态与决策契约，不是营销准确率。任何置信度都要在自有标注样本上校准。

已信任特定 Hub 模型、标签少且能干净映射到路由、误分流代价低、自动化全在 Pipedream 时，用 hugging_face-text-classification 即可。模型支持时传入 candidate_labels，保留 Other/模糊分支，并把 modelId 记入每次路由。多个系统要共享同一标签契约，或需要在 Pipedream 外使用 Score/Noul 弃权时，优先 HTTP → Jev。

常见模式：触发器 → 代码步骤把正文规整为 state → Node 步骤 await axios POST 到 https://jevmodel.app/api/v1/systemone（Choice 2–12 标签，可选 Score/Noul）→ 按 answers 做 if/Filter → 高置信路径才写系统 → 否则进人工复核。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 日成功次数为 5。JevModel 经 OpenRouter 托管 typesafe/jev-1.13；与开发 Jev 的 TypeSafe AI 相互独立；本站非多模态、不分发可下载权重。密钥在 Console → API keys 创建。Microsoft Power Automate 的 HTTP 连接器模式见 power-automate-text-classification。

// Illustrative only — put the API key in Pipedream secrets / connected accounts.
import axios from "axios";

const res = await axios.post(
  "https://jevmodel.app/api/v1/systemone",
  {
    state: "Customer asks for a refund on order #1842 after late delivery.",
    questions: [
      {
        id: "route",
        type: "choice",
        prompt: "Support route",
        labels: ["billing", "shipping", "product", "other"],
      },
    ],
  },
  {
    headers: {
      Authorization: `Bearer ${process.env.JEVMODEL_API_KEY}`,
      "Content-Type": "application/json",
    },
  }
);

// Prefer awaiting axios when you need res.data to branch.
// Do not use $.send.http if the next step must read the response.
return res.data;

无论解析 HF 动作的 Hub 类别分数还是使用 Jev 的 Score/Noul，都要在标注样本上校准后再自动改工单。实用策略：高于高带自动落地安全标签；中带进人工队列并附带模型 top 标签；低于下限强制复核。先接中/低分支，再连写入。TypeSafe 的 Choice 置信度公式为 (p − 1/n)/(1 − 1/n)；该值不是校准后的准确率。见 confidence-and-abstention、support-triage，以及 batch-text-classification-api（批量场景）。

1）冻结带边界样例的标签词典。2）明确未匹配走 Other 还是丢弃。3）按复用、Hub 合规与弃权需求选择 HF 动作或共享 Jev API。4）密钥只放 Pipedream secrets / 已连接账户。5）若用 HTTP，后续步骤要读响应时必须 await axios——不要用 $.send.http 做分支。6）每次改 modelId 或分类法后在 holdout 上测精确率/召回率。7）破坏性动作必须过阈值并保留人工分支。8）未实测前不要声称排名或准确率提升。