第 15 期 · 让 AI 判断回到 if 语句里
国内低代码平台给工作流加 AI,最常见的形态是一个"大模型节点":输入提示词,输出一段文本,下游条件分支再对这段文本做字符串匹配。erupt-ai-decision 这两周进了主仓,它不产出文本,只回答三种类型化的问题——是 / 否、多选一、有序打分——每个答案都带一个概率分布。我们的判断是:模型负责"有多像",代码负责"算不算",阈值永远不该交给模型。
发布于 2026-10-01 · 阅读 ~10 min

每期专题首发于此,另有版本动态、源码解读、社区精选案例。
一、为什么写这篇
后台系统里大部分 AI 需求,拆到最后都不是"生成",而是"判断":这张工单急不急、该派给哪个组、客户有多生气、这条退款申请要不要人工复核。
判断的下游是一条 if。而大模型天生的输出是一段话。两者之间的那层胶水——提示词里写"只回答是或否"、拿回结果后 contains("是")、再兜底处理"是的,但是……"——就是今天大多数 AI 工作流里最脆弱的一环。
第 01 期写了 erupt-ai 的 Harness:50+ 模型、A2A、Memory,回答的是"怎么让 Agent 跑起来"。这一期的 erupt-ai-decision 回答的是另一个问题:当业务代码只需要一个能分支的值时,为什么还要经过一段文本?
它在 2ee84e8eb Add erupt-ai-decision: typed judgements a program can branch on 里进入主仓,随后 a95daf280 加入了可本地部署的 Laya。整个模块不依赖 erupt-ai,只依赖 erupt-data-jpa。
二、两种范式:文本节点 vs 类型化判断
| 文本节点范式 | 类型化判断范式(erupt-ai-decision) | |
|---|---|---|
| 你提交给模型的 | 一段提示词,里面夹着"请只输出 A/B/C" | 一个状态 + 若干带类型的问题 |
| 模型返回的 | 一段文本(或一段你希望它合法的 JSON) | { "noul": 0.93 }、{ "choice": "BILLING", "probabilities": {...} } |
| 阈值在哪 | 隐含在模型"觉得是"的那一刻 | 写在调用方代码里:yes(0.9)、above(0.8) |
| 不确定时 | 模型照样给一个答案,你看不出它在犹豫 | 置信度低 → Optional.empty() → 转人工 |
| 改判断标准 | 改提示词,祈祷解析逻辑还能用 | 改问题的 criteria,答案结构不变 |
关键区别在第三行。文本范式里,"0.51 的把握"和"0.99 的把握"都会被模型压成同一个"是",信息在模型内部就丢了。类型化范式把这一刀留给调用方:同一个 URGENT 问题,客服派单可以用 0.6,自动退款必须 0.95——阈值是业务风险的函数,不是模型能力的函数。
三、可数的事实
| 项 | 数字 | 来源 |
|---|---|---|
| 基本问题类型 | 3 种:NOUL / CHOICE / SCORE | xyz.erupt.decision.constant.PrimitiveType |
| CHOICE 选项上限 | 255 | DecisionConst.MAX_CHOICE_OPTIONS |
| SCORE 等级数 | 2 ~ 10 | DecisionConst.MIN_SCORE_LEVELS / MAX_SCORE_LEVELS |
| 内置服务商 | 2 个:TypeSafe Jev(托管)、Laya(本地开源) | xyz.erupt.decision.core.Jev / Laya |
| 线协议 | 1 个 POST:{api}/v1/systemone | HttpDecisionCore.PATH |
| 自动重试的状态码 | 429、529 | HttpDecisionCore.RETRYABLE |
| 入口 | 3 个:Java API、后台定义的决策、HTTP 接口 | Decisions / DecisionDef / DecisionController |
| 新增表 | 3 张:e_ai_decision_def / _model / _question | 模块 model/ 包 |
三种问题类型是刻意的小。凡是"判断",最后都能落到这三种形状之一:真假、分类、程度。再多一种,调用方就要多学一种答案的读法。
四、答案是类型,不是字符串
Question<A extends Answer> 用泛型把"问题"和"答案类型"绑死。问一个 Choice<Dept>,拿回的是 ChoiceAnswer<Dept>,里面的 value() 就是枚举常量——业务代码里永远不会出现一个裸的 "BILLING" 字符串。
package com.example.ticket;
import xyz.erupt.decision.Decision;
import xyz.erupt.decision.Decisions;
import xyz.erupt.decision.question.Choice;
import xyz.erupt.decision.question.Criteria;
import xyz.erupt.decision.question.Noul;
