象信一号 · xiangxin-1.0.0

系统一模型：
给软件的决策，
不是给人看的文字

把一段内容作为 state，再附上一组带类型的问题（Choice / Score / Noul）。象信一号一次前向就给出每个问题的结构化答案和校准过的概率——没有长篇回复，没有 JSON 解析失败，你的代码拿到就能用。

$ curl -X POST https://api.xiangxinai.cn/v1/systemone \
  -H "Authorization: Bearer $XIANGXIN_API_KEY" \
  -H "Content-Type: application/json" \
  -d @- <<'EOF'
  {
    "state": "下单三天了还没发货，客服也不回，明天就要用！",
    "model": "xiangxin-latest",
    "questions": {
      "team": {
        "type": "choice",
        "instructions": "应该转给哪个组？",
        "criteria": {
          "售后": "退换货、维修、投诉",
          "物流": "发货、配送、快递进度",
          "售前": "商品咨询、下单前的问题"
        }
      },
      "urgent": {
        "type": "noul",
        "instructions": "用户是否表达了紧急？"
      },
      "anger": {
        "type": "score",
        "instructions": "用户情绪有多激动？",
        "criteria": ["平静", "不满", "愤怒"]
      }
    }
  }
EOF

{
  "model": "xiangxin-1.0.0",
  "answers": {
    "team": {
      "type": "choice",
      "choice": "物流",
      "confidence": 0.22,
      "probabilities": {
        "售后": 0.44,
        "物流": 0.48,
        "售前": 0.08
      }
    },
    "urgent": {
      "type": "noul",
      "noul": 0.92
    },
    "anger": {
      "type": "score",
      "score": 1.45,
      "confidence": 0.5,
      "legend": {
        "0": "平静",
        "1": "不满",
        "2": "愤怒"
      },
      "probabilities": {
        "0": 0.05,
        "1": 0.45,
        "2": 0.5
      }
    }
  },
  "usage": {
    "input_tokens": 139,
    "output_tokens": 182
  }
}

curl -X POST https://api.xiangxinai.cn/v1/systemone \
  -H "Authorization: Bearer $XIANGXIN_API_KEY" \
  -H "Content-Type: application/json" \
  -d @- <<'EOF'
  {
    "state": "下单三天了还没发货，客服也不回，明天就要用！",
    "model": "xiangxin-latest",
    "questions": {
      "team": {
        "type": "choice",
        "instructions": "应该转给哪个组？",
        "criteria": {
          "售后": "退换货、维修、投诉",
          "物流": "发货、配送、快递进度",
          "售前": "商品咨询、下单前的问题"
        }
      },
      "urgent": {
        "type": "noul",
        "instructions": "用户是否表达了紧急？"
      },
      "anger": {
        "type": "score",
        "instructions": "用户情绪有多激动？",
        "criteria": ["平静", "不满", "愤怒"]
      }
    }
  }
EOF

把 $XIANGXIN_API_KEY 换成你在控制台创建的密钥 · 响应为真实调用结果

01为什么是系统一

类型化决策

答案只会落在你给出的选项或档位里。模型不会“发挥”，也不存在输出格式跑偏——每个结果都是可以直接 if、排序、入库的值。

answers["team"].choice  # "物流"

校准置信度

每个答案都带概率分布。概率经过校准训练：模型说 0.9 时，大体上就是十次对九次。低置信度的样本交给人工或更强的模型。

if ans.confidence < 0.6: 转人工()

像代码一样可靠

同样的输入给出几乎相同的输出。问题之间相互隔离、并行评估，加一个问题不会干扰其它问题的答案，也几乎不增加延迟。

questions = {q1, q2, … q50}  # 一次调用

02两个模型，同一个接口

象信一号和象信条件反射的请求、响应格式完全相同，只换 model。需要理解和常识时用象信一号；量大、重复、能用例子说清楚的判断，练一个条件反射。

xiangxin-s1

象信一号

有世界知识的通用系统一模型

零样本：写好问题就能用
懂常识、懂行话、懂言外之意
输入 ¥0.042 / 百万 token

了解系统一 →

xiangxin-reflex

象信条件反射

比系统一更快、便宜 100 倍，替代正则，还可以自己训练

毫秒级，耗时固定，不随“规则”增多而变慢
上传标注样本即可练，练反射目前免费
输入 ¥0.00042 / 百万 token

了解条件反射 →

条件反射没有世界知识，适合“看一眼就该反应”的判断；拿不准的样本可以升级给象信一号。条件反射是象信独有的设计。

03三个原语，两个模型通用

Choice: 从一组选项里选一个。这张工单该给售后、物流还是售前？返回选中项、每个选项的概率和置信度。
Score: 按你定义的档位打分。这份简历的 Python 经验在“没接触过 / 了解 / 日常使用 / 精通”哪一档？返回期望分值与各档概率。
Noul: 判断一句话是真是假。这条评论是否包含手机号？返回“是”的概率，0 到 1 之间。

