Pontuação composta
Divida um julgamento em notas atômicas e combine-as com pesos que você controla — compostos calculados pela Dcision e utilizáveis em políticas. Baseado no template de triagem de currículos.
Divida um julgamento complexo em dimensões independentes, dê nota a cada uma separadamente e combine-as com pesos que você controla — na decisão, não num prompt. Uma pergunta ampla ("este é um bom candidato?") esconde vários julgamentos atrás de uma só resposta; notas atômicas os expõem para que você possa inspecioná-los, ajustá-los e combiná-los.
Benefícios: custo, confiabilidade e velocidade. Guia da TypeSafe: Composite scoring.
Por que funciona
- Cada dimensão é uma pergunta pequena e literal — o tipo que o Jev responde melhor — e todas voltam numa só chamada.
- A matemática fica fora do modelo. A Dcision calcula a combinação ponderada com exatidão; o Jev é bom em julgamento e fraco em aritmética.
- Você vê como uma nota foi construída. Todos os termos estão na resposta, então, quando o ranking surpreende, você sabe qual dimensão — ou qual peso — mudar.
- Vários rankings a partir das mesmas respostas. Dois compostos sobre as mesmas quatro perguntas não custam nada a mais: nenhuma pergunta nova, nenhuma chamada nova ao engine.
Quando usar
Ranquear ou qualificar com vários critérios: lead scores, aderência de currículos, risco de fornecedores, qualidade de conteúdo, a prioridade de um backlog. Sempre que você escreveria "considere A, B e C" numa instrução, pergunte A, B e C separadamente e combine-os.
Como isso se traduz na Dcision
| No guia da TypeSafe | Na Dcision |
|---|---|
| Uma pergunta score por dimensão | Uma pergunta score (ou probability, ou choice) por dimensão |
py = answers["python_depth"].score / 4 | Automático: um termo score é normalizado para 0–1 como (nível ponderado − 1) / (níveis − 1) |
ic_score = 0.40 * py + 0.10 * lead + … no seu código | Um composto com esses pesos: Σ(peso × valor) / Σ|peso| |
| Ranquear e filtrar no código | Leia composites na resposta e use compostos em regras para definir a action |
Monte
No app
Abra Templates e escolha Triagem de currículos (pontuação composta). Chame a decisão de Resume Screening para que o slug seja resume-screening e clique em Criar decisão.
O State tem um campo string obrigatório, resume.
Quatro perguntas score, com cinco níveis cada, uma por dimensão:
| Pergunta | Níveis, do mais baixo ao mais 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 |
No card Compostos (aba Editor), clique duas vezes em Adicionar composto:
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.
Em Políticas, os compostos aparecem em Compostos na 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: a faixa intermediária vai para um recrutador.
Teste alguns currículos no Playground — o card Compostos mostra os dois valores — e então clique em Publicar v1.
O decision schema
{
"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" }
]
}Chame
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
}
}Como senior_ic foi construído a partir dos níveis ponderados em scores — cinco níveis, então cada termo é (nível − 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 é 0,74, acima de 0,7: a regra 0 casou e o candidato segue adiante como Senior IC. Note que result traz o nível mais provável de cada pergunta, enquanto os compostos usam o nível ponderado — python_depth é strong, mas com 40% em expert o seu nível ponderado é 4,35.
Aja sobre o resultado
Ranqueie os candidatos pelo composto do cargo para o qual você está contratando e deixe a ação escolher o próximo passo:
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);Aqui decide é um pequeno wrapper em volta de POST /v1/decisions/{slug} — veja Retentativas idempotentes para um pronto para produção.
Ajuste
- Mude os pesos, não as instruções. Se os primeiros candidatos não batem com o que você espera, ajuste os pesos e publique uma nova versão; as perguntas — e a calibragem delas — continuam as mesmas.
- Descreva cada nível. Rótulos curtos funcionam, mas uma rubrica por nível é mais clara para o engine. Um nível estruturado mantém o rótulo curto na API:
{ "label": "strong", "rubric": "primary language across several projects" }. - Adicione dimensões como perguntas. Um critério novo é mais uma pergunta e mais um termo — ainda uma chamada.
- Use pesos negativos para sinais de alerta, por exemplo
− 2 × job_hoppingnum composto. - Use limiares, não interpole. Um nível ponderado de 4,35 significa "entre strong e expert, mais perto de strong" — bom para ranking e limiares, não para reconstruir um número exato de anos.
- Mantenha uma pessoa no processo. A triagem afeta pessoas: a faixa intermediária é escalada, e mesmo
continuedeve levar a uma entrevista com um humano, não a uma decisão automática.
Relacionados: Compostos · Qualificação de leads
Roteamento por confiança
Use a confiança como um segundo eixo — a resposta diz o quê, a confiança diz se vale agir — com confiança mínima por pergunta e regras AND por ação. Baseado no template de comandos bancários por voz.
Roteamento por intenção
Classifique cada pedido numa chamada rápida e mande-o ao handler capaz mais barato — código, um LLM especialista ou uma pessoa. Construído sobre o template Customer Service Router.