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 TypeSafeEn Dcision
Una pregunta de puntaje por dimensiónUna pregunta score (o probability, o choice) por dimensión
py = answers["python_depth"].score / 4Automático: 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 códigoUn compuesto con esos pesos: Σ(weight × value) / Σ|weight|
Ordenar y filtrar en códigoLee 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:

PreguntaNiveles, del más bajo al más alto
python_depthnone, basic, working, strong, expert
team_leadershipnone, informal, tech lead, manager, manager of managers
system_designnone, basic, working, strong, expert
generalistnarrow, 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:

  1. IF senior_ic ≥ 0.7 — THEN continue.
  2. IF eng_manager ≥ 0.7 — THEN continue.
  3. IF senior_ic < 0.35, + AND eng_manager < 0.35 — THEN block.
  4. IF senior_ic < 0.7 — THEN escalate: 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."
    }
  }'
200 OK
{
  "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_hopping en 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 continue debería llevar a una entrevista con una persona, no a una decisión automática.

Relacionado: Compuestos · Calificación de leads

En esta página