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 TypeSafeNa Dcision
Uma pergunta score por dimensãoUma pergunta score (ou probability, ou choice) por dimensão
py = answers["python_depth"].score / 4Automático: um termo score é normalizado para 0–1 como (nível ponderado − 1) / (níveis − 1)
ic_score = 0.40 * py + 0.10 * lead + … no seu códigoUm composto com esses pesos: Σ(peso × valor) / Σ|peso|
Ranquear e filtrar no códigoLeia 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:

PerguntaNíveis, do mais baixo ao mais 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

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:

  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: 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."
    }
  }'
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
  }
}

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_hopping num 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 continue deve levar a uma entrevista com um humano, não a uma decisão automática.

Relacionados: Compostos · Qualificação de leads

Nesta página