xiangxinai.cn valid

象信 AI

象信 AI 模型 API 文档。象信（xiangxin，模型名 xiangxin-latest）是一个系统一模型：发送 state 与带类型的问题（Choice / Score / Noul），一次调用返回带校准概率的结构化答案。每个页面在 URL 后加 .md 可获取 Markdown 原文。

Their llms.txt

The beginning of the file, from our validated copy saved 2026-10-27T11:33:34.521Z. Cached copy · Source on xiangxinai.cn

# 象信 AI

> 象信 AI 模型 API 文档。象信（xiangxin，模型名 xiangxin-latest）是一个系统一模型：发送 state 与带类型的问题（Choice / Score / Noul），一次调用返回带校准概率的结构化答案。每个页面在 URL 后加 .md 可获取 Markdown 原文。

## 文档

- [介绍](https://docs.xiangxinai.cn/introduction.md): 象信是象信 AI 的系统一模型：发送状态和带类型的问题，拿回代码可以直接使用的结构化答案。
- [快速开始](https://docs.xiangxinai.cn/introduction/quickstart.md): 想直接上手？从 Playground、HTTP API、Python SDK 到编程智能体，这里是跑通第一个象信请求所需的全部内容。
- [与编程智能体一起使用](https://docs.xiangxinai.cn/introduction/coding-agents.md): 象信不是编程智能体背后的大模型；它是你让智能体写进产品里的决策组件。
- [应用场景](https://docs.xiangxinai.cn/concepts/use-case-map.md): 按行业整理的象信应用思路，每个场景附带可以直接改写成问题的判断示例。
- [系统一](https://docs.xiangxinai.cn/concepts/system-one.md): 系统一模型为软件做快速、结构化的判断。象信（xiangxin）是象信 AI 的系统一模型。
- [状态](https://docs.xiangxinai.cn/concepts/state.md): 什么是状态（state），如何组织它，以及怎样给系统一模型恰好够用的上下文。
- [图片](https://docs.xiangxinai.cn/images.md): 在象信 3.0 的 state、问题与判据中使用图片，支持 multipart 上传及 base64 JSON。
- [原语（问题）](https://docs.xiangxinai.cn/primitives.md): 象信的四种问题类型 Choice、Score、Noul：怎么定义、怎么选、返回什么，以及如何在一次请求里问很多个问题。
- [Choice](https://docs.xiangxinai.cn/primitives/choice.md): 从一组你定义的选项中选出一个，返回选中项、每个选项的概率和置信度。
- [Score](https://docs.xiangxinai.cn/primitives/score.md): 按你定义的有序档位给内容打分，返回刻度上的位置、各档概率和置信度。
- [Noul](https://docs.xiangxinai.cn/primitives/noul.md): 让模型判断一个是/否问题，返回答案为"是"的概率。
- [Box](https://docs.xiangxinai.cn/primitives/box.md): 使用象信 3.0 在图片中定位目标，返回归一化的边界框与置信度。
- [进阶：结构化](https://docs.xiangxinai.cn/primitives/advanced.md): instructions、Choice 选项、Score 档位和 Noul 标准都可以写成 JSON 对象或数组，用结构来表达复杂的问题。
- [置信度](https://docs.xiangxinai.cn/confidence.md): 象信如何表达"有多确定"，置信度与概率有什么区别，以及如何用它控制系统行为。
- [如何用象信构建](https://docs.xiangxinai.cn/concepts/how-to-build-with-system-one.md): 让代码掌控流程，把窄而结构化的判断交给系统一模型——设计 AI 驱动软件的完整方法。
- [AI 入门](https://docs.xiangxinai.cn/introduction/machine-learning-primer.md): 为什么象信训练的是带校准概率的决策模型，而不是为生成好看的文字而优化。
- [模式总览](https://docs.xiangxinai.cn/patterns.md): 用象信搭建系统时最常用的四种架构模式，以及它们如何组合在一起。
- [推测式扇出](https://docs.xiangxinai.cn/patterns/fan-out.md): 把系统可能需要的问题——包括只在部分情况下才用得上的问题——一次性全部发出，再由代码挑选有用的答案。
- [置信度门控路由](https://docs.xiangxinai.cn/patterns/confidence-routing.md): 把"答案是什么"与"有多确定"当作两个独立维度：确定时自动执行，不确定时确认或升级。
- [组合评分](https://docs.xiangxinai.cn/patterns/composite-scoring.md): 把一个笼统的综合判断拆成若干原子评分，在代码里归一化、加权合成，权重随时可调。
- [意图路由](https://docs.xiangxinai.cn/patterns/intent-routing.md): 先用一个 Choice 判断请求属于哪一类，再把它分发给确定性代码、专用大模型或人工。

## 实战手册

- [实战手册](https://docs.xiangxinai.cn/cookbooks.md): 端到端的实战案例，展示象信怎样解决真实问题——从几个问题到完整的处理流水线。
- [自洽性：Noul](https://docs.xiangxinai.cn/cookbooks/consistency_noul_cookbook.md): 一份车险理赔单、14 个 Noul 问题、每个条件重复 15 次：象信每题概率的平均标准差 0.0037，DeepSeek 默认温度为 0.0426、有 2 题跨过 0.5；但象信在 11 道有参考答案的题里错了 4 道，稳定不等于正确。
- [自洽性：Choice](https://docs.xiangxinai.cn/cookbooks/consistency_choice_cookbook.md): 一条边界评论 × 8 道审核 Choice 重复 15 次，外加 COLD 数据集 60 条评论；象信的标签从未翻转（DeepSeek 默认温度为 76.7%），但准确率低于 DeepSeek，加上「不确定」阈值后，自动处理比例才是真正要权衡的量。
- [并行提问](https://docs.xiangxinai.cn/cookbooks/parallel_questions.md): 在《个人信息保护法》全文上跑 13 个问题的合规速查：一次请求问完比逐题请求便宜 11.3 倍，答案不变
…

Related sites

Explore similar publishers →

Similar publisher descriptions and documentation. Similarity does not imply affiliation or equivalent capabilities.

Machine-readable: GET /v1/resolve?q=xiangxinai.cn · GET /v1/domain/xiangxinai.cn · this page as Accept: application/json or text/markdown · MCP lookup_domain

Automatically discovered from public files. Inclusion does not imply endorsement or publisher participation.

Claim my listing on Agent Web Map for xiangxinai.cn:
1. POST https://agentwebmap.com/v1/sites/xiangxinai.cn/claims and keep claim_id and claim_secret private.
2. Publish the verification line "AgentWebMap verification: <token>" (token from step 1) in https://xiangxinai.cn/llms.txt, or use the DNS, meta-tag or well-known method the response describes. This only verifies the listing; your website and domain remain yours.
3. POST https://agentwebmap.com/v1/sites/xiangxinai.cn/verify with {"claim_id": "...", "claim_secret": "..."}.
4. Save the api_key from the answer; it manages the listing (PATCH https://agentwebmap.com/v1/sites/xiangxinai.cn).
MCP equivalent: tools begin_ownership_claim, then verify_domain, at https://agentwebmap.com/mcp. Docs: https://agentwebmap.com/docs#verify

Corrections or removal requests: contact the directory.