保姆级手把手教程：玩转发布即爆火的 Jev，快 200 倍、便宜 400 倍

Jev 小白保姆级教程：从「它是什么」到跑通第一个 AI 决策

AI Agent 时代有个扎心的现实：让大模型干正事之前，一堆「小事」也在烧 token——这条留言该转给谁？

这个操作危险吗？

这单生意紧急吗？

每个判断都要等大模型慢悠悠生成一段话，又慢又贵。

2026 年 9 月 15 日，TypeSafe AI 发布了 Jev，专门把这些「小判断」拿出来单独做：不生成一个字，只吐出带概率的结论，官方宣称比同类大模型快 200 倍、便宜 400 倍，发布当天冲上 Hacker News 1679 分。

这篇教程从「它是什么」讲到「亲手跑通你的第一个 Jev 决策」，分两段走：前半程认识它、跑通第一个决策，只要一个浏览器——官方 Playground 连注册都不用，打开网页点两下就有结果；后半程是把它用起来的进阶操作（注册拿 key、命令行调 API、装进编程 Agent），每一步都是我真实跑过的，截图照着做就行，不需要编程基础。

一、Jev 是什么？

先澄清两个最常见的误解：它不是来挑战 GPT、Claude 的全能模型（它连一段话都不会写）；

它也不只是「一个普通分类器」——分类器不会给你校准过的概率，也不能读一次材料并行回答一串独立问题。一句话定义：一个不做聊天、只做判断的 AI 模型。

官网：

https://typesafe.ai/

打开官网就能看到它的定位——「The System One (Public) First · Introducing Jev · Intelligence beyond chat」（超越聊天的智能）：

官方给它的名字「System One（系统一）」借自心理学家卡尼曼的《思考，快与慢》：

系统一负责快速判断——有东西飞过来本能地躲开、看一眼表情就知道对方生气了；

系统二负责慢思考——做数学题、分析商业计划、权衡重要决策。

过去几年大模型都在拼命加强「系统二」（理解、推理、生成），TypeSafe 反问了一句：一个 AI 系统里的每一步，都需要这么认真地思考吗？

很多时候程序要的不是一篇文章，而是一个判断——这就是 Jev 出现的理由。当然，「系统一」只是个产品类比，官方并没有宣称复现了人类直觉。

你可以把它理解成一条「智能 if 语句」：传统代码里的 if 是死的，Jev 的 if 会看懂上下文再给你带概率的答案。

比如用户发来「我买的东西一个星期还没到，现在不想要了」——客服系统此刻还不需要模型写回复，只需要先搞清楚：这人是查物流还是想退款？情绪激不激动？要不要转人工？Jev 从开发者给定的选项里选，并告诉你每个答案的概率，程序接着走对应流程。

一句话：大模型管生成内容，Jev 管给出判断。

实际用的时候，它常被放在大模型的「中间层」：大模型编排流程，遇到判断和打分就转给 Jev，拿回结构化结果继续干活——大模型拿到了比自己更专业的判断数据，你顺手还省了 token。

顺带说清开源状态：没开源。

模型权重、训练数据、核心实现都没公开，只能通过云端 API 调用——它是「模型服务」，和 Llama 那种能下载权重自己部署的开源模型不是一回事（想要开源自托管，文末有平替方案）。

二、背后的原理：为什么又快又便宜？

Jev 的玩法是「你给状态 + 问题，它给概率」，问题只有三种类型：

choice（选择）：从你给的选项里挑一个，附上各选项概率——适合分类、路由；
score（打分）：按你给的量表打分——适合紧急度、优先级;
noul（是非）：判断一句话真不真，返回 0~1 的概率——适合风险、意图识别。

它快和便宜的根本原因是不逐字生成文本。大模型的自回归机制是一个 token 接一个 token 往外蹦——这个机制买来了写作、编程和开放式推理的能力；

但如果程序只要一个布尔值或一个选项，完整走一遍文本生成实在太重。

Jev 把输出空间提前锁死，不生成任意文字、直接在候选答案上给概率——它用「放弃自由表达」换来了低延迟、低成本、代码可以直接处理的结果。这是一次刻意的减法。

具体优势五条：

快：单次决策 70~500 毫秒（第六章实测 233 毫秒），对浏览器操作、实时审核、Agent 路由这类连续决策，直接决定产品体验；
便宜：输入 $0.042/百万 token、输出免费——单次不起眼，但每天几万次、几十万次判断时，成本差距会被无限放大；
输出稳定：你给五个选项，它就只在这五个里返回，绝不发明第六个，程序不用再从一段自然语言里抠结论。但注意：格式稳定 ≠ 判断正确——它不会在格式上发挥，却完全可能在合法选项里选错。「不产生自由文本幻觉」解决的是接口问题，不是准确率问题；
返回概率：把置信度交给程序，你就能设计分档策略——把握大且低风险的动作自动执行，把握一般的交给更强的大模型复核，把握低的或涉及退款付款这类高风险的，直接转人工；
并行提问：读一次材料，同时回答多个互相独立的问题，不用反复传上下文——第一章那单客服咨询，意图、情绪、紧急度、要不要转人工，一次全出。

