Erupt AI Decision 决策模型 v2.3.0+

erupt-ai-decision 为业务代码提供可直接分支的 AI 判断。它不让大模型写一段话再由你去解析，而是向 System One 决策模型提出类型化的问题，拿回带概率分布的类型化答案：是/否的概率、封闭选项中的赢家、有序等级上的加权位置。代码按阈值分支，无需正则、无需解析 JSON、无需提示词工程。

仓库地址

https://github.com/erupts/erupt/tree/master/erupt-ai/erupt-ai-decision

引入方式

添加依赖（仅依赖 erupt-data-jpa，不需要 erupt-ai，也不读取 upms）：

xml

<dependency>
    <groupId>xyz.erupt</groupId>
    <artifactId>erupt-ai-decision</artifactId>
    <version>${erupt.version}</version>
</dependency>

erupt-spring-boot-starter-all 已包含本模块。

启动后新增 AI 决策 菜单组，下含决策与 决策模型 两个菜单。

它解决什么问题

让大模型判断一张工单"是否紧急"时，常规做法是写提示词、拿回一句话、再用字符串匹配或 JSON 解析去猜它的意思。结果不稳定、无法量化、每次改提示词都可能让解析失效。

决策模型换了一种方式：问题本身带类型，答案是概率分布。你问"这是否紧急？"，拿回的是 0.93 而不是"是的，我认为这很紧急"；你问"该归哪个团队？"，拿回的是 BILLING 以及每个选项的概率。阈值放在代码里，模型只负责判断。

三种基本问题类型（PrimitiveType）：

类型	问什么	答什么	典型用法
NOUL	是 / 否	"是"的概率（0~1）	`yes(0.9)`：概率高于阈值才视为是
CHOICE	从封闭选项集中选一个	赢家 + 全部选项的概率分布	`above(0.8)`：置信度足够才路由，否则转人工
SCORE	在有序等级上处于哪个位置	概率加权的位置，可落在两级之间（如 `1.05`）	情绪 / 风险 / 优先级打分

TIP

NOUL 的答案本身就是概率，不额外报置信度；CHOICE 与 SCORE 的答案携带 0~1 的置信度，用来决定"要不要采纳这个判断"。

配置决策模型

进入 AI 决策 → 决策模型，新建一条模型连接。选择服务商后，表单会自动填入该服务商的默认 API 域名与模型名。

服务商	说明	默认 API 域名	默认模型
TypeSafe Jev	TypeSafe 托管的 System One 模型，按量计费，需要 API Key；CHOICE 最多 255 个选项	`https://api.typesafe.ai`	`jev-latest`
Laya	Convai Innovations 的 Apache 2.0 开源模型，本地部署，见下文本地部署 Laya	`http://127.0.0.1:8000`	`auto`

字段	说明
名称	模型连接名称，`using("名称")` 与 HTTP 接口的 `?model=` 参数都以此寻址
服务商	TypeSafe Jev / Laya
模型	Jev：`jev-latest` 等别名或固定版本；Laya：`auto` / `english` / `multilingual` / `typed-decisions`
API 域名	服务商地址；请求实际发往 `{API 域名}/v1/systemone`
API Key	Jev 必填；Laya 留空，除非 sidecar 启动时设置了 `LAYA_API_KEY`
超时时间（秒）	单次请求超时，默认 15，范围 1~120
最大重试次数	服务商返回限流（429）或过载（529）时按退避重试，默认 2，范围 0~5；优先遵循服务商的 `retry-after`
状态	激活 / 锁定
默认决策模型	只读列；通过行操作「默认决策模型」切换
排序	拖拽排序

默认模型规则：

新建的第一条模型自动成为默认模型；之后通过行操作 默认决策模型 切换，同一时刻只有一条默认。
运行时的模型解析顺序：显式指定的模型 → 决策自带的模型 → 默认模型。
若默认模型被锁定或删除，运行时回退到任意一条已激活的模型；没有任何激活模型时报错 No decision model is configured。
通过名称指定的模型必须处于激活状态，否则报错 No such decision model，不会悄悄改用默认模型。