04价格

¥42 / 十亿输入 token

系统一 · 即 ¥0.042 / 百万 token · 输出免费 · 每月赠送 ¥5 · 充值额度 12 个月有效

¥0.42 / 十亿输入 token · 条件反射，便宜 100 倍 · 练反射目前免费

每月赠送的 ¥5 大约够系统一处理一亿个输入 token。按量预付，没有月费，没有最低消费。

一次象信调用 vs 通用大模型

	象信一号	通用大模型
成本 / 1,000 次工单分类	≈ ¥0.025	≈ ¥2 – ¥5
延迟	百毫秒级	秒级
输出格式	结构化，必然合法	文本，需解析与重试
置信度	每个答案附校准概率	通常没有，或靠模型自述

示意数据，基于典型用法估算，非基准测试结果。假设每次调用约 600 个输入 token；大模型一侧按常见商用定价、含输出 token 估算。

05适用场景

06常见问题

象信一号和大模型有什么区别？

大模型擅长写东西给人看；象信一号只做判断。你事先定义好答案的形状（选项、档位或真假），它直接返回概率分布，不经过逐字生成，所以更快、更便宜，结果也不需要解析。两者常常搭配使用：象信负责分流和把关，大模型负责真正需要写作或多步推理的部分。

条件反射和正则有什么区别？

正则要人一条条写，换一种说法就漏，规则越多越难维护，复杂的写法还会越跑越慢。条件反射是有智能的模型，而且你可以自己训练：给它几百条“这种输入 → 这个答案”的例子，它就能学会其中的规律，换个说法也认得出来，毫秒级给出带概率的答案，耗时不随规则多少变化。它没有世界知识，所以只用在“看一眼就该反应”的判断上；手机号、订单号这类格式固定的匹配，仍然交给正则。

它能生成文字或写代码吗？

不能，这是设计上的取舍。象信的输出只有 Choice、Score、Noul 三种类型化答案。需要抽取某段文字时，常见做法是先用正则或规则找出候选，再让象信从候选中选出正确的那个。

支持中文吗？

支持。中文和英文都在训练数据中，状态和问题都可以直接用中文书写，也可以中英混排。不过任何模型在具体业务上的表现都需要实测：建议先用几十条自己的数据跑一遍，并结合置信度决定哪些结果自动处理。

怎么计费？

只按输入 token 计费：系统一 ¥0.042 / 百万 token（即 ¥42 / 十亿 token），条件反射 ¥0.00042 / 百万 token，输出免费；练条件反射目前免费。每个账号每月赠送 ¥5 额度；充值为预付费，最低 ¥10，充值额度自购买起 12 个月内有效。用量和账单可在控制台实时查看。

我的数据会被用来训练模型吗？

不会直接用来训练。我们不直接使用你通过 API 或在线调试（Playground）发送的请求、返回的答案、练条件反射的样本或账户数据来训练模型；可能参考它们的类型和结构，生成不含你原始内容的合成数据来改进模型。请求内容和训练样本最多保存 30 天，用于故障排查、滥用与安全调查、计费争议处理和上述合成数据，到期自动删除；token 数、时间和费用等用量数据按法律要求保存用于计费。组织可以在控制台设置 → 组织开启零内容留存，开启后不保存内容、也不用于合成数据。所有服务与数据都在中国大陆。详见隐私政策。

置信度可信吗？

模型的概率经过校准训练，这是在大量样本上成立的统计性质：在所有给出 0.8 的答案里，大约八成是对的。它不保证某一个具体答案一定正确。上线前请用你自己的标注数据检查阈值，再据此设置自动处理与人工复核的分界线。

有速率限制吗？

有。系统一每个组织默认 1,000 token/秒、300 请求/分钟，单请求上下文 64k token；条件反射单独计算，默认 200,000 token/秒、6,000 请求/分钟。超出限制会返回 429 并附带 retry-after，官方 Python SDK 会自动退避重试。需要更高额度请联系我们。

如何开始？

用邮箱和验证码登录控制台（首次登录填写手机号），领取每月 ¥5 额度，先在 Playground 里粘贴一段文本试几个问题；满意后创建 API 密钥，pip install xiangxin-sdk，几行代码即可接入。文档里有 8 篇以上可直接运行的中文实战手册。

07社区与支持

email邮件联系wanglei@xiangxinai.cn · 商务、额度与发票 githubGitHubgithub.com/xiangxinai · SDK 与 Skill 源码、问题反馈

把下一个 if 交给象信。

免费开始五分钟快速开始 →

系统一模型：给软件的决策，不是给人看的文字