配方 30 动手实践 10 分钟 更新 2026年10月26日
Clairic 与 Jev 处理 100 封退货邮件（UnlockJapan）
外链 UnlockJapan 的 Takuma Yoshida 文章（2026-10-26）：在 100 封退货/退款邮件上，用四种布局组合 Cloudflare Clairic、TypeSafe Jev 1.14 与 Claude Haiku 5.5，并给出准确率、成本与按置信度分流的结果。
这份指南指向哪里
Takuma Yoshida 在 UnlockJapan 发布了 Clairic and Jev on 100 return emails: four experiments（2026-10-26）。任务是按店铺政策对退货/退款邮件分类。政策生效前，必须先读出「发生了什么」以及「顾客想要什么」。实验以不同布局组合 Cloudflare 的 Clairic 抽取模型、TypeSafe Jev（jev-1.14.0）与 Claude Haiku 5.5。
作者在这 100 封邮件上报告的要点：
- 不含 Clairic 的六步 Jev + Python 布局约 78% 准确率，单例约 0.3 秒、每 100 例约 1.5 日元；Haiku 约 91%、3.0 秒、8.1 日元。
- 该布局里，Jev 的决策与政策代码在全部 100 例上一致；差错来自读信，而不是类型化决策步骤。
- 按置信度分流有帮助：在一种博客式布局上，Jev 置信度 ≥ 0.8 的案例准确率约 95%（100 中的 39）。只把这些高置信度案例交给 Jev、其余给人，整体准确率从仅人工的 73% 提到约 80%，人工时间从 30.0 降到 20.8 分钟（阈值是看完结果后划的）。
- 带 Clairic 的读信布局约 68–77%；把 Clairic 读信换成 Jev+Python 后准确率接近（77% → 78%），成本约降到六分之一（每 100 例 8.8 → 1.5 日元）。
本页仅为非官方手册入口——主张请对照原文与 TypeSafe 文档 核验。结果因任务和数据集而异。
建议带走的点
- 把读懂杂乱邮件与按固定政策做决策拆开，并分别测量。
- 优先按置信度分流：只自动处理高置信度 Jev 案例，其余升级人工。
- 在「决策」这一段，类型化决策模型可以比通用大模型更快更便宜，即便端到端准确率暂时落后。