Jev 生态观察（五）：决策原语的口粮，实时数据与校准判断怎么组合

系列前四篇讲了场景、守门、翻车与基础设施层。收口只剩一个问题：Jev 的三个原语——Noul 判真伪、Choice 选路径、Score 打分——输入都是状态，那状态从哪来？判断层再准，喂不到新鲜、干净、可复核的数据，就是空转。这一篇讲数据层与判断层怎么分工、怎么组合。

先划清边界：本文写的是组合模式的设计判断，不是已上线的产品集成——我们没有推出 Jev 集成，示例都是可复现的起点而非客户案例。

分工边界：两层各管什么

• 数据层负责：把 88 个平台的公开内容可靠采下来——去重、字段规范化、来源与采集时间可追溯、翻页与批量化、失败或空结果不形成最终扣款。
• 判断层负责：把采下来的东西变成可分支的决策——校准概率、选项分布、量规打分、窄问题设计、逐场景阈值校准。

一句话：数据层保证"判的东西是真的、新的、可复核的"；判断层保证"判得快、判得稳、错了可预测"。系列第三篇的教训在这里同样成立——判断层的一切优点，都建立在输入质量上。

三个组合范式

• 评论真伪筛查。批量采集目标内容的评论（例如统一数据 API 的评论批量能力），每条评论作为状态送 Noul 问"这更像真实买家的表述还是模板化刷评"，高置信结果过滤或降权。海量、高频、窄问题——恰好是决策原语的甜点区。
• 口碑质量分桶。多平台评论与评分汇入后，用 Score 按自定义量规（真实性、具体性、情绪强度）打分分桶，驱动口碑监控的告警级别。量规是你定的，判断是校准的，桶是可解释的。
• 舆情信号路由。多平台的提及与搜索结果先经 Choice 分类（需要人工、可自动回复、可忽略），置信度低的转人工，高的进自动流——系列第二篇守门设计的 fail-open 原则直接复用。

一个可运行的起点

组合的第一步不是调判断接口，而是看清数据形状。我们的能力目录是公开的、不需要 key：

curl https://api.everyinfra.com/api/v1/social/catalog

返回里每个能力都带必填参数、可选参数、模式与响应字段清单。以小红书评论为例：comments 与 comments_batch 两个能力，必填 url、可选 page_token 翻页、同步模式、返回列表——这些是本文写作时从目录实读的形状，字段语义以目录的参数释义为准，不在此转述以免漂移。

组合的示意链路：采集评论列表，逐条构造状态（评论文本加必要的上下文字段），送 Noul 一个窄问题，按阈值分桶输出。三段里每一段都可独立替换与复核——这正是分层的意义。计费边界也分层：采集按量计费、失败或空结果不形成最终扣款；判断侧的成本在首篇算过，便宜到可以塞进每一条评论。

什么场景不该组合

沿用系列反复验证的边界：低频、高价值的单个决策用不上校准概率的优势——那是人或通用模型的事；生成类任务别指望决策原语；输入顺序和措辞不稳定时，先修数据层再谈判断层。组合的甜点区等于系列第一篇的甜点区乘以数据规模：海量、高频、窄问题、成本敏感。

系列收口

五篇构成一张完整地图：全貌与方法、最大的场景、信任边界、基础设施层，以及本篇的组合。生态还在每天长，jev-radar 每 3 小时重扫并持续收录。如果你要从数据侧开始搭自己的链路，从统一数据 API 接入指南起步；判断层的窄问题纪律，回头读第三篇的否定清单。