JEV - 告別提示詞詩學：封閉題怎麼設計

聯合作者：folkbench.com （Folkbench 是面向 AI API、模型服務及相關站點的可覆核評測與選擇平台，依據已發布的服務資料、價格、可用性、延遲與證據窗口，幫助用戶比較並選擇使用路徑。）

這一組共十篇：

• JEV - 關節不需要大腦
• JEV - 系統潤滑劑：控制節點不再生成
• JEV - 從 BERT 到 Jev：分類回到一張分佈
• JEV - 告別提示詞詩學：封閉題怎麼設計
• JEV - 反 Token 經濟學：大廠為什麼不先做
• JEV - 兩個 demo：回來的只是一張分佈
• JEV - 退出環路：置信度寫進程式碼
• JEV - 能力過線之後，更聰明不再是賣點
• JEV - 直覺與理性：有些話不該問關節
• JEV - 從操作螢幕到只出概率

前半場的提示詞像詩學。為了穩定拿到一個 JSON，人們寫角色、寫恐嚇、寫示例、寫 XML。那是在無限的 token 組合裡圍堵。Jev 把圍堵取消了。解空間在推理之前就收攏。你要設計的不是一句更好的咒語，是一份狀態，加上幾道互不干擾的封閉題。是非、單選、檔位夠不夠當語言，取決於你肯不肯把業務拆到這三種形狀裡。

從圍堵到問卷

[ generative ]
prompt (role, examples, format restraints) → infinite tokens → text that can drift

[ Jev ]
state + closed questions (Noul / Choice / Score) → a finite set → one distribution

三種題把能問的話說死：

1. 是非，Noul。要的是“是”的概率，用來卡一個臨界。代碼裡再決定過不過閾值。它不是空值。
2. 單選，Choice。選項事先給死，最多 255 項。每一項後面寫清指什麼。用來做意圖和路由。
3. 檔位，Score。2 到 10 檔，從低到高寫成具體情形。用來表示程度，不用來發明新類別。

格式約束那一類提示詞因此失效。剩下的手藝是狀態怎麼壓，以及一道大題怎麼拆開。

狀態要壓過故事

State 不聽故事。原則是去掉修飾、把時序留清、把事實留住。

評估一個用戶會不會離開，生成式寫法常常是這樣：

你是資深客服。閱讀資料和對話，判斷他是不是要退訂，說明理由，輸出 JSON。資料：張三，VIP3，註冊兩年。用戶說功能又崩了，數據沒了。客服說在修。用戶說算了，告訴我怎麼退款。

問題在角色句和語氣詞。模型要把注意力分給“你是專家”，輸出還會被“算了吧”帶著跑。

Jev 吃的是壓過的狀態：

{
  "user_profile": {"tier": "VIP3", "tenure_months": 24},
  "last_event": {"type": "system_error", "impact": "data_loss"},
  "dialogue_history": [
    {"role": "user", "intent": "complain", "content": "feature crashed, data lost"},
    {"role": "agent", "intent": "apology", "content": "fix in progress"},
    {"role": "user", "intent": "churn_explicit", "content": "asks for a refund and says they will stop"}
  ]
}

原始對話可以留一句原文，但意圖和影響要單獨放出來。模型讀的是一棵狀態，不是一篇作文。

一道業務題拆成三問

“要不要發 50 元券”不是一道封閉題。裡面疊了意圖、火氣、欺詐和成本。Jev 裡一步到位會失敗。拆成三道正交的題，券的政策留給代碼。

state ─┬─ Choice   primary intent
       ├─ Score    negative degree, rungs 1 to 5
       └─ Noul     does this look like farming coupons

意圖

單選。解空間寫成：純技術諮詢、產品建議、故障投訴、惡意索賠。題幹只問這一次交互的主意圖，不問該不該賠。

[State]
{ ...compressed state... }

[Question]
From the dialogue, which class is the primary intent of this turn.

程度

檔位。1 是疑問或輕微不滿，3 是明確不滿並要求解釋，5 是極端情緒或已經提出退款、銷戶。不要只丟一個“1 到 5”給它。每一檔寫成情形。

[State]
{ ...compressed state... }

[Question]
Score the negative degree on these rungs.
1: a question, or a mild complaint
3: a clear complaint that demands an explanation
5: extreme emotion, or a refund or closure already requested

是非

Noul。把近 30 天的索賠次數放進 state，問這一次是否符合薅羊毛的特徵。回來的是概率。過不過線，代碼裡寫閾值。

[State]
{ ...state, plus claim count for 30 days... }

[Question]
Historical claims are greater than 3, and the impact of this incident is low. Does this turn match coupon farming.

代碼只收分佈

下游不再解析一段容易碎的 JSON。三種結果各自是一個數或一張表。業務條件留在函數裡。

intent = jev.choice(
    state=user_state,
    options=["tech_support", "feedback", "complaint", "malicious"],
)
anger = jev.score(state=user_state, rungs=5)
fraud = jev.noul(state=user_state_with_history)

def handle_coupon(intent, anger, fraud):
    if fraud.p_yes >= 0.9:
        return "DENY_AND_HANDOFF"
    if intent.top == "complaint" and anger.expected >= 4:
        return "ISSUE_50_COUPON"
    return "STANDARD_APOLOGY"

模型迭代時，輸出的形狀仍是這三種。格式崩潰不再是一條故障類型。確定性沒有變成“模型永不分錯”。確定性是：分錯也分在你寫好的格子裡，分支仍然可以測試。

修辭退場

維度	生成式提示詞	Jev
手藝	文采、示例、格式咒語	拆業務、壓狀態、劃離散空間
解空間	開放	封閉：Noul / Choice / Score
穩定	靠措辭和溫度	靠結構，輸出天生是分佈
調試	改形容詞、加語氣、補例子	改狀態的字段、把題目再拆正交

是非、單選、檔位夠當一門語言，當且僅當你把“接下來怎麼辦”拆到這三種裡。拆不開的那一截，不是這門語言的失敗，是它不該進關節。那一截留給會說話的模型，或者留給人。

系列

• 上一篇：JEV - 從 BERT 到 Jev：分類回到一張分佈
• 下一篇：JEV - 反 Token 經濟學：大廠為什麼不先做