模型回答之后
Jev 这类决策模型能读懂客户的一段话，给出判断和置信度。退不退款、要不要人工看，还要看金额、期限和你们的政策，这一步写在规则里。
退款分流规则包
Ordo把判断变成决策
开源决策引擎。模型和评分告诉你发生了什么，Ordo 决定接下来怎么做。规则带测试、带版本，改之前先看会影响哪些决策。
Skip to content
代码里的一个 0.85
python
if jev.confidence > 0.85:
refund(order)这一行决定谁能拿回钱。它通常没经过 review，也没有测试，模型一升级，0.85 的含义就变了。
Jev 能读懂客户想退款，但它不知道你们的退款期限、金额上限，也不知道多大把握才敢不经人工直接退钱。这一步是决策，交给 Ordo。
一条规则长什么样
退款请求怎么处理，写成一张决策表：
yaml
config:
name: refund
version: 1.0.0
entry_step: route
steps:
route:
id: route
name: 退款怎么处理
type: decision_table
inputs: [jev.intent.choice, jev.intent.confidence, order.amount, order.days_since_delivery]
outputs: [action]
rules:
- when: ["*", "*", "*", "> 30"]
then: [HUMAN_REVIEW]
- when: [refund, ">= 0.85", "<= 200", "*"]
then: [AUTO_REFUND]
- when: [refund, ">= 0.6", "*", "*"]
then: [LLM_DRAFT]
default: [HUMAN_REVIEW]
next_step: done
done:
id: done
name: 完成
type: terminal
result:
code: OK
output:
- [action, $action]bash
$ ordo exec --rule refund.yaml --input '{"jev":{"intent":{"choice":"refund","confidence":0.72}},
"order":{"amount":129,"days_since_delivery":1}}'
code: OK
output: {
"action": "LLM_DRAFT"
}Jev 有 0.72 的把握客户想退款，规则认为这还不够直接动钱，所以让 LLM 起草回复，再由客服确认。改门槛只需要改这张表，再跑一遍测试，调用方的代码不用动。
改之前先看影响
有人提议把自动退款的门槛从 0.85 降到 0.80。在 jev-routing 规则包里改完，12 个测试全部通过。ordo impact 把改动和上一个提交放在一起跑：
text
$ ordo impact refund-routing
impact refund-routing (HEAD → working tree)
309 inputs: 12 tests, 0 captured, 297 boundary probes
LLM_DRAFT → AUTO_REFUND 18 inputs
LLM_DRAFT → HUMAN_REVIEW 3 inputs
…
21 changed · 288 unchanged测试都过了，但有 18 个原本要人确认的请求，现在没人看就直接退钱了。加上 --inputs 用真实请求跑一遍，看到的就是真实客户的数量，而且是在改动上线之前。
用在哪里
- 决策模型之后：Jev 这类模型读懂客户消息、工单或评论，规则决定退款、转人工还是直接处理。
- 定价、优惠、积分：规则常改，又必须算对。
- 风控、准入、审批：每次判断都要能解释、能审计。
- 路由与分配：订单、工单、支付通道的分派逻辑。
- AI Agent 的权限边界：Ordo Guard 用同一个引擎，在 Claude Code、Codex CLI、Cursor 执行命令前做放行、拒绝或询问的判断。
从哪里开始
- 第一次用：快速上手，五分钟写出并运行第一条规则。
- 想了解概念：Ordo 是什么。
- 团队协作和可视化编辑：Studio 与平台。