d1 ist das gehostete Entscheidungsmodell von Liquid AI für begrenzte Klassifikations-, Weiterleitungs- und Bewertungsaufgaben. Dieses Profil umfasst seinen Text-Entscheidungsablauf: Stellen Sie die Belege als Zustand bereit, definieren Sie eine oder mehrere Fragen und erhalten Sie typisierte numerische Antworten zu bekannten Ergebnissen. Liquid beschreibt diese Entscheidungen als Bewertungen, die Wahrscheinlichkeiten direkt zurückgeben, mit null generierten Ausgabetokens. Das nützliche Ergebnis ist eine definierte Entscheidung mit ihrer Unsicherheit statt einer neu verfassten Textpassage.
Stellen Sie den Text bereit, der die Entscheidung ermöglicht, einschließlich des zum Verständnis nötigen Kontexts. Halten Sie den Zustand von den Anweisungen getrennt, die beschreiben, was bewertet werden soll. Eine Support-Nachricht kann eine Produkt- oder Problembeschreibung benötigen, eine Dokumentpassage die Suchfrage des Nutzers. Definieren Sie die Antwortmenge vor dem Stellen der Frage und geben Sie jeder Option eine zum beabsichtigten Workflow passende Bedeutung. Kurze Bezeichnungen können als stabile Ausgabeschlüssel dienen, während Beschreibungen ihre Grenzen erklären.
Verwenden Sie benannte Fragen zu einem gemeinsamen Zustand. Ein klarer Name wie intent, urgency oder relevant hält die Ausgabe mit der Entscheidung verknüpft, die sie repräsentiert. Eine Nachricht über eine nicht funktionierende Seite kann beispielsweise eine Absichtsauswahl, eine Dringlichkeitsrubrik und eine Ja/Nein-Prüfung auf einen gemeldeten Defekt unterstützen. Jede Frage sollte ihr eigenes Kriterium behalten, statt alle drei Beurteilungen in einer einzigen mehrdeutigen Bezeichnung zusammenzufassen.
Eine choice-Frage wählt eine Bezeichnung aus einer ungeordneten Menge und gibt die Verteilung über die benannten Optionen zurück. Definieren Sie Optionen durch Kriterienbeschreibungen; das Ergebnis enthält die gewählte Option, Wahrscheinlichkeiten und Konfidenz. Definieren Sie für die Dokumentenorganisation die möglichen Ordner oder Themen und erläutern Sie, welche Inhalte jeweils dazugehören. Beschreiben Sie für die Anfrageweiterleitung die tatsächlich vorhandenen Ziele. Eine Anwendung kann anhand der resultierenden Bezeichnung ihren nächsten Schritt wählen und dabei die konkurrierenden Wahrscheinlichkeiten zur Prüfung bewahren.
Eine beispielhafte Ablageaufgabe kann eine Produktfrage, ein Integrationsproblem und ein Zugangsproblem unterscheiden, mit einer Sonstiges-Option für Material außerhalb dieser Definitionen. Halten Sie die Grenzen konkret: Eine Nachricht über eine fehlgeschlagene Authentifizierung unterscheidet sich von einer Frage zur Konfiguration einer Funktion. Die zurückgegebene Bezeichnung wählt zwischen bereitgestellten Bedeutungen; sie erstellt kein fehlendes Ziel und führt keine Änderung in einem anderen System aus.
Eine noul-Frage gibt eine Wahrscheinlichkeit von 0 bis 1 dafür zurück, dass die definierte Ja/Nein-Bedingung erfüllt ist. Liquid demonstriert binäre Prüfungen zur Inhaltsprüfung und Passagenrelevanz. Formulieren Sie die Bedingung präzise und wählen Sie, wie die resultierende Wahrscheinlichkeit verwendet werden soll: eine wahrscheinliche Übereinstimmung markieren, eine Passage filtern oder einen unsicheren Fall zur Prüfung schicken. Der Schwellenwert gehört zur verarbeitenden Aufgabe, und eine Wahrscheinlichkeit sollte nicht als garantiertes Faktenurteil behandelt werden.
