> ## 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.

# Puntúa con una rúbrica ordenada con GLiDE

> Crea una puntuación basada en rúbricas con GLiDE y usa tanto los resultados discretos como los continuos.

Un prompt de puntuación para un LLM de propósito general le pide al modelo que genere un número o que devuelva una salida estructurada. Con GLiDE, proporcionas una rúbrica ordenada y recibes una distribución de probabilidad entre esos niveles.

Usa este patrón para urgencia, gravedad, calidad, intensidad del sentimiento, riesgo y otros juicios ordenados.

## Puntúa la urgencia de una solicitud de soporte

```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` es el índice entero del nivel más probable. Usa `expected_level` cuando necesites un valor continuo entre niveles. La respuesta también incluye `legend`, que asigna las claves de índice en forma de cadena a las descripciones que proporcionaste.

<Warning>
  No trates `score` como un valor continuo. Por ejemplo, `2.999` corresponde a `expected_level`; `score` sería el nivel entero ganador, como `3`.
</Warning>

## Convierte la puntuación en una acción

```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"
```

Ajusta los umbrales con ejemplos etiquetados de tu aplicación. `confidence` mide la separación entre los dos niveles más probables; no es el mismo valor que la puntuación continua.

## Qué cambia respecto a la puntuación con LLM

* La salida está limitada a tu rúbrica ordenada; no hay ningún número generado que validar.
* Recibes tanto el nivel ganador como una posición continua ponderada por probabilidad.
* La distribución completa muestra si la entrada encaja claramente en un nivel o se sitúa entre varios.
* Tus criterios se mantienen en el `legend` de la respuesta, lo que hace explícita la interpretación de la puntuación.

Consulta [Inferencia de GLiDE](/es/inference/systemone) para ver la autenticación, los límites, los errores y el contrato de respuesta completo.


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