那这条技术路线到底成不成立？

看它站在哪一层就明白了：GPT 擅长开放式任务；传统分类模型适合「类别长期固定 + 数据充足 + 可以专门训练」的任务；Jev 占的是中间那层——问题由开发者临时定义，输出必须限定在明确的类型和选项里。

这一层以前只能凑合着用大模型，现在终于有人为它单独设计模型了。

三、它为什么突然火了？

过去评一个新模型，看的是会不会写代码、数学多强、推理链多长——Jev 反过来做了减法：主动放弃自由文本生成，只优化「判断、选择、打分」这一件事。

这个反差正好击中了 Agent 的现实困境：你看到 Agent 最后交出一份报告，过程中它其实做了成百上千次选择

——这条搜索结果有用吗？

两份资料是不是在重复？

信息够了吗？该调工具还是开始写？结论有证据支撑吗？每个小判断都调最强的大模型，延迟和成本一层层累积；更气人的是，你只要一个选项，大模型还顺手写一段解释，或者吐一个不合规格的 JSON。

再叠加三件事，热度就爆了：

拿数字说话：官方的 WikiRace 演示（从「棒球」词条连到「太阳」），Jev 用 0.419 秒、$0.047 完成；对照组的前沿大模型要 3.7 秒、$3.31。
踩中 Agent 痛点：「小事走 Jev、大事走大模型」的分流方案，有实践者称 AI 开销省了约 60%。
玩法刷屏：Browser Use 社区做了浏览器 Agent——Jev 负责从网页元素里选该点的按钮和输入框，只有真要填文字时才叫生成模型，一次苏黎世到伦敦的航班搜索只用了 7.1 秒；TypeSafe 自己演示让 Jev 玩《毁灭战士》，输入不是游戏画面，而是血量、敌人位置、弹药数这些整理好的游戏状态，它每秒做出多次动作选择；国内还有直播用它打宝可梦对战、玩杀戮尖塔的。

这些案例看起来千差万别，共同点只有一个：任务边界清楚、候选动作明确、请求频率很高，程序不需要一段漂亮的文字，只需要知道下一步做什么。

四、注册：5 步走完（急着体验的可以先跳过）

嫌注册麻烦的直接跳第六章——Playground 不用注册就能跑决策；等你想拿 API key、查用量了，再回来走这 5 步：

一）打开官网，点右上角 API Console

打开官网 https://typesafe.ai/，点右上角的 API Console，按提示用 Google 账号登录（一路授权同意即可）：

二）同意条款

登录后先弹出条款页：① 勾选「I have read and agreed...」，② 点 Continue：

三）填姓名和邮箱

① 填上你的名字和邮箱（职业下拉随便选一个），② 点 Next：

四）创建组织

组织名随意（默认就行），公司规模选 Just me，点 Next：

五）填来源问卷

选一个「你从哪听说我们的」（我选的 HackerNews），点 Submit：

五、认识 Jev：一页说明书 + 一道送分题

问卷提交后进入「Meet Jev」欢迎页，左右两栏把它的特性（结构化输出、并行采样、校准概率）、局限（不擅长 System 2 任务、不是聊天模型）、优势（快 20-200 倍、便宜 40-1000 倍）讲得明明白白，看完点右下角 Enter console：

接下来是官方设计的一道入门测试：「你能和 Jev 聊天吗？」——答案当然是 No，它压根不生成文本：

选完答案揭晓：右边就是 Jev 对这道题的真实输出——「Can you chat with Jev?」的判断结果是 97% false。恭喜，你已经见到了第一个 Jev 决策！点 View in Playground 去它的游乐场：

六、Playground 实操：不用注册，3 分钟跑通第一个决策

全文最重要的一章：Playground 免登录、免注册、免费（官方页脚原话：Free, No Waitlist），打开就能玩。直接访问：

https://thejevai.com/playground

一）选一个现成模板

页面自带 15 个官方模板（病毒帖分析、简历筛选、模型路由、代码审查风险……）。

找到 Support triage（客服分流） 点它——左边的 state 输入框立刻自动填进一封真实语气的客服投诉邮件，右侧就是运行按钮：

二）看懂三个问题

模板自带 3 个问题（3/8 表示最多可加到 8 个），正好对应 Jev 的三种原语：topic 用 choice 判断「客户写的是什么问题」，severity 用 score 判断「多紧急」，escalate 用 noul 判断「要不要立刻转人工」：