Stellen Sie für Relevanzfilterung sowohl die Anfrage als auch die mögliche Passage bereit. Fragen Sie, ob diese Passage zur Beantwortung der Anfrage beiträgt, und bewahren Sie anschließend die Originalpassage mit ihrer Wahrscheinlichkeit. Dies kann die Auswahl von Quellmaterial für eine spätere Antwort unterstützen, ohne d1 diese Antwort selbst verfassen zu lassen. Wenn Relevanz mehrere Abstufungen statt einer Ja/Nein-Bedingung benötigt, definieren Sie eine geordnete Rubrik und verwenden Sie eine score-Frage.
Eine score-Frage ordnet den Zustand auf einer Rubrik mit geordneten, beschriebenen Stufen ein. Stufenindizes beginnen bei 0, und der Score ist ihre wahrscheinlichkeitsgewichtete Position, die zwischen Stufen liegen kann. Das Ergebnis enthält außerdem Stufenverteilung und Konfidenz. Definieren Sie für Dringlichkeit die Unterschiede zwischen einem Problem ohne unmittelbare Auswirkungen, einer erheblichen Unannehmlichkeit und einer blockierten Aufgabe. Eine vierstufige Rubrik hat daher die Indizes 0 bis 3; ihr Erwartungswert ist nicht automatisch eine von 1 bis 4 nummerierte Kategorie.
Verwenden Sie den Score mit Nachkommastellen für Sortierung oder Aggregation, wenn dies das beabsichtigte Ergebnis ist, und bewahren Sie die vollständige Verteilung, wenn Mehrdeutigkeit wichtig ist. Kategorien wie Abteilungen haben keine natürliche Reihenfolge und gehören in eine choice-Frage. Konfidenz fasst in der dokumentierten Schnittstelle zusammen, wie eindeutig die ausgegebene Antwort ist; sie sollte vom gewünschten Score der Aufgabe und von einer angenommenen Richtigkeitsgarantie der Entscheidung getrennt bleiben.
Mehrere Fragen können in einem Anbieteraufruf denselben Zustand bewerten, wobei jede ihren Typ und ihre Wahrscheinlichkeiten behält. Liquids Textbeispiele umfassen Support-Ticket-Filterung, Dokumentenablage in einer Ordnertaxonomie, Auswahl von Codesuchpfaden, Auswahl zwischen verfügbaren Agentenaktionen und die Entscheidung, welches Material aus Werkzeugausgaben bewahrt werden soll. All diese Workflows haben eine begrenzte nächste Entscheidung. Ein Codesuchschritt kann anhand von Beschreibungen einen vielversprechenden Ordner wählen; ein Inhaltsauswahlschritt kann für bereitgestelltes Material keep, trim oder drop wählen. Die umgebende Anwendung beschafft weiterhin die Quelldaten und führt den ausgewählten Vorgang aus.
Die dokumentierten Grundoperationen eignen sich für bekannte Ergebnisse, Rubrikbewertungen und Bedingungsprüfungen. Neue Prosa, Zusammenfassungen, Code und ein offenes Gespräch benötigen einen Generierungsablauf und sind nicht durch das d1-Entscheidungsergebnis impliziert. Bereiten Sie eine Frage anhand beobachtbarer Belege vor und bewahren Sie ihre Definitionen zusammen mit der Ausgabe, damit eine Bezeichnung oder ein Score später interpretiert werden kann.
Fokussieren Sie jeden Zustand auf die Belege, die seine definierten Fragen beantworten, und trennen Sie sachfremde Entscheidungsaufgaben, damit ihre Kriterien klar bleiben. Halten Sie Quellmaterial relevant, definieren Sie Auffangbedeutungen für unvollständige Kategorieabdeckung und bewerten Sie Wahrscheinlichkeitsschwellen anhand gekennzeichneter Aufgabenbeispiele. Ein nützliches Artefakt protokolliert die gewählte Kategorie oder den Erwartungswert zusammen mit Verteilung, Fragenidentität und ursprünglichen Belegen.
