Jev 是什么：TypeSafe 的 System One 决策模型

如果你正在搜「Jev 是什么」，这节课开头先把答案说清楚：Jev 是 TypeSafe 的旗舰模型，也是第一个 System One 模型——你交给它一份材料（state）和一组类型化问题（questions），它返回代码能直接用的结构化答案和概率，不生成任何文本。

这节课先把它和 GPT、Claude 这类 LLM 彻底分清，再带你零代码实测一次。

学完你能做什么

• 用一句话说清 Jev 是什么、它和 GPT / Claude 这类 LLM 的本质区别
• 说清「System One」这个名字的来历，以及它擅长与不擅长的事
• 不写一行代码，在官方 Playground 里完成一次真实的 Jev 调用
• 分清 Choice / Score / Noul 三种题型各自回答什么问题
• 判断自己的场景（分类、打分、是非判断）适不适合用 Jev

你现在的困境

• 「让 ChatGPT 判断工单该给哪个组，输出 JSON」——它一会儿包 markdown 代码围栏，一会儿把字段名拼错，解析代码比业务逻辑还长
• 模型嘴上说「非常确定」，但代码里没法写 if：把握 0.55 和 0.99 应该走不同分支，文本回答里看不出区别
• 听说了 Jev，但搞不清它和 GPT、Claude 是不是一类东西：能不能填进 Claude Code 当模型用？

什么时候用这一招

当你需要：

• 程序拿到一个可依赖的判断：把内容分到固定选项、按你定义的量表打分、判断一句话是真是假
• 判断自带「把握多大」：概率和 confidence 直接进代码，决定自动执行还是转人工

而且不想：

• 再解析 LLM 的自由文本输出，为格式不稳定反复调 prompt
• 把「感觉挺确定」当成工程依据

🎒 开始前的准备

• 读完 快速起步导读，知道本阶段的路线
• 一个现代浏览器（本课全程用官方 Playground，不装任何东西）
• 一个能登录 console.typesafe.ai 的 TypeSafe 账号（还没有的话，注册与 API Key 那课 5 分钟带你搞定）

核心思路

一次请求长什么样。 Jev 的每次调用都是同一个形状：一份 state（要判断的内容：字符串、JSON 对象或文本数组）加一组 questions（类型化问题），返回每个问题一个类型化答案，附带概率，部分题型还有 confidence。所有问题对同一份 state 并行、独立评估，加题几乎不增加响应时间。

「System One」这名字哪来的。 官方借用了《思考，快与慢》里 Kahneman 的 System 1（快思考）：这类模型专做「快而聚焦的判断」——一个知识渊博的人拿着对的材料，几秒钟就能拍板的那种结论。Jev 是 TypeSafe 的旗舰模型，也是第一个 System One 模型。

和 LLM 的区别，一张表说清。

	LLM（GPT、Claude…）	Jev（System One 模型）
为谁优化	生成给人读的文本	做代码能直接用的决策
输出	自由文本，想要 JSON 得靠 prompt 约束	类型化答案 + 概率，部分题型带 confidence
概率可信吗	不校准，「我很确定」只是措辞	按真实结果校准训练，概率反映不确定性
会解释推理吗	会长篇解释	不会：不写回复、不产代码、不解释推理
典型用法	聊天、写作、代码补全	路由、分类、打分、护栏、是非判断

三种题型（官方叫 primitives，原语）。

题型	回答什么	返回
Choice	从固定选项里挑一个，比如工单分给 billing / technical / sales	choice、每个选项的 probabilities、confidence
Score	按你定义的量表打分，比如客户沮丧度三档	score（可落在两档之间）、probabilities、confidence
Noul	一句话是真是假，比如「这条消息要求退款」	noul：0–1 的概率

（第四种题型 Box 用来在图里定位东西，放在 Box 与图像 课单独讲。）

怎么调用。 用官方 SDK（Python / JavaScript），或直接请求 POST https://api.typesafe.ai/v1/systemone；请求里的 model 字段选模型，官方示例都用 jev-latest——这也是 SDK 的默认值，当前指向最新的稳定版 Jev 1.14。

拼进真实流程长什么样。 官方给的退款例子：把客户消息、相关交易记录、退款政策打包成一份 state；一次请求问三个独立问题——是否要求了退款、证据是否指向重复扣款、政策是否支持退款；代码把三个答案和确定性检查组合，决定自动处理还是转人工。

它不是什么，同样重要。 Jev 不是 Claude Code、Cursor、Copilot 背后那种模型——它不流式生成文本、不调用工具、不编辑文件，也没有任何 model: "jev-latest" 配置能把 coding agent 换成 Jev 驱动。正确姿势是反过来：让 coding agent 照常干活，写「调用 Jev 的代码」。

⚠️ 中文内容注意

英语是 Jev 的主要训练语言，准确度最好；其他语言（包括中文）能用，但官方明确说准确度不如英语。中文场景上线前，先用自己的数据测，并重点关注 confidence。

跟我做

（本课全程在官方 Playground 里完成：不装 SDK、不写代码，先建立体感。）

第 1 步：打开官方 Playground，贴入你的第一份 state

为什么：Jev 的一切调用都是「state + 问题」，Playground 让你零代码看到完整过程。

打开 console.typesafe.ai/playground 并登录，把下面这段官方示例工单贴进 state 输入区：

Our API integration started returning 500 errors on every request about 20 minutes ago, and we can't process any customer orders until this is fixed.

