Puntuación compuesta
Divide un juicio en puntajes atómicos y combínalos con pesos que tú controlas — compuestos calculados por Dcision y utilizables en políticas. Basado en la plantilla Resume Screening.
Divide un juicio complejo en dimensiones independientes, puntúa cada una por separado y combínalas con pesos que tú controlas — en la decisión, no en un prompt. Una pregunta amplia ("¿es este un buen candidato?") esconde varios juicios detrás de una sola respuesta; los puntajes atómicos los exponen para que puedas inspeccionarlos, ajustarlos y combinarlos.
Beneficios: costo, fiabilidad y velocidad. Guía de TypeSafe: Composite scoring.
Por qué funciona
- Cada dimensión es una pregunta pequeña y literal — el tipo que Jev responde mejor — y todas vuelven en una sola llamada.
- Las matemáticas quedan fuera del modelo. Dcision calcula la combinación ponderada con exactitud; Jev es bueno juzgando y flojo en aritmética.
- Puedes ver cómo se construyó un puntaje. Cada término está en la respuesta, así que cuando el ranking te sorprende, sabes qué dimensión — o qué peso — cambiar.
- Varios rankings a partir de las mismas respuestas. Dos compuestos sobre las mismas cuatro preguntas no cuestan nada extra: ninguna pregunta nueva, ninguna llamada nueva al motor.
Cuándo usarlo
Clasificar o calificar con varios criterios: score de leads, encaje de currículum, riesgo de proveedores, calidad de contenido, la prioridad de un backlog. Siempre que escribirías "considera A, B y C" en una sola instrucción, pregunta A, B y C por separado y combínalos.
Cómo se traduce a Dcision
| En la guía de TypeSafe | En Dcision |
|---|---|
| Una pregunta de puntaje por dimensión | Una pregunta score (o probability, o choice) por dimensión |
py = answers["python_depth"].score / 4 | Automático: un término de puntaje se normaliza a 0–1 como (weighted level − 1) / (levels − 1) |
ic_score = 0.40 * py + 0.10 * lead + … en tu código | Un compuesto con esos pesos: Σ(weight × value) / Σ|weight| |
| Ordenar y filtrar en código | Lee composites en la respuesta y usa los compuestos en reglas para definir la action |
Constrúyelo
En la app
Abre Plantillas y elige Evaluación de currículums (puntuación compuesta). Nombra la decisión Resume Screening para que su slug sea resume-screening y luego haz clic en Crear decisión.
El State tiene un campo string obligatorio, resume.
Cuatro preguntas score, de cinco niveles cada una, una por dimensión:
| Pregunta | Niveles, del más bajo al más alto |
|---|---|
python_depth | none, basic, working, strong, expert |
team_leadership | none, informal, tech lead, manager, manager of managers |
system_design | none, basic, working, strong, expert |
generalist | narrow, some, broad, very broad, full stack and ops |
En la tarjeta Compuestos (pestaña Editor), haz clic dos veces en Agregar compuesto:
senior_ic— Senior IC fit: depth and design first: 0.4 ×python_depth+ 0.1 ×team_leadership+ 0.4 ×system_design+ 0.1 ×generalist.eng_manager— Engineering Manager fit: leadership first: 0.15 ×python_depth+ 0.4 ×team_leadership+ 0.2 ×system_design+ 0.25 ×generalist.
En Políticas, los compuestos aparecen bajo Compuestos en la lista de campos:
- IF
senior_ic≥ 0.7 — THENcontinue. - IF
eng_manager≥ 0.7 — THENcontinue. - IF
senior_ic< 0.35, + ANDeng_manager< 0.35 — THENblock. - IF
senior_ic< 0.7 — THENescalate: la franja intermedia va a un reclutador.
Prueba algunos currículums en el Playground — la tarjeta Compuestos muestra ambos valores — y luego Publicar v1.
El schema de la decisión
{
"stateSchema": {
"kind": "object",
"fields": [{ "key": "resume", "type": "string", "required": true, "description": "Resume text" }]
},
"questions": [
{ "key": "python_depth", "type": "score", "instructions": "How deep is the candidate's Python experience?", "scale": ["none", "basic", "working", "strong", "expert"] },
{ "key": "team_leadership", "type": "score", "instructions": "How much team leadership has the candidate shown?", "scale": ["none", "informal", "tech lead", "manager", "manager of managers"] },
{ "key": "system_design", "type": "score", "instructions": "How strong is the candidate's system design experience?", "scale": ["none", "basic", "working", "strong", "expert"] },
{ "key": "generalist", "type": "score", "instructions": "How broad is the candidate's experience across the stack?", "scale": ["narrow", "some", "broad", "very broad", "full stack and ops"] }
],
"composites": [
{
"key": "senior_ic",
"description": "Senior IC fit: depth and design first",
"terms": [
{ "question": "python_depth", "weight": 0.4 },
{ "question": "team_leadership", "weight": 0.1 },
{ "question": "system_design", "weight": 0.4 },
{ "question": "generalist", "weight": 0.1 }
]
},
{
"key": "eng_manager",
"description": "Engineering Manager fit: leadership first",
"terms": [
{ "question": "python_depth", "weight": 0.15 },
{ "question": "team_leadership", "weight": 0.4 },
{ "question": "system_design", "weight": 0.2 },
{ "question": "generalist", "weight": 0.25 }
]
}
],
"policies": [
{ "field": "senior_ic", "on": "output", "operator": "gte", "value": 0.7, "action": "continue" },
{ "field": "eng_manager", "on": "output", "operator": "gte", "value": 0.7, "action": "continue" },
{
"field": "senior_ic",
"on": "output",
"operator": "lt",
"value": 0.35,
"and": [{ "field": "eng_manager", "on": "output", "operator": "lt", "value": 0.35 }],
"action": "block"
},
{ "field": "senior_ic", "on": "output", "operator": "lt", "value": 0.7, "action": "escalate" }
]
}Llámala
curl -X POST https://api.dcision.io/v1/decisions/resume-screening \
-H "Authorization: Bearer $DCISION_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: candidate-3307" \
-d '{
"state": {
"resume": "8 years building Python services (Django, FastAPI). Designed the event pipeline for 20M users at a fintech. Tech lead of 4 engineers for 2 years. Some Terraform and on-call experience."