", "aboutText": "d1 ist das gehostete Entscheidungsmodell von Liquid AI für begrenzte Klassifikations-, Weiterleitungs- und Bewertungsaufgaben. Dieses Profil umfasst seinen Text-Entscheidungsablauf: Stellen Sie die Belege als Zustand bereit, definieren Sie eine oder mehrere Fragen und erhalten Sie typisierte numerische Antworten zu bekannten Ergebnissen. Liquid beschreibt diese Entscheidungen als Bewertungen, die Wahrscheinlichkeiten direkt zurückgeben, mit null generierten Ausgabetokens. Das nützliche Ergebnis ist eine definierte Entscheidung mit ihrer Unsicherheit statt einer neu verfassten Textpassage.\n\n### Belege und Frage gemeinsam vorbereiten\n\nStellen Sie den Text bereit, der die Entscheidung ermöglicht, einschließlich des zum Verständnis nötigen Kontexts. Halten Sie den Zustand von den Anweisungen getrennt, die beschreiben, was bewertet werden soll. Eine Support-Nachricht kann eine Produkt- oder Problembeschreibung benötigen, eine Dokumentpassage die Suchfrage des Nutzers. Definieren Sie die Antwortmenge vor dem Stellen der Frage und geben Sie jeder Option eine zum beabsichtigten Workflow passende Bedeutung. Kurze Bezeichnungen können als stabile Ausgabeschlüssel dienen, während Beschreibungen ihre Grenzen erklären.\n\nVerwenden Sie benannte Fragen zu einem gemeinsamen Zustand. Ein klarer Name wie intent, urgency oder relevant hält die Ausgabe mit der Entscheidung verknüpft, die sie repräsentiert. Eine Nachricht über eine nicht funktionierende Seite kann beispielsweise eine Absichtsauswahl, eine Dringlichkeitsrubrik und eine Ja/Nein-Prüfung auf einen gemeldeten Defekt unterstützen. Jede Frage sollte ihr eigenes Kriterium behalten, statt alle drei Beurteilungen in einer einzigen mehrdeutigen Bezeichnung zusammenzufassen.\n\n### Choice für Kategorien und Weiterleitung\n\nEine choice-Frage wählt eine Bezeichnung aus einer ungeordneten Menge und gibt die Verteilung über die benannten Optionen zurück. Definieren Sie Optionen durch Kriterienbeschreibungen; das Ergebnis enthält die gewählte Option, Wahrscheinlichkeiten und Konfidenz. Definieren Sie für die Dokumentenorganisation die möglichen Ordner oder Themen und erläutern Sie, welche Inhalte jeweils dazugehören. Beschreiben Sie für die Anfrageweiterleitung die tatsächlich vorhandenen Ziele. Eine Anwendung kann anhand der resultierenden Bezeichnung ihren nächsten Schritt wählen und dabei die konkurrierenden Wahrscheinlichkeiten zur Prüfung bewahren.\n\nEine beispielhafte Ablageaufgabe kann eine Produktfrage, ein Integrationsproblem und ein Zugangsproblem unterscheiden, mit einer Sonstiges-Option für Material außerhalb dieser Definitionen. Halten Sie die Grenzen konkret: Eine Nachricht über eine fehlgeschlagene Authentifizierung unterscheidet sich von einer Frage zur Konfiguration einer Funktion. Die zurückgegebene Bezeichnung wählt zwischen bereitgestellten Bedeutungen; sie erstellt kein fehlendes Ziel und führt keine Änderung in einem anderen System aus.\n\n### Noul für Bedingungsprüfungen und Relevanz\n\nEine noul-Frage gibt eine Wahrscheinlichkeit von 0 bis 1 dafür zurück, dass die definierte Ja/Nein-Bedingung erfüllt ist. Liquid demonstriert binäre Prüfungen zur Inhaltsprüfung und Passagenrelevanz. Formulieren Sie die Bedingung präzise und wählen Sie, wie die resultierende Wahrscheinlichkeit verwendet werden soll: eine wahrscheinliche Übereinstimmung markieren, eine Passage filtern oder einen unsicheren Fall zur Prüfung schicken. Der Schwellenwert gehört zur verarbeitenden Aufgabe, und eine Wahrscheinlichkeit sollte nicht als garantiertes Faktenurteil behandelt werden.