连接测试：表单中的 连接测试 按钮会向服务商发一个最便宜的 NOUL 问题（"这句话是英文吗？"），弹窗显示实际应答的模型版本与概率，用于验证地址与 Key。

Java API

问题是不可变的值对象，声明为常量即可到处复用；模型在调用之间不保存状态。

java

import xyz.erupt.decision.Decisions;
import xyz.erupt.decision.Decision;
import xyz.erupt.decision.question.Noul;
import xyz.erupt.decision.question.Choice;
import xyz.erupt.decision.question.Score;

// 声明一次，到处复用
static final Noul URGENT = Noul.of("Does this convey urgency?");
static final Choice<Dept> DEPT = Choice.of("Which team should handle this?", Dept.class);
static final Score MOOD = Score.of("How frustrated is the customer?", "Calm", "Frustrated", "Very angry");

// 一个问题，一行代码
if (Decisions.of(ticket).ask(URGENT).yes(0.9)) escalate(ticket);

// 多个问题一次问完：状态只读一次，一次计费，一次往返
Decision d = Decisions.of(ticket).ask(URGENT, DEPT, MOOD);
d.get(DEPT).above(0.8).ifPresentOrElse(this::route, () -> queueForHuman(ticket));

// 运行后台定义的决策，按编码寻址
Decision stored = Decisions.of(ticket).run("ticket_triage");
boolean refund = stored.noul("refund_requested").yes();

// 固定使用某一条决策模型
Decisions.of(ticket).using("模型名称").ask(URGENT);

Decisions.of(state) 接受字符串、对象或数组：对象会以结构化 JSON 交给模型，比拼接字符串更准确。

问题构造方法：

方法	说明
`Noul.of(instructions)`	是/否问题
`Noul.criteria(yesMeans, noMeans)`	可选：说明"是"与"否"各代表什么
`Choice.of(instructions, EnumClass.class)`	选项取自枚举，答案就是枚举常量，不会以裸字符串流入业务代码
`Choice.of(instructions, Map<String, ?> criteria)`	选项内联，每个选项附带"何时适用"的判断标准
`Choice.of(instructions, String... options)`	只用选项名，不附带说明
`Score.of(instructions, level1, level2, ...)`	有序等级，最低的在前，2~10 个

instructions 与各项判断标准都接受字符串、对象或数组。

Criteria 接口：作为 CHOICE 选项的枚举可以实现 xyz.erupt.decision.question.Criteria，让每个常量自己描述适用规则。模型读的是描述而不是常量名，描述过的枚举判断准确得多：

java

enum Dept implements Criteria {
    BILLING("Invoices, refunds, payment failures"),
    TECH("Bugs, errors, integration problems"),
    SALES("Pricing, upgrades, new licenses");

    private final String criteria;
    Dept(String criteria) { this.criteria = criteria; }
    @Override public String criteria() { return criteria; }
}

答案方法：

答案类型	方法	说明
`NoulAnswer`	`value()`	"是"的概率 0~1
	`yes()` / `yes(minProbability)`	概率 ≥ 阈值即为是，默认阈值 0.5
`ChoiceAnswer<T>`	`value()`	赢家选项（枚举常量或选项 key）
	`confidence()`	置信度 0~1
	`probabilities()` / `probability(option)`	全部选项的概率分布 / 某选项的概率
	`above(minConfidence)`	`Optional<T>`：置信度足够返回赢家，否则为空（意味着应转人工）
`ScoreAnswer`	`value()`	加权位置，从 0 开始，可为小数
	`level()` / `label()`	四舍五入后的整数等级 / 该等级的文字标签
	`probability(level)`	某等级的概率
	`above(minConfidence)`	`Optional<Double>`：置信度足够返回位置，否则为空
`Decision`	`get(question)`	代码中提问的答案，类型由问题决定
	`noul(code)` / `choice(code)` / `score(code)`	后台定义的问题，按问题编码读取
	`model()` / `usage()`	实际应答的模型版本 / token 用量（`inputTokens`、`outputTokens`）