import xyz.erupt.decision.question.Score;
public class TicketTriage {
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; }
}
// Questions are immutable values: declare once, reuse everywhere
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");
public void triage(Ticket ticket) {
// One round trip, one charge: the state is read once and every question answered against it
Decision d = Decisions.of(ticket).ask(URGENT, DEPT, MOOD);
if (d.get(URGENT).yes(0.9)) escalate(ticket);
d.get(DEPT).above(0.8).ifPresentOrElse(dept -> route(ticket, dept), () -> queueForHuman(ticket));
if (d.get(MOOD).value() > 1.5) notifyLead(ticket);
}
}这里有三处设计值得停一下:
d.get(DEPT)的返回类型是编译期确定的。Decision内部用一个IdentityHashMap<Question<?>, String>记住"哪个问题对象对应哪个答案 id",get(Question<A>)直接返回A。你不可能把MOOD的答案当成NoulAnswer去读——编译器不让。Answer是sealed interface,只permits NoulAnswer, ChoiceAnswer, ScoreAnswer。下游如果要switch所有答案类型,不存在第四种漏网之鱼。- 枚举实现
xyz.erupt.decision.question.Criteria,每个常量自己带一句"何时适用"。Choice.of(..., Dept.class)会把criteria()而不是常量名发给模型——模型读的是规则,代码读的是常量。
反直觉的一点
NoulAnswer 没有独立的置信度字段。源码里它的 confidence() 是 Math.abs(value - 0.5) * 2:离硬币正反面越远,越有把握。一个是 / 否问题的"答案"和"把握"本来就是同一个数,再让模型额外报一个 confidence 只会多一个可以不一致的地方。
五、"不确定"是一等公民
文本范式最大的问题不是答错,而是答错时看起来和答对一模一样。
erupt-ai-decision 把"不确定"做成了返回值的一部分。ChoiceAnswer 与 ScoreAnswer 都有:
public Optional<T> above(double minConfidence) {
return this.confident(minConfidence) ? Optional.of(value) : Optional.empty();
}Optional.empty() 不是异常,是一条正常分支——它的语义就是"转人工"。于是一段派单逻辑天然分成三段:高把握自动处理、低把握排队、中间带由阈值决定。这和你在风控、反作弊里写了十年的打分卡逻辑是同一种形状,只是分数现在来自一个模型。
ScoreAnswer 还多做了一步:它不四舍五入。value() 是概率加权后的位置,1.05 在"平静 / 不满 / 愤怒"三档上读作"不满,带一点火气"。想要整数就调 level(),想要标签就调 label()——取整这个动作,同样交还给调用方。
后台定义的决策把同样的类型系统搬到了数据行上。xyz.erupt.decision.model.DecisionDef 是一个普通的 @Erupt 实体,问题列表是 TAB_TABLE_ADD 子表;DecisionQuestion 按 type 用 @Dynamic 切换编辑组件——CHOICE 显示键值列表,SCORE 显示有序标签,NOUL 显示两行"是 / 否的含义"。保存时 DecisionDefDataProxy 会把每一行用 Question.of(type, instructions, criteria) 真正构造一遍:criteria 不合法,保存就失败,而不是等到生产环境被服务商 422 打回来。
Decision d = Decisions.run("ticket_triage", ticket);
boolean refund = d.noul("refund_requested").yes(0.85);
String dept = d.choice("dept").value(); // stored definitions answer with the option key代码、工作流、外部服务(经 POST /erupt-api/decision/{code})调的是同一条定义。改判断标准是运营在后台改一行,不是研发发一个版本;而服务商 API Key 始终只在服务器端。
六、跟宜搭 / 简道云 / JeecgBoot / Dify 怎么比?