\n\nStellen Sie für Relevanzfilterung sowohl die Anfrage als auch die mögliche Passage bereit. Fragen Sie, ob diese Passage zur Beantwortung der Anfrage beiträgt, und bewahren Sie anschließend die Originalpassage mit ihrer Wahrscheinlichkeit. Dies kann die Auswahl von Quellmaterial für eine spätere Antwort unterstützen, ohne d1 diese Antwort selbst verfassen zu lassen. Wenn Relevanz mehrere Abstufungen statt einer Ja/Nein-Bedingung benötigt, definieren Sie eine geordnete Rubrik und verwenden Sie eine score-Frage.\n\n### Score für geordnete Stufen\n\nEine score-Frage ordnet den Zustand auf einer Rubrik mit geordneten, beschriebenen Stufen ein. Stufenindizes beginnen bei 0, und der Score ist ihre wahrscheinlichkeitsgewichtete Position, die zwischen Stufen liegen kann. Das Ergebnis enthält außerdem Stufenverteilung und Konfidenz. Definieren Sie für Dringlichkeit die Unterschiede zwischen einem Problem ohne unmittelbare Auswirkungen, einer erheblichen Unannehmlichkeit und einer blockierten Aufgabe. Eine vierstufige Rubrik hat daher die Indizes 0 bis 3; ihr Erwartungswert ist nicht automatisch eine von 1 bis 4 nummerierte Kategorie.\n\nVerwenden Sie den Score mit Nachkommastellen für Sortierung oder Aggregation, wenn dies das beabsichtigte Ergebnis ist, und bewahren Sie die vollständige Verteilung, wenn Mehrdeutigkeit wichtig ist. Kategorien wie Abteilungen haben keine natürliche Reihenfolge und gehören in eine choice-Frage. Konfidenz fasst in der dokumentierten Schnittstelle zusammen, wie eindeutig die ausgegebene Antwort ist; sie sollte vom gewünschten Score der Aufgabe und von einer angenommenen Richtigkeitsgarantie der Entscheidung getrennt bleiben.\n\n### Mehrere Fragen und Anbieteranwendungen\n\nMehrere Fragen können in einem Anbieteraufruf denselben Zustand bewerten, wobei jede ihren Typ und ihre Wahrscheinlichkeiten behält. Liquids Textbeispiele umfassen Support-Ticket-Filterung, Dokumentenablage in einer Ordnertaxonomie, Auswahl von Codesuchpfaden, Auswahl zwischen verfügbaren Agentenaktionen und die Entscheidung, welches Material aus Werkzeugausgaben bewahrt werden soll. All diese Workflows haben eine begrenzte nächste Entscheidung. Ein Codesuchschritt kann anhand von Beschreibungen einen vielversprechenden Ordner wählen; ein Inhaltsauswahlschritt kann für bereitgestelltes Material keep, trim oder drop wählen. Die umgebende Anwendung beschafft weiterhin die Quelldaten und führt den ausgewählten Vorgang aus.\n\n### Umfang und ein nützliches Entscheidungsartefakt\n\nDie dokumentierten Grundoperationen eignen sich für bekannte Ergebnisse, Rubrikbewertungen und Bedingungsprüfungen. Neue Prosa, Zusammenfassungen, Code und ein offenes Gespräch benötigen einen Generierungsablauf und sind nicht durch das d1-Entscheidungsergebnis impliziert. Bereiten Sie eine Frage anhand beobachtbarer Belege vor und bewahren Sie ihre Definitionen zusammen mit der Ausgabe, damit eine Bezeichnung oder ein Score später interpretiert werden kann.