在后台定义决策

进入 AI 决策 → 决策，把一组问题保存为一条决策，业务代码、工作流或外部系统按决策编码调用，改判断标准无需发版。

字段	说明
决策编码	唯一；`Decisions.run()` 与 HTTP 接口以此寻址
名称	决策名称
决策模型	可选；留空使用默认决策模型
状态	激活 / 锁定；锁定后不可调用
备注	说明
问题列表	一条决策下的全部问题，一次调用中一起提问

问题列表中每个问题的字段：

字段	说明
问题编码	答案返回时的 key，同一决策内不可重复
排序	提问顺序
类型	NOUL / CHOICE / SCORE
判断说明	让模型对状态判断什么；纯文本，或 JSON 以给出结构
选项	CHOICE 专用：键值列表，每个选项及其适用规则，模型读的是规则
等级	SCORE 专用：有序标签，最低的在前
是的含义 / 否的含义	NOUL 可选：说明"是"与"否"各代表什么
判断标准	只读列，展示实际发给服务商的 JSON

保存时即校验：至少一个问题、每个问题有编码且不重复、每个问题能构造成合法的运行时问题——不合法的判断标准不会拖到生产环境才以服务商报错的形式暴露。

决策测试：行操作 运行测试 打开 决策测试 对话框，在 测试内容 中粘贴一段状态（纯文本或 JSON），点击运行，判断结果 会列出实际应答的模型、token 用量，以及每个问题的答案与对应的判断标准：NOUL 显示是/否与概率，CHOICE 显示赢家、其规则与完整分布，SCORE 显示加权位置、所落等级与全部等级。

在代码中调用后台定义的决策：

java

Decision d = Decisions.run("ticket_triage", ticket);         // 静态快捷方式
Decision d = Decisions.of(ticket).run("ticket_triage");      // 等价写法，可在前面接 using()
d.noul("refund_requested").yes();
d.choice("dept").value();     // 后台定义的 CHOICE 答案为选项 key（String）
d.score("mood").level();

HTTP 接口

两个接口都要求已登录（VerifyType.LOGIN），服务商的 API Key 始终留在服务器端：浏览器、脚本或下游服务都不需要持有 Key 即可获得判断。

运行后台定义的决策

http

POST /erupt-api/decision/{code}?model=模型名称
Content-Type: application/json

{ "state": "Hi, I was charged twice this month and need this fixed today!" }

state 可为字符串、对象或数组；?model= 可选，用于临时指定一条决策模型，省略时按前述解析顺序选择。响应为服务商的原生应答：

json

{
  "model": "jev-2026-06-01",
  "answers": {
    "urgent":  { "noul": 0.93 },
    "dept":    { "choice": "BILLING", "confidence": 0.88,
                 "probabilities": { "BILLING": 0.91, "TECH": 0.06, "SALES": 0.03 } },
    "mood":    { "score": 1.05, "confidence": 0.71,
                 "legend": { "0": "Calm", "1": "Frustrated", "2": "Very angry" },
                 "probabilities": { "0": 0.12, "1": 0.71, "2": 0.17 } }
  },
  "usage": { "input_tokens": 84, "output_tokens": 0 }
}

自带问题的原生请求

http

POST /erupt-api/decision?model=模型名称
Content-Type: application/json

{
  "state": { "subject": "Double charge", "body": "I was charged twice..." },
  "questions": {
    "urgent": { "type": "noul", "instructions": "Does this convey urgency?" },
    "dept":   { "type": "choice", "instructions": "Which team should handle this?",
                "criteria": { "BILLING": "Invoices, refunds", "TECH": "Bugs, errors", "SALES": null } },
    "mood":   { "type": "score", "instructions": "How frustrated is the customer?",
                "criteria": ["Calm", "Frustrated", "Very angry"] }
  }
}

questions 是以问题编码为 key 的对象；type 为 noul / choice / score；criteria 在 CHOICE 中是"选项 → 规则"对象（规则可为 null），在 SCORE 中是有序等级数组，在 NOUL 中是可选的 {"true": ..., "false": ...}。请求中未带 model 字段时，使用所选决策模型行的模型名。