下表对比的是各平台在"让 AI 做一个可分支的判断"这件事上的典型做法,依据为各家截至发稿的公开文档;具体能力以对方最新版本为准。
| 维度 | 宜搭 / 简道云 / 明道云(工作流 AI 节点) | JeecgBoot(AI 流程编排) | Dify(问题分类器节点) | Erupt(erupt-ai-decision) |
|---|---|---|---|---|
| 输出形态 | 文本字段,下游条件节点按文本匹配 | LLM 节点文本 / JSON 输出 | 选中一个分类,走对应分支 | 类型化答案:概率 / 赢家 + 分布 / 加权位置 |
| 是否给出概率 | 否 | 否 | 否,只给分类结果 | 是,每个选项都有概率 |
| 阈值归属 | 模型内部隐式决定 | 模型内部隐式决定 | 模型内部隐式决定 | 调用方代码:yes(0.9) / above(0.8) |
| "拿不准"怎么表达 | 无专门通道 | 无专门通道 | 无专门通道 | Optional.empty(),一条正常分支 |
| 在业务代码里的形态 | 平台内节点,难以被 Java 代码直接调用 | 流程内节点 | 外部 API,返回 JSON | Decisions.of(x).ask(Q),返回 Java 类型 |
| 本地化部署 | 依平台方案 | 可接本地模型 | 可接本地模型 | Laya sidecar,Apache 2.0,GPU 单题约 35 ms |
LangChain4j 的结构化输出(让 AiServices 返回一个 POJO 或枚举)离我们最近——erupt-ai 本身就跑在 LangChain4j 上。区别仍在第二、三行:结构化输出保证了形状,但没有给出分布;一个枚举返回值告诉你模型选了 TECH,不告诉你 BILLING 只差 0.02。
什么时候不该用它
需要生成文本(回复草稿、摘要、SQL)时,请用 erupt-ai 的对话与 Agent。erupt-ai-decision 只回答三种问题;它的价值恰恰在于不能做别的。
七、5 分钟上手
模块本身只有一个依赖,erupt-spring-boot-starter-all 已经包含它:
<dependency>
<groupId>xyz.erupt</groupId>
<artifactId>erupt-ai-decision</artifactId>
<version>${erupt.version}</version>
</dependency>启动后进入 AI 决策 → 决策模型 新建一条连接:用托管的 Jev 就填 API Key;想完全离线,按 erupt-ai-decision 模块文档 起一个 Laya sidecar,API 域名填 http://127.0.0.1:8000,Key 留空。表单里的 连接测试 会发一个最便宜的 NOUL 问题验证连通。
如果你还没有一个能跑的 Erupt 工程,从这里开始:
那一页覆盖 Maven 依赖、application.yml、第一个 @Erupt 实体、默认登录账号,以及 Docker / K8S 部署。
跑通之后,把 §四 的 TicketTriage 粘进去,换成你自己的实体当 state——对象会以结构化 JSON 交给模型,比拼字符串更准。
八、下一期预告
这一期讲的是"把 AI 的输出收窄成一个能分支的值"。同一周主仓里还有一个方向相反的改动:erupt-data-http 加了 EruptHttpAdapter 生命周期钩子和 listPath / totalPath 信封解包,把任意一个 REST 接口"放宽"成一张能增删改查的 @Erupt 表。下一期我们聊:当数据不在你的数据库里,后台框架应该把多少适配逻辑留给你——以及宜搭"连接器"、明道云"API 集成"为什么走了另一条路。
参与讨论
本期涉及的源码:erupt-ai/erupt-ai-decision/(Decisions、Decision、question/、answer/、core/DecisionCore、core/HttpDecisionCore、model/DecisionDef、model/DecisionQuestion),Laya sidecar 在同目录的 laya/。
如果你在业务里已经有"AI 判断 + 人工兜底"的流程,欢迎到 GitHub Discussions 分享你的阈值是怎么定的——我们想收集几组真实的校准数据。