\n\nFokussieren Sie jeden Zustand auf die Belege, die seine definierten Fragen beantworten, und trennen Sie sachfremde Entscheidungsaufgaben, damit ihre Kriterien klar bleiben. Halten Sie Quellmaterial relevant, definieren Sie Auffangbedeutungen für unvollständige Kategorieabdeckung und bewerten Sie Wahrscheinlichkeitsschwellen anhand gekennzeichneter Aufgabenbeispiele. Ein nützliches Artefakt protokolliert die gewählte Kategorie oder den Erwartungswert zusammen mit Verteilung, Fragenidentität und ursprünglichen Belegen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "05ef57327399bc888ab0def6715ef364a6e9c8817a6727ca3e9aea2fffbbfaf9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "liquid/d1Der Text-Entscheidungsablauf von Liquid AI d1 bewertet bereitgestellte Belege anhand fester Ergebnisse und gibt Wahrscheinlichkeiten, eine Kategorieauswahl oder einen Rubrik-Score zurück. Er unterstützt Klassifikation, Weiterleitung, Relevanzfilterung und Priorisierung, ohne eine schriftliche Antwort zu erzeugen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
d1 ist das gehostete Entscheidungsmodell von Liquid AI für begrenzte Klassifikations-, Weiterleitungs- und Bewertungsaufgaben. Dieses Profil umfasst seinen Text-Entscheidungsablauf: Stellen Sie die Belege als Zustand bereit, definieren Sie eine oder mehrere Fragen und erhalten Sie typisierte numerische Antworten zu bekannten Ergebnissen. Liquid beschreibt diese Entscheidungen als Bewertungen, die Wahrscheinlichkeiten direkt zurückgeben, mit null generierten Ausgabetokens. Das nützliche Ergebnis ist eine definierte Entscheidung mit ihrer Unsicherheit statt einer neu verfassten Textpassage.
Stellen Sie den Text bereit, der die Entscheidung ermöglicht, einschließlich des zum Verständnis nötigen Kontexts. Halten Sie den Zustand von den Anweisungen getrennt, die beschreiben, was bewertet werden soll. Eine Support-Nachricht kann eine Produkt- oder Problembeschreibung benötigen, eine Dokumentpassage die Suchfrage des Nutzers. Definieren Sie die Antwortmenge vor dem Stellen der Frage und geben Sie jeder Option eine zum beabsichtigten Workflow passende Bedeutung. Kurze Bezeichnungen können als stabile Ausgabeschlüssel dienen, während Beschreibungen ihre Grenzen erklären.
Verwenden Sie benannte Fragen zu einem gemeinsamen Zustand. Ein klarer Name wie intent, urgency oder relevant hält die Ausgabe mit der Entscheidung verknüpft, die sie repräsentiert. Eine Nachricht über eine nicht funktionierende Seite kann beispielsweise eine Absichtsauswahl, eine Dringlichkeitsrubrik und eine Ja/Nein-Prüfung auf einen gemeldeten Defekt unterstützen. Jede Frage sollte ihr eigenes Kriterium behalten, statt alle drei Beurteilungen in einer einzigen mehrdeutigen Bezeichnung zusammenzufassen.
Eine choice-Frage wählt eine Bezeichnung aus einer ungeordneten Menge und gibt die Verteilung über die benannten Optionen zurück. Definieren Sie Optionen durch Kriterienbeschreibungen; das Ergebnis enthält die gewählte Option, Wahrscheinlichkeiten und Konfidenz. Definieren Sie für die Dokumentenorganisation die möglichen Ordner oder Themen und erläutern Sie, welche Inhalte jeweils dazugehören. Beschreiben Sie für die Anfrageweiterleitung die tatsächlich vorhandenen Ziele. Eine Anwendung kann anhand der resultierenden Bezeichnung ihren nächsten Schritt wählen und dabei die konkurrierenden Wahrscheinlichkeiten zur Prüfung bewahren.
