Jev 101
开始指南
搜索
中文 EN
检索 ✦ 93大纲示例手册自报的指标——请在你的语料库上校准

RAG 段落门控

检索后按段落 Noul 过滤；代码组装 accepted/conflict 再生成。

适用人群：RAG／搜索工程师。步骤：检索前 k 项 → 对每个段落使用 Noul（相关／可用证据／与前提矛盾／注入）→ 在代码中调用 route() → 用接受的段落块与冲突段落块构建提示词 → LLM 回答。预期效果：剔除注入和离题内容；呈现前提冲突；示例手册展示了相比仅按相似度排名的重新排序（示例手册自报）。

来源：TypeSafe · classifying_rag_passages ↗ 文档 / 来源 ↗
1

复制提示词（保留英文原文效果最好）。

2

在代码里实现——调用 System One / Jev，由你的程序组合答案。

3

回答它的设置问题——大多数提示词会先采访你，然后进入固定节奏。

提示词

提示词 
Audience: RAG / search eng.
Steps:
1) Retrieve top-k candidates.
2) Per passage: Nouls relevant, usable_evidence, contradicts_premise, injection.
3) Code route(): accept / conflict / drop.
4) Build LLM prompt with separate accepted vs conflict blocks.
Expected effect: cleaner context than similarity rank alone (cookbook-reported).
Cross-link: Hands-on [RAG filtering](/guides/rag-filtering/).

需要授权：typesafe-sdkyour-retriever

它是怎么搭起来的

这是目录卡片；动手实践保留具体配方。来源：classifying_rag_passages · rerank_typesafe · awesome-jev-usecases · Search。

建议的路由顺序：注入 → 冲突 → 证据充分性。交叉链接：动手实践 RAG 段落过滤。

来源（第二轮补充）

为什么它好用

嵌入衡量接近程度；Jev 判断段落是否是可用证据。

本案例收集自公开的 Jev 社区，版权归原作者所有。提示词属于参考资料：运行前请先审阅内容， 并且不要让机器人超出你实际授予的权限行事。