企业官网建设流程全解析

选择TypeSafe三大AI决策原语：TypeSafe Agent Skills中Choice、Noul与Score完全指南

【免费下载链接】skillsAgent skills for building with TypeSafe's System One API项目地址: https://gitcode.com/gh_mirrors/skills60/skills

TypeSafe Agent Skills 是一套面向 Agent 开发者的 AI 决策技能，它将 TypeSafe 的 System One 模型（旗舰模型 Jev）封装成"带类型的判断 + 概率"，让代码可以直接消费 AI 的常识性判断。本文将完整讲解 TypeSafe Agent Skills 中的三大 AI 决策原语——Choice、Noul 与 Score，帮助新手快速判断每个场景该选哪一个，并正确使用它们的概率与置信度。

什么是 TypeSafe Agent Skills：把"AI 常识"变成编程原语 💡

TypeSafe 的核心理念是：把 AI 的智能切成可编程的小单位，像使用编程原语一样使用它们。与"生成一段文字再解析"的传统 LLM 用法不同，System One 模型返回的是快速的、聚焦的判断（typed judgments）和概率，而不是自由文本：

• 代码掌控工作流：规则、计算、精确查找、执行都留在代码里
• 模型提供可编程常识：只在需要语义理解的地方引入 AI 判断
• 输出是结构化的：类型化的答案 + 概率，代码可以稳定组合、复用

这套理念完整写在技能文件 skills/typesafe-ai/SKILL.md 中，它是理解三大原语的最佳起点。

快速上手：三步安装 TypeSafe Agent Skills

安装方式见 README.md，只需两步命令即可完成：

方式一：Claude Code 插件

claude plugin marketplace add typesafe-ai/skills claude plugin install typesafe@typesafe-ai

方式二：其他 Agent（通过 skills.sh）

npx skills add typesafe-ai/skills --skill typesafe-ai

按提示选择你的 Agent 即可；默认安装为项目级，加-g参数可全局安装。安装后直接用自然语言向 Agent 提问即可，例如："用 TypeSafe 把客服工单按部门路由，不确定的交人工复核"。在 Claude Code 中也可以显式调用/typesafe:typesafe-ai。

三大 AI 决策原语一览：Choice、Noul、Score 怎么选 🎯

设计判断时，按"答案的含义"选择原语，这是 SKILL 文件给出的核心选择表（原文见 SKILL.md 选择表）：

一句话记忆：Choice 选一个，Noul 判是否，Score 量程度。

Choice：从选项中挑一个（路由、分派类场景）

适合场景：把请求路由到某个处理分支、工单分派到某个部门、识别用户意图等"从固定集合里选一个"的任务。

• 返回选中的那一个选项，同时给出完整的概率分布，方便代码比较各选项的强弱
• 概率分布"分散"意味着模型认为多个选项都有竞争力——这本身就是有价值的信号
• 注意：低置信度不一定代表答案错误。多个选项本来就合理时（比如无伤大雅的偏好选择），概率天然会分散，此时不必强制人工介入

设计技巧：如果"什么都不匹配"也是一种合法结果，记得把"无匹配"作为一个显式选项保留，否则模型没有退路。

Noul：判断一个条件是否成立（布尔类场景）

适合场景："这条评论是否违规？""该字段是否缺失？""这句话是否包含地址信息？"等是非判断题。

• 返回"是"的概率，没有单独的置信度——概率本身就是判断依据
• ⚠️ 常见误区：Noul 接近 0.5 表示"是"与"否"的概率相当（模型拿不准），而不是"中等程度"。Noul 只回答是否，不衡量强度
• 多个标签可能同时命中时，每个标签单独问一个 Noul：例如"是否含攻击性语言"和"是否含广告"应拆成两个独立判断，它们可以并行执行、互不影响

Score：衡量维度上的程度（排序、分级类场景）

适合场景：文档相关性排序、风险等级评估、情感强度等需要"程度"而非"是否"的任务。

• 返回在有序等级上的概率加权位置，而不是单一数字
• 对同类条目使用可比的 Score（同一套等级定义），就能实现分级排序与筛选
• 设计要点：每个等级必须描述具体情境且能独立成立，避免"一般""较好"这类含糊措辞
• 最大的工程红利：Score 只需打一次分，之后代码可以自由调整权重、阈值、排序和展示视图，甚至无需重新调用模型；这些打分还能作为传统机器学习特征使用（参考 SKILL 文件中的 复合评分模式）

概率与置信度：避免三个高频误用 ✅

SKILL 文件（相关段落）特别强调了使用概率的正确姿势：

1. 置信度 ≠ 正确率。Choice/Score 的置信度只概括"分布的集中程度"，它不代表整个工作流正确，更不是"可以自动执行"的授权——阈值要基于自己的数据和业务后果来定
2. Noul ≈ 0.5 是"拿不准"，不是"中等强度"，别用它当程度计
3. 没走的分支不用看。多个并行判断中，未被采纳分支的不确定性可以直接忽略

此外，独立的问题应基于同一份状态一起发出，它们并行运行、互相看不见答案；只有当"上一个答案决定下一个问题"时才发起第二轮请求——多问会增加 token 消耗，要实测成本与延迟。

动手设计你的第一个判断：三条实用建议 ✍️

来自 SKILL.md 设计章节 的核心建议：

• 每个问题只问一个窄而连贯的判断：独立有用的维度要拆开问，但别把"正在判断的关系"拆碎
• 给足状态（state）：把源文本、身份、关系、策略、当前事实放进命名清晰的字段里；模型无法选择你没提供的候选值
• 把策略留在代码里：原始判断保持可复用，加权和、阈值、"任一严重违规"这类规则都交给代码，改权重时无需重跑推理

延伸阅读：项目内文件导航

三大原语只是起点：把它们围绕用户目标自由组合——路由与填充参数、"选择而非生成"、证据检索与评判、把判断沉淀为可复用数据、校验与人工升级——都能搭出完整的 AI 工作流。现在就可以安装 TypeSafe Agent Skills，让你的 Agent 拥有可编程的常识 🚀

【免费下载链接】skillsAgent skills for building with TypeSafe's System One API项目地址: https://gitcode.com/gh_mirrors/skills60/skills