Power Automate 文本分类：AI Builder 类别模型 vs HTTP → Jev

在 Power Automate 里，分类通常是分流步骤：取入站文本（SharePoint 项、Outlook 邮件正文、Teams 消息、Forms 答案），让模型选类别，再在写入 Dataverse、Service Bus 或工单系统前用条件/开关分支。文档里常见两条 AI Builder 路径：(1) 用标注样例训练的自定义文本分类模型；(2) 需要快速标准分类器时用预构建类别分类。第三条是 HTTP 连接器 POST 到 JevModel 这类外部决策 API。任何路径都不能替代用自有流量做的标注 holdout。

Microsoft Learn 记载动作「使用自定义模型将文本分类到类别」：选择已发布的 AI 模型，映射文本与语言，返回 Classification 以及 0–1 的 Confidence。优势：标签与训练数据留在 Microsoft 租户内；制作者可在门户内接条件。边界：标注、模型质量与类别漂移后的重新发布由你负责；置信度不是可在非 Power 应用复用的 Choice/Score/Noul 契约；额度按高级文本分析（每 1k 字符）计，且流为高级流。在自有标注样本上校准前，把分数当作厂商信号。

预构建动作「使用标准模型将文本分类到类别」只需文本与语言，返回同样的 Classification + Confidence——无需先发布自定义模型。适合原型与粗分流，且标准类别足够接近时。领域分类法（退款/物流/产品）且误分流代价高时优先自定义模型。无论哪条，AI Builder 高级文本分析仍按每 1k 字符消耗额度，且流为高级流。若自动化栈不在 Microsoft 365 内，可对比 Zapier、Make、n8n 与 Pipedream 模式。

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。

标签少且稳定、误分流代价低、自动化已全在 Power Platform、主要需要制作者门户字段映射与 Microsoft 额度记账时，用自定义或预构建 AI Builder 即可。保留 Other/模糊分支，把 Classification 与 Confidence 记入每次路由，分类法或模型重新发布后重新校准。要速度用预构建；要训练数据留在租户内用自定义。

常见模式：触发器 → Compose/Parse 把正文规整为 state → HTTP POST 到 JevModel /api/v1/systemone（Choice 2–12 标签，可选 Score/Noul）→ 按所选标签与分数类字段做条件 → 高置信路径才写系统 → 否则进人工复核。密钥放 Azure Key Vault 或安全连接引用，不要写进动作输入或提交到 git。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。事件驱动工作流上的类似 HTTP 模式见 pipedream-text-classification。

// Illustrative only — configure the HTTP action in Power Automate; keep secrets in Key Vault.
POST https://jevmodel.app/api/v1/systemone
Authorization: Bearer <API_KEY_FROM_CONSOLE>
Content-Type: application/json

{
  "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"]
    }
  ]
}

无论使用 AI Builder 的 Confidence（0–1）还是 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/低条件，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 与 support-triage。

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、租户合规与弃权需求选择 AI Builder 自定义/预构建或共享 Jev API。4）密钥只放 Key Vault / 安全引用。5）与管理员确认 AI Builder 额度与高级流许可（文档会变，不要写死美元成本）。6）每次改模型或分类法后在 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。