本地部署 Laya

Laya 是 Apache 2.0 开源的 System One 模型，在自己的机器上运行，应答格式与 Jev 一致。它的 Python 包不带 HTTP 服务，erupt 在模块源码的 erupt-ai/erupt-ai-decision/laya/ 目录提供了一个 FastAPI + uvicorn sidecar 与 Dockerfile。

直接运行：

bash

cd erupt-ai/erupt-ai-decision/laya
pip install -r requirements.txt
uvicorn server:app --host 0.0.0.0 --port 8000

Docker：

bash

docker build -t laya-systemone .
docker run -p 8000:8000 -v laya-cache:/root/.cache/huggingface laya-systemone

首次启动会从 Hugging Face 下载模型权重（三个 checkpoint 约 1.5 GB），挂载缓存卷可避免重复下载。GPU 下单个问题约 35 ms，CPU 下 200~500 ms。

在 erupt 中配置：

字段	值
服务商	Laya
API 域名	`http://127.0.0.1:8000`（或 sidecar 实际监听的地址）
模型	`auto`——由 Laya 的路由按状态语言选择 checkpoint（官方推荐）；也可固定为 `english` / `multilingual` / `typed-decisions`
API Key	留空，除非 sidecar 以环境变量 `LAYA_API_KEY` 启动

限制

CHOICE 选项在模型内部共享固定的 token 预算，超过约 20 个选项后准确率急剧下降，完全放不下时 sidecar 返回 HTTP 422。大标签集请改用 Jev（最多 255 个选项），或拆分决策。
上下文长度：english checkpoint 为 512 token，其余两个为 1024 token，过长的状态会被截断。
SCORE 是 Laya 最弱的基本类型，请对分支阈值做校准。

数据表

表名	说明
`e_ai_decision_def`	决策定义：`code`（唯一约束 `uk_decision_def_code`）、`name`、`decision_model_id`、`enable`、`remark`
`e_ai_decision_model`	决策模型连接：`name`、`provider`、`model`、`api_url`、`api_key`、`timeout`、`retries`、`enable`、`default_model`、`sort`、`remark`
`e_ai_decision_question`	决策问题：`decision_def_id`（外键指向决策定义）、`code`、`sort`、`type`、`instructions`、`criteria`

三张表在首次启动时自动建表。

贡献者

YuePeng

Claude Fable 5.1

页面历史

最后编辑于 4 分钟前

查看完整历史

🐴 Erupt Ai Harness

🦞 Erupt Ai Claw

Erupt Upms 权限管理

Erupt Tpl 自定义页面

Erupt Cloud 分布式配置中心

Erupt Report 报表图表 new

Erupt SaaS 多租户

Erupt Flow 流程引擎

Erupt Cube 指标平台

Erupt S3 对象存储

Erupt AI Decision 决策模型 v2.3.0+

引入方式

它解决什么问题

配置决策模型

Java API

在后台定义决策

HTTP 接口

本地部署 Laya

数据表

贡献者

页面历史

Erupt AI Decision 决策模型 v2.3.0+ ​

引入方式 ​

它解决什么问题 ​

配置决策模型 ​

Java API ​

在后台定义决策 ​

HTTP 接口 ​

本地部署 Laya ​

数据表 ​

贡献者

页面历史

Erupt AI Decision 决策模型 v2.3.0+

引入方式

它解决什么问题

配置决策模型

Java API

在后台定义决策

HTTP 接口

本地部署 Laya

数据表