Eine beispielhafte Ablageaufgabe kann eine Produktfrage, ein Integrationsproblem und ein Zugangsproblem unterscheiden, mit einer Sonstiges-Option für Material außerhalb dieser Definitionen. Halten Sie die Grenzen konkret: Eine Nachricht über eine fehlgeschlagene Authentifizierung unterscheidet sich von einer Frage zur Konfiguration einer Funktion. Die zurückgegebene Bezeichnung wählt zwischen bereitgestellten Bedeutungen; sie erstellt kein fehlendes Ziel und führt keine Änderung in einem anderen System aus.
Eine noul-Frage gibt eine Wahrscheinlichkeit von 0 bis 1 dafür zurück, dass die definierte Ja/Nein-Bedingung erfüllt ist. Liquid demonstriert binäre Prüfungen zur Inhaltsprüfung und Passagenrelevanz. Formulieren Sie die Bedingung präzise und wählen Sie, wie die resultierende Wahrscheinlichkeit verwendet werden soll: eine wahrscheinliche Übereinstimmung markieren, eine Passage filtern oder einen unsicheren Fall zur Prüfung schicken. Der Schwellenwert gehört zur verarbeitenden Aufgabe, und eine Wahrscheinlichkeit sollte nicht als garantiertes Faktenurteil behandelt werden.
Stellen Sie für Relevanzfilterung sowohl die Anfrage als auch die mögliche Passage bereit. Fragen Sie, ob diese Passage zur Beantwortung der Anfrage beiträgt, und bewahren Sie anschließend die Originalpassage mit ihrer Wahrscheinlichkeit. Dies kann die Auswahl von Quellmaterial für eine spätere Antwort unterstützen, ohne d1 diese Antwort selbst verfassen zu lassen. Wenn Relevanz mehrere Abstufungen statt einer Ja/Nein-Bedingung benötigt, definieren Sie eine geordnete Rubrik und verwenden Sie eine score-Frage.
Eine score-Frage ordnet den Zustand auf einer Rubrik mit geordneten, beschriebenen Stufen ein. Stufenindizes beginnen bei 0, und der Score ist ihre wahrscheinlichkeitsgewichtete Position, die zwischen Stufen liegen kann. Das Ergebnis enthält außerdem Stufenverteilung und Konfidenz. Definieren Sie für Dringlichkeit die Unterschiede zwischen einem Problem ohne unmittelbare Auswirkungen, einer erheblichen Unannehmlichkeit und einer blockierten Aufgabe. Eine vierstufige Rubrik hat daher die Indizes 0 bis 3; ihr Erwartungswert ist nicht automatisch eine von 1 bis 4 nummerierte Kategorie.
Verwenden Sie den Score mit Nachkommastellen für Sortierung oder Aggregation, wenn dies das beabsichtigte Ergebnis ist, und bewahren Sie die vollständige Verteilung, wenn Mehrdeutigkeit wichtig ist. Kategorien wie Abteilungen haben keine natürliche Reihenfolge und gehören in eine choice-Frage. Konfidenz fasst in der dokumentierten Schnittstelle zusammen, wie eindeutig die ausgegebene Antwort ist; sie sollte vom gewünschten Score der Aufgabe und von einer angenommenen Richtigkeitsgarantie der Entscheidung getrennt bleiben.
Mehrere Fragen können in einem Anbieteraufruf denselben Zustand bewerten, wobei jede ihren Typ und ihre Wahrscheinlichkeiten behält. Liquids Textbeispiele umfassen Support-Ticket-Filterung, Dokumentenablage in einer Ordnertaxonomie, Auswahl von Codesuchpfaden, Auswahl zwischen verfügbaren Agentenaktionen und die Entscheidung, welches Material aus Werkzeugausgaben bewahrt werden soll. All diese Workflows haben eine begrenzte nächste Entscheidung. Ein Codesuchschritt kann anhand von Beschreibungen einen vielversprechenden Ordner wählen; ein Inhaltsauswahlschritt kann für bereitgestelltes Material keep, trim oder drop wählen. Die umgebende Anwendung beschafft weiterhin die Quelldaten und führt den ausgewählten Vorgang aus.