你应该看到：state 区出现这段文本。它就是 Jev 要判断的材料——真实项目里可以是字符串、JSON 对象或文本数组。

第 2 步：加一个 Noul 问题，看 Jev 怎么回答是非

为什么：Noul 是非题最能体现 Jev 的输出形态——不是一段话，是一个概率。

在问题区添加这个问题（ID 自己取，这里用官方示例的 is_urgent）：

{
  "is_urgent": {
    "type": "noul",
    "instructions": "The message conveys urgency or time-sensitivity"
  }
}

你应该看到：答案是一个 0 到 1 之间的数字，官方示例里这条工单得到 0.99——非常紧急。实际数值可能随 Jev 版本变化。

• 我拿到的是一个 0–1 之间的概率，而不是一段文字

第 3 步：一次请求混搭三题，彻底搞清 Jev 是什么

为什么：一次请求多题并行评估，是 Jev 的核心工作方式，也是后面 并行提问、组合打分 这些玩法的基础。

再加两个问题，和第 2 步的 is_urgent 合在同一次请求里：

{
  "department": {
    "type": "choice",
    "instructions": "Which team should handle this",
    "criteria": {
      "billing": "Payment or subscription issues",
      "technical": "Bugs or integration problems",
      "sales": "Pricing or account questions"
    }
  },
  "frustration": {
    "type": "score",
    "instructions": "How frustrated the customer appears",
    "criteria": [
      "Calm, just stating facts",
      "Frustrated but civil",
      "Very angry, strong language"
    ]
  }
}

你应该看到：三个答案同时返回——

• department：选中 technical，附每个选项的概率和 confidence
• frustration：一个 0–2 之间的分数，官方示例是 0.67，落在「平静陈述」和「沮丧但克制」两档之间
• is_urgent：仍是那个概率，官方示例 0.99

官方代码示例打印的就是这三行（实际数值可能随 Jev 版本变化）：

technical
0.67
0.99

• 三个答案一次返回，不需要发三次请求

检查点 ✅

• 我能说出 Jev 一次请求的两样输入：state 和 questions
• 我知道 Jev 不生成文本——返回的是类型化答案、概率，部分题型还有 confidence
• 我在 Playground 里亲手拿到了一个 0–1 之间的概率
• 我知道 Jev 不能替换 Claude Code / Cursor 背后的模型
• 我能说出三种题型：Choice 挑选项、Score 打分、Noul 判是非

踩坑提醒

❌ 把 jev-latest 填进 Claude Code 当模型用

Jev 不流式生成文本、不调用工具、不编辑文件，coding agent 依赖的这三样它一样都不做。正确做法：让 coding agent 写调用 Jev 的代码；想让它更懂 TypeSafe API，可以装官方 agent skill（与 Claude Code 配合 课会讲）。

❌ 期待 Jev 解释「为什么」

它的回答就是类型化的值和概率，没有推理过程。要更细的判断，就把大问题拆成多个小问题在代码里组合——比如「给这个创业计划整体打分」，拆成市场规模、技术可行性、差异化三个 Score，自己加权。

❌ 中文场景不测试直接上线

英语才是 Jev 准确度最好的语言，中文能用但准确度较低。先用自己的数据测，重点盯 confidence，动作越大的场景阈值定得越保守。

进阶技巧（可选）

两个题型都像时怎么选：选「代码能直接行动」的那个。Choice 对应现成的分支路径，Score 对应一个阈值判断，Noul 对应一个 if。

Noul 的 0.5 是五五开，不是「中等」：想量「程度」（比如 Python 熟练度），用定义好档位的 Score；Noul 只做干净的是非判断，条件要写得能一锤定音。

本课小结

✅ 现在你能回答「Jev 是什么」了：TypeSafe 的旗舰模型、第一个 System One 决策模型——输入 state 和类型化问题，输出结构化答案、概率和（部分题型的）confidence，不生成文本。

✅ 你知道了它和 LLM 的分工：LLM 负责生成，Jev 负责判断。它进不了 Claude Code 的模型栏，但能进你写的每一行业务代码。

✅ 你在 Playground 里完成了一次真实调用，见到了官方示例答案 technical / 0.67 / 0.99。

关键配置字段回顾：

字段	推荐值	说明
state	字符串 / JSON 对象 / 文本数组	要判断的材料，一次请求里所有问题共用
questions	Choice / Score / Noul 混搭	每题 = 自取的 ID + type + instructions + criteria（Choice / Score 必填，Noul 可省）
model	jev-latest	SDK 默认别名，当前指向 Jev 1.14（jev-1.14.0）
端点	POST https://api.typesafe.ai/v1/systemone	请求头带 Authorization: Bearer <你的API Key>

下一课预告

概念清楚了，下一课去拿钥匙：注册与 API Key：5 分钟拿到 TypeSafe 钥匙。

你会学到：

• TypeSafe 控制台在哪里、API Key 在哪一页生成
• 为什么官方建议把 Key 存进环境变量 TYPESAFE_API_KEY
• 速率限制在控制台哪里查，超限会返回什么