Jylus

Jylus 解决了一个大模型应用中的关键痛点：当 AI 需要基于动态业务数据作答时，传统的做法是把数据库里所有相关记录全部塞进上下文，不仅 token 消耗巨大，模型还容易把新旧数据混淆给出错误答案。Jylus 的做法是把「证据」封装成 Context Pack——一份紧凑的、附带来源证明的结果包，每条事实都标注了对应的证明 ID，并明确列出数据中的矛盾点和缺失信息，AI 拿到的是经过验证的答案素材，而非一堆原始数据。

核心技术在于证据编译引擎。用户向 Jylus 发送数据（事件流、文档或实时状态），系统会为每条事实生成唯一的 proof ID，形成可验证的证据链。当 AI 调用 /api/v1/analyze 接口提问时，Jylus 返回的 Context Pack 包含：该问题的回答所需的事实列表（带 proof ID）、时间线证据、检测到的矛盾、缺失的证据标记，以及 token 消耗估算。特别值得注意的是，其精选模式可以将上下文 token 从估算的 1842 压缩到 436，节省约 76%，而答案质量不下降。

Context Pack 的核心价值在于「可验证性」。传统 RAG 只返回相关片段，不告诉你这些片段是否矛盾、是否过时、是否完整。Jylus 在编译阶段就做了这层分析：它能检测输入数据中的矛盾（如同一设备报告了两个不同的状态值），能标出回答该问题所需的证据中有哪些是缺失的，还能根据时间线判断哪些事实是最新有效的。这让 AI 的答案从「看起来合理」变成「有证据支撑」。

平台提供了独立的无账户试用模式，用户无需注册即可用合成示例测试完整功能，数据在试用后立即进入隔离删除流程。生产使用则需要申请 API Key，支持 HTTPS 调用。免费存储 1GB，摄取容量 1000 事件/秒，数据托管在悉尼区域，默认符合 GDPR，不用于通用 AI 训练。

基准测试方面，Jylus 在三个公开数据集上进行了独立测量：QASPER（1335 个查询）达到 50.695% NDCG@10 和 75.130% Recall@10；FinQA（1147 个金融问答测试用例）达到 36.443% 执行准确率；TEMPO（1730 个问题的实时 API 完整结果）达到 40.048% NDCG@10。测试方法论和原始数据均公开发布在官网。

典型使用场景包括：给 AI 客服提供实时库存和物流状态；给数据分析 Agent 提供当前业务指标而非过时的训练数据；给代码审查 Agent 提供最新的 CI 运行记录和变更历史；以及在金融分析中确保 AI 引用的数字能追溯到原始交易记录。Jylus 也提供了 AI 编码 Agent 快速接入指南，可以让 Agent 在几分钟内完成第一个 Context Pack 的接入。