}
}'{
"decision_id": "dec_Hn6Vx2Kq8Zt4Wm1Lp7Rc",
"execution_id": "exec_Cs9Lw3Tq7Xm1Vn5Kd8Pz",
"schema": "resume-screening",
"version": 1,
"result": {
"python_depth": "strong",
"team_leadership": "tech lead",
"system_design": "strong",
"generalist": "broad"
},
"confidence": {
"python_depth": 0.625,
"team_leadership": 0.8167,
"system_design": 0.75,
"generalist": 0.7083
},
"scores": {
"python_depth": 4.35,
"team_leadership": 3.02,
"system_design": 4.1,
"generalist": 2.85
},
"composites": { "senior_ic": 0.7418, "eng_manager": 0.5982 },
"action": "continue",
"action_reason": { "type": "policy", "rule": 0 },
"metrics": {
"latency_ms": 391,
"engine": "jev",
"model": "jev-1.13.0",
"estimated_cost_usd": 0.0000189,
"input_tokens": 450,
"output_tokens": 47
}
}Cómo se construyó senior_ic a partir de los niveles ponderados en scores — cinco niveles, así que cada término es (level − 1) / 4:
python_depth (4.35 − 1) / 4 = 0.8375 × 0.4
team_leadership (3.02 − 1) / 4 = 0.505 × 0.1
system_design (4.10 − 1) / 4 = 0.775 × 0.4
generalist (2.85 − 1) / 4 = 0.4625 × 0.1
senior_ic = 0.335 + 0.0505 + 0.31 + 0.04625 = 0.74175 → 0.7418 (the weights add up to 1)senior_ic es 0.74, por encima de 0.7: la regla 0 coincidió y el candidato avanza como Senior IC. Ten en cuenta que result contiene el nivel más probable de cada pregunta, mientras que los compuestos usan el nivel ponderado — python_depth es strong, pero con un 40% en expert su nivel ponderado es 4.35.
Actúa en consecuencia
Ordena a los candidatos por el compuesto del puesto que estás contratando y deja que la acción elija el siguiente paso:
const screened = await Promise.all(resumes.map((resume) => decide("resume-screening", { resume: resume.text })));
const shortlist = screened
.map((decision, index) => ({ candidate: resumes[index], decision }))
.filter(({ decision }) => decision.action !== "block")
.sort((a, b) => b.decision.composites.senior_ic - a.decision.composites.senior_ic)
.slice(0, 10);Aquí decide es un pequeño wrapper alrededor de POST /v1/decisions/{slug} — consulta Reintentos idempotentes para uno listo para producción.
Ajústalo
- Cambia los pesos, no las instrucciones. Si los mejores candidatos no coinciden con lo que esperas, ajusta los pesos y despliega una nueva versión; las preguntas — y su calibración — siguen iguales.
- Describe cada nivel. Las etiquetas cortas funcionan, pero una rúbrica por nivel es más clara para el motor. Un nivel estructurado mantiene la etiqueta corta en la API:
{ "label": "strong", "rubric": "primary language across several projects" }. - Agrega dimensiones como preguntas. Un nuevo criterio es una pregunta más y un término más — sigue siendo una sola llamada.
- Usa pesos negativos para las señales de alerta, por ejemplo
− 2 × job_hoppingen un compuesto. - Usa umbrales, no interpoles. Un nivel ponderado de 4.35 significa "entre strong y expert, más cerca de strong" — sirve para ordenar y para umbrales, no para reconstruir un número exacto de años.
- Mantén a una persona en el proceso. La evaluación afecta a personas: la franja intermedia se escala, e incluso
continuedebería llevar a una entrevista con una persona, no a una decisión automática.
Relacionado: Compuestos · Calificación de leads
Enrutamiento filtrado por confianza
Usa la confianza como segundo eje — la respuesta dice qué, la confianza dice si actuar — con una confianza mínima por pregunta y reglas AND por acción. Basado en la plantilla Voice Banking.
Enrutamiento por intención
Clasifica cada solicitud en una llamada rápida y envíala al manejador capaz más barato — código, un LLM especializado o una persona. Basado en la plantilla Enrutador de atención al cliente.