> ## Documentation Index
> Fetch the complete documentation index at: https://docs.fastino.ai/llms.txt
> Use this file to discover all available pages before exploring further.

> ## Agent Instructions
> Use https://docs.fastino.ai/openapi.json as the source of truth for customer-facing routes. For GLiDE decision inference, call POST https://api.fastino.ai/v1/systemone with model fastino/GLiDE. Do not infer undocumented routes. Read API keys from FASTINO_API_KEY and never embed credentials in code, logs, or reports.

# Mit GLiDE anhand einer geordneten Rubrik bewerten

> Erstellen Sie eine rubrikbasierte Bewertung mit GLiDE und nutzen Sie sowohl diskrete als auch kontinuierliche Ergebnisse.

Ein Bewertungs-Prompt für ein universelles LLM fordert das Modell auf, eine Zahl zu generieren oder strukturierte Ausgabe zurückzugeben. Mit GLiDE geben Sie eine geordnete Rubrik vor und erhalten eine Wahrscheinlichkeitsverteilung über deren Stufen.

Verwenden Sie dieses Muster für Dringlichkeit, Schweregrad, Qualität, Stimmungsintensität, Risiko und andere geordnete Urteile.

## Die Dringlichkeit von Support-Anfragen bewerten

```python theme={null}
import os

import requests

ticket_text = (
    "Our production API is returning 500 errors on every request. "
    "All customers are affected. Revenue impact is approximately $12,000 per hour. "
    "Started 15 minutes ago."
)

response = requests.post(
    "https://api.fastino.ai/v1/systemone",
    headers={"X-API-Key": os.environ["FASTINO_API_KEY"]},
    json={
        "model": "fastino/GLiDE",
        "state": ticket_text,
        "questions": {
            "urgency": {
                "type": "score",
                "instructions": "How urgent is this support request?",
                "criteria": [
                    "Can wait: no immediate business impact",
                    "Should handle today: minor inconvenience",
                    "Time-sensitive: noticeable customer impact, needs attention within hours",
                    "Critical: system failure affecting customers or revenue",
                ],
            }
        },
    },
    timeout=300,
)
response.raise_for_status()

answer = response.json()["answers"]["urgency"]
level = answer["score"]  # Discrete winning level, such as 3.
continuous_score = answer["expected_level"]  # Probability-weighted position, such as 2.999.
confidence = answer["confidence"]
distribution = answer["probabilities"]  # String keys: {"0": ..., "1": ..., "2": ..., "3": ...}
```

`score` ist der ganzzahlige Index der wahrscheinlichsten Stufe. Verwenden Sie `expected_level`, wenn Sie einen kontinuierlichen Wert zwischen den Stufen benötigen. Die Antwort enthält außerdem `legend`, das die String-Indexschlüssel wieder den von Ihnen angegebenen Beschreibungen zuordnet.

<Warning>
  Behandeln Sie `score` nicht als kontinuierlichen Wert. Ein Wert wie `2.999` gehört beispielsweise zu `expected_level`; `score` wäre die gewinnende ganzzahlige Stufe, etwa `3`.
</Warning>

## Den Score in eine Aktion umsetzen

```python theme={null}
if level == 3 and confidence >= 0.7:
    action = "page_on_call"
elif continuous_score >= 2.0:
    action = "escalate"
else:
    action = "standard_queue"
```

Passen Sie die Schwellenwerte anhand gelabelter Beispiele aus Ihrer Anwendung an. `confidence` misst den Abstand zwischen den beiden wahrscheinlichsten Stufen; es ist nicht derselbe Wert wie der kontinuierliche Score.

## Was sich gegenüber der Bewertung mit einem LLM ändert

* Die Ausgabe ist auf Ihre geordnete Rubrik beschränkt; es gibt keine generierte Zahl, die Sie validieren müssen.
* Sie erhalten sowohl die gewinnende Stufe als auch eine wahrscheinlichkeitsgewichtete kontinuierliche Position.
* Die vollständige Verteilung zeigt, ob die Eingabe eindeutig auf einer Stufe oder zwischen Stufen liegt.
* Ihre Kriterien bleiben in der `legend` der Antwort erhalten, sodass die Interpretation des Scores explizit ist.

Informationen zu Authentifizierung, Limits, Fehlern und dem vollständigen Antwortvertrag finden Sie unter [GLiDE-Inferenz](/de/inference/systemone).


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.