应用场景

这一页帮你头脑风暴：象信可以放在你业务流程的哪些位置。找到最接近的行业，浏览其中的判断示例，再换成你自己的文档、字段和动作。每一条都可以直接改写成一个 Choice、Score 或 Noul 问题。

五类典型用法

用法	说明
AI 自动化流水线	代码掌控流程，象信在关键节点做语义判断。可以在后台无人值守地运行百万次，而不是依赖一个需要人盯着的智能体。
实时交互	单次调用通常在百毫秒量级，可以放进用户请求的同步路径里：输入框实时提示、表单即时校验、游戏里的 NPC 决策。
海量数据的"AI Map-Reduce"	每百万 token ¥0.042 的价格，让"对全量数据逐条做语义判断"变得可行：给十万条评论打标签、在整本合同里逐行检索、给历史工单补分类。
通用校验层	检查其他 AI 的输入、输出、工具调用和引用：越狱检测、幻觉检测、抽取结果核对，花费只是生成式调用的零头。
智能体外壳（Harness）	让你的智能体框架更聪明：选模型、筛上下文、判断工具调用是否合理、识别推理轨迹里的错误。

按行业

电商与零售

• 客服工单分流：属于售后、退款、物流还是账户问题？（Choice，见 电商客服工单分流）
• 顾客情绪打分：平静 / 着急 / 愤怒 / 扬言投诉到监管部门。（Score）
• 评论是否提到"与描述不符""假货""少件"？（每项一个 Noul）
• 商品标题与类目是否匹配、是否含有违规极限词（"最""第一""国家级"）的使用语境？
• 两个店铺的商品是否是同一个 SKU？（Noul，配合代码做价格比对）

金融与保险

• 客户来电纪要中是否提到提前还款、投诉、或疑似被诈骗？
• 理赔材料里的事故描述与保单责任范围是否相符？（Noul）
• 一段营销话术是否包含"保本保息""稳赚不赔"之类的违规承诺？
• 交易备注属于哪种用途：工资、房租、借贷、投资、其他？（Choice）
• 研报段落对某公司的态度：明显看空 / 中性 / 明显看多。（Score）

政务热线与公共服务

• 12345 热线诉求分派到哪个委办局？（Choice，选项可达上百个，配合置信度把拿不准的转人工）
• 诉求是否涉及人身安全、需要当天响应？（Noul）
• 群众留言是否属于重复投诉同一事项？（Noul，把历史工单放进结构化指令里）
• 办理回复是否正面回应了诉求中的每个问题？

内容平台与社区

• 评论是否包含人身攻击、地域歧视、引流广告？（每类一个 Noul，阈值分别设置）
• 违规严重程度：无 / 轻微 / 需删除 / 需封号。（Score）
• 帖子属于哪个频道？（Choice）
• 标题是否"标题党"，与正文内容是否一致？

人力资源

• 简历是否满足硬性条件（学历、年限、证书）？（逐条 Noul，见 简历筛选）
• 候选人某项技能的熟练度：未提及 / 了解 / 日常使用 / 精通。（Score）
• 面试反馈中是否出现了与岗位无关、可能构成歧视的评价？
• 员工离职面谈记录的主要原因归类。（Choice）

法律与合规

• 合同里哪一行规定了违约金？（Choice，把行号作为选项，见 合同条款逐行检索）
• 某条款对我方是否明显不利？风险等级几档？（Score）
• 隐私政策是否说明了数据出境、第三方共享？
• 引用的法条原文是否支持文中的论断？（见 引用核查）

医疗健康信息（非诊断用途）

• 患者咨询属于挂号、报告解读、药品、费用中的哪一类？（Choice）
• 留言中是否出现需要立即就医的危险信号描述？（Noul，高召回阈值 + 人工复核）
• 科普文章是否包含未经证实的疗效宣称？

注意

象信给出的是概率判断，不是医疗、法律或金融意见。高风险场景请设置保守的阈值，并保留人工复核环节。

游戏与互动娱乐

• NPC 根据玩家输入决定行动：交易 / 战斗 / 离开 / 继续对话。（Choice，实时调用）
• 玩家聊天是否在骚扰他人、是否在进行现实交易？
• 玩家反馈是 Bug、平衡性意见还是充值问题？

开发者工具与 AI 基础设施

• 大模型的输入有没有提示词注入？输出有没有泄露系统提示词？（见 大模型输入输出护栏）
• RAG 检索回来的每一段是否真的与问题相关？（见 RAG 段落过滤）
• 用户的自然语言指令该调用哪个函数、参数取什么枚举值？（见 函数调用）
• 这条请求难度如何，值得交给更贵的推理模型吗？（见 意图路由）
• 代码评审：这次改动是否修改了鉴权逻辑？是否新增了网络请求？

常见任务类型

不管在哪个行业，大部分用法都能归到下面几类：

任务	常用原语	例子
分类 / 路由	Choice	工单分派、意图识别、文档类型
打分 / 排序	Score	相关度、严重程度、质量
条件检查	Noul	是否含敏感信息、是否满足某条规则
候选挑选	Choice	从正则抽出的候选里挑正确值、从检索结果里挑最佳段落
一致性核查	Noul	引用是否支持结论、两条记录是否指同一实体
特征提取	多个 Noul / Score	把一段自由文本变成几十个数值特征，喂给传统机器学习模型

从想法到流程

1. 写下业务里那个"需要人看一眼才能决定"的环节。
2. 把它拆成几个一眼就能回答的小问题（见 如何用象信构建）。
3. 在 Playground 里用几条真实样本试问法。
4. 收集一两百条带标签的样本，评估准确率并确定置信度阈值。
5. 上线时把低置信度样本路由给人工或更强的模型，并持续回收标注。