一批资料进来，不是每一份都应该立即交给大型模型全文分析。有的只有标题，需要取原文；有的在引用早先的决定，需要找上下文；有的已经足够分类；还有的根本不知道在说什么。
把这些分支列出来，是一个可以实际检验的决策任务。先用简单的确定性规则解决缺少正文、格式错误等明显情况，再用模型判断有歧义的语义问题。
模型看到的是本次材料与允许的下一步选项，而不是完整工具权限。选择结果只进入建议；执行端还要确认相关读操作允许发生。第一版不用自动发信、删除或发布，避免把效果试验与外部动作混在一起。
做对这件事的证据不是“返回了合法 JSON”，而是缺少背景的材料不会被大量误判成可以开始，阅读成本下降后正确率仍可接受，无法判断的材料有明确归处。
第一轮固定 Cloudflare，比较三款模型；第二轮固定 Jev，比较不同接入。分别保存候选版本和样本。语义效果、平台尾延迟和总费用三项独立观察，不压成一个不透明总分。