Die dokumentierten Grundoperationen eignen sich für bekannte Ergebnisse, Rubrikbewertungen und Bedingungsprüfungen. Neue Prosa, Zusammenfassungen, Code und ein offenes Gespräch benötigen einen Generierungsablauf und sind nicht durch das d1-Entscheidungsergebnis impliziert. Bereiten Sie eine Frage anhand beobachtbarer Belege vor und bewahren Sie ihre Definitionen zusammen mit der Ausgabe, damit eine Bezeichnung oder ein Score später interpretiert werden kann.
Fokussieren Sie jeden Zustand auf die Belege, die seine definierten Fragen beantworten, und trennen Sie sachfremde Entscheidungsaufgaben, damit ihre Kriterien klar bleiben. Halten Sie Quellmaterial relevant, definieren Sie Auffangbedeutungen für unvollständige Kategorieabdeckung und bewerten Sie Wahrscheinlichkeitsschwellen anhand gekennzeichneter Aufgabenbeispiele. Ein nützliches Artefakt protokolliert die gewählte Kategorie oder den Erwartungswert zusammen mit Verteilung, Fragenidentität und ursprünglichen Belegen.
POST /v1/systemonetextdecisions| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits liquid/d1 | Standard— |
Feldprovider | Typschema | AnforderungOptional | Werte und Limits | Standard— |
Feldquestions | Typobject | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsession_id | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldstate | Typschema | AnforderungErforderlich | Werte und Limits | Standard— |
Feldtrace | Typschema | AnforderungOptional | Werte und Limits | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldquestions.<id>.type | Typstring | AnforderungErforderlich | Werte und Limits noul, choice, score | Standard— |
Feldquestions.<id>.instructions | Typstring|object|array | AnforderungErforderlich | Werte und Limits | Standard— |
Feldquestions.<id>.criteria | Typobject|array | AnforderungOptional | Werte und Limits Bedingungen: choice/score: erforderlich; noul: optional. criteria bei choice ist ein Objekt; score ist ein Array mit minItems1. | Standard— |
Feldquestions.<id>.criteria.true | Typstring|object|array | AnforderungErforderlich | Werte und Limits Gilt, wenn: Kriterienobjekt noul bereitgestellt | Standard— |
Feldquestions.<id>.criteria.false | Typstring|object|array | AnforderungErforderlich | Werte und Limits Gilt, wenn: Kriterienobjekt noul bereitgestellt | Standard— |
noul · Erforderlich: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Erforderlich: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Erforderlich: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, state, questions |
Parametermaterial_types | Vertragtext |
Parameteroptional_controls | Vertragprovider, session_id, trace, user |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous
Senden Sie die exakte Modell-ID und bewahren Sie die vollständige native Antwort auf.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00008 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00008 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen $0.00008 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "liquid/d1",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='liquid/d1'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jede gelieferte Antwort mit Frage-ID bleibt mit ihrem genauen Typ, dem noul/choice/score-Wert, der Konfidenz, den Wahrscheinlichkeiten und der Legende erhalten. Das gesamte ursprüngliche JSON wird gespeichert und erst nach der Abrechnung zurückgegeben.
Bewahren Sie den ursprünglichen Vorgang und die vollständige oder teilweise Antwort auf; wiederholen Sie POST nicht.
| Feld | Typ |
|---|---|
Feldmodel | Typstring |
Feldid | Typstring |
Feldprovider | Typstring |
Feldanswers.<id>.type | Typstring |
Feldanswers.<id>.noul | Typnumber |
Feldanswers.<id>.choice | Typstring |
Feldanswers.<id>.score | Typnumber |
Feldanswers.<id>.confidence | Typnumber |
Feldanswers.<id>.probabilities | Typobject |
Feldanswers.<id>.legend | Typobject |
Feldusage.input_tokens | Typinteger |
Feldusage.output_tokens | Typinteger |
Feldusage.cost | Typnumber |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültiges Pflichtfeld, ungültige Darstellung oder ungültiger Wert | Nächster SchrittKorrigieren Sie das angegebene Anfragefeld. |
Ailoot Ultra liquid/d1
Verwenden Sie die oben angezeigten Methodenpfade.