把 JEV 的原理讲明白：为什么让 AI 做选择题？

把 JEV 的原理讲明白：为什么让 AI 做选择题？

平时用 AI，我们习惯问：“你能不能帮我写一段？”

换一个问题：“这条消息，应该交给谁？”答案可能只有三个字：退换货。

这么短的答案，有什么用？Jev 想解决的，正是软件里这类反复出现的小判断。

做 Jev 的公司 TypeSafe 在 2026 年 10 月 9 日宣布融资 8.7 亿美元，估值 75 亿美元。这里是公司估值，不是模型的股票市值。数字解释了关注度，理解它怎么用，还得看一个具体例子。

一条“鞋码买小了”，软件该怎么办？

想象你开了一家网店，收到顾客的消息：

鞋码买小了，我想换一双。

人一看就明白，这件事归售后。但消息一多，软件就需要把它们分给不同的团队。

先把问题说清楚：这条消息应该交给哪个团队？

再约定好选项：退换货、物流、账单、其他。每个选项都要说明范围。“退换货”处理换码、错发或损坏，“物流”处理配送进度，“账单”处理扣款与发票。

Jev 根据消息做判断，返回选中的类别、各选项的概率，以及单独的 confidence 值。软件就能读这些固定字段，继续处理。

这类问法，官方叫 Choice。你可以先把它理解成：给 AI 一道边界清楚的选择题。

模型做判断，代码接着干

假设结果倾向“退换货”，接下来该做什么？

代码检查返回的字段，按已经验证过的业务规则，把工单送进售后队列。

选中“退换货”，不等于已经换货，更不等于可以自动退款。 查订单、核对权限、判断是否符合规则，仍要由业务系统或工作人员完成。

它的使用思路是：把需要理解语言的环节交给模型，把具体规则和操作交给代码。

拿不准，就别急着往下走

如果顾客说：“尺码不对，退款好像也没到账。”这句话就有两件事。

此时，“退换货”和“账单”都可能占不同概率。可以补问一句，也可以转人工复核。怎么处理，需要根据自己的业务样本验证，不能凭感觉画一条万能分界线。

图中的概率是教学示意，不是实际调用 Jev 得到的测试结果。选项概率不等于正确率，也不要直接把某个选项的概率当作 confidence。

不止选一项，还有两种常见问法

Choice：从约定好的选项里选一项。例如，这条消息归哪一类？

Score：按给定的标准评分。例如，这件事有多紧急？

Noul：判断一个陈述是否成立。例如，这份资料是否符合指定条件？

你不必急着记英文。先想清楚：希望程序拿到什么答案，拿到以后要做什么？

为什么会提到《思考，快与慢》？

认出熟人，常常是一眼的事；计算 17×24，通常要多走几步。

《思考，快与慢》用“系统一”和“系统二”帮助我们理解这类差别。TypeSafe 借用 System One 这个名字，描述频繁发生的小判断；这是一种命名比喻，不代表模型复刻了人脑。

Jev 的名字也呼应杰文斯：效率提升以后，使用总量可能反而增加。对 AI 来说，判断更方便、更便宜，可能让更多软件环节开始使用它。这是一种理解其定位的线索，需求会怎样发展仍待观察。

最后，只记住这条流程

先把问题问清楚 → 模型给判断 → 代码管流程 → 拿不准就升级复核。

固定格式能让程序更容易接住结果，判断仍可能出错。普通大模型也能输出结构化结果；哪种更适合，要用同一批真实任务比较准确性、成本和延迟。

参考：TypeSafe 2026 年 10 月 9 日融资公告、Choice 官方文档、《Introducing System One Models & Jev》；丹尼尔·卡尼曼《思考，快与慢》。例子经过通俗改写，配图为教学示意。