三）点 Generate decisions，233 毫秒后见证结果

点运行按钮，Results 区立刻给出三个判断（右上角显示耗时）。

完整结果原文：

{
  "topic": {
    "type": "choice",
    "choice": "billing",
    "probabilities": {
      "billing": 1,
      "feature": 0,
      "account": 0,
      "bug": 0
    },
    "confidence": 1
  },
  "severity": {
    "type": "score",
    "score": 3,
    "legend": {
      "0": "routine, no rush",
      "1": "should be handled today",
      "2": "urgent, customer is frustrated",
      "3": "critical, customer is about to churn or dispute"
    },
    "probabilities": {
      "0": 0,
      "1": 0,
      "2": 0,
      "3": 1
    },
    "confidence": 1
  },
  "escalate": {
    "type": "noul",
    "noul": 0.93
  }
}

翻译：

这封「连续两个月重复扣费、今天不退就取消还要找银行拒付」的邮件——转给计费组（100% 置信）、紧急度打到最高级 3（客户即将流失/拒付）、93% 概率该立刻转人工。一次请求出三个判断，耗时 233 毫秒，一个字的废话没有。

结果下方就是「4. API request」——你刚才那次点击发出的请求原文，点 Preview JSON 就能看到，接代码时照抄即可：

四）照猫画虎，换成你自己的场景

把 state 里的邮件换成你的评论、工单、简历，问题改改措辞，再点一次 Generate——这就是 Jev 的全部玩法。中文完全没问题，我实测把 state 换成一条中文吐槽评论：

点 Generate，229 毫秒返回：topic 还是 billing（100% 置信）、severity 照样打到最高级 3（「客服三天没人理+威胁卸载」）、90% 该转人工——中文评论，英文定义的问题，判断照常出：

记住：choice 的选项、score 的量表都由你定义，Jev 只负责在里面选和打分。

但真正的难点从来不是接通 API，而是把问题定义清楚。

拿第一章那句话举例：「我买的东西一个星期没到，现在不想要了」

——如果 choice 的选项只有「物流延迟」和「申请退款」，这道题本身就设计错了：物流延迟是原因，申请退款是诉求，两者完全可以同时成立。

模型不会替你修复一套混乱的业务标准

——给它的信息不完整、问题含糊、选项互相重叠，它速度再快也没用。

比较稳妥的落地姿势（老手都这么干）：

先挑一个范围小、答案清楚的任务；
拿一批人工处理过的历史数据，让 Jev 在旁边「陪跑」（只观察、不参与正式决策），看它哪些题稳、置信度和真实正确率匹不匹配；
匹配了再上岗，按第二章说的分档策略来：低风险、高频、可撤销的动作（打标签、排序）放开自动化；退款、资金、权限、删数据，保留代码规则 + 人工审批。

玩上瘾了？

页面底部还有 3 个官方交互演示：模拟航班搜索、维基百科链接赛跑（就是官方宣传的那场 WikiRace）、客服分流实战，都能看着 Jev 一步步做决策。

七、进入控制台（注册过的同学）

控制台长这样：左侧导航 Home / Playground / Usage / API Keys / Documentation。日常玩 Playground 不用进控制台（上一章的网址直达），控制台的用处是看用量、建 API key：

建 API key 三步：点左侧 API Keys 进入这个页面 → 点右上 + Create key → 给 key 起个名再点确认（表单就是 step09 图右侧那个面板）：

创建成功会弹出这个画面——完整 key 只在这里显示这一次，点 Copy 立刻复制存好（我会顺手打码演示，真实的你自己的 key 千万别截图发给别人）：

回到列表，Secret key 一栏从此只显示首尾，丢了就得重建：

备忘：列表里那行 apikey_ 开头的就是建好的 key（脱敏显示），Status 为 Active 表示生效中。

小提示：Jev 早期版本要「Join Waitlist」排队，等邮件里的 Create your account 链接才能建号；现在已经全面开放（官方页脚写着 Free, No Waitlist），按第四、五章直接注册即可。万一你还碰到 Waitlist 页面，提交邮箱等邮件就行。

八、小白最容易踩的 4 个坑

别拿它当 ChatGPT 用。写文章、做研究、聊创意、写 Python，它统统干不了。但它和编程大有关系：Agent 干活时的千百次分流选择正是它的活（怎么把它装进编程 Agent，见第十章）。
判断可能出错，哪怕格式永远正确。第三方实测准确率约 67.8%；低置信度的判断要留人工兜底（「格式稳定 ≠ 判断正确」的辨析见第二章）。
它有官方认证的短板。算术、日期计算、多步推理、夹杂大量无关信息的任务容易翻车（官方文档自己列的），而且它同样可能被提示词注入攻击——别把它放在无防护的敏感位置。
付费量力而行。注册送的免费额度足够玩，付费档 Starter $10 起。

九、进阶：亲手调一次 API（可选）

等你玩明白了想接进自己的程序，才需要 API key（第七章已经建好了；Playground 的「4. API request」区也能直接预览请求 JSON）。

命令行直接写 JSON 很容易栽在引号转义上，Windows 小白用「文件法」最稳，两步搞定（下面每一步都是我真实操作截的图）：

一）把请求存成 body.json

新建一个文件夹（比如 jev-demo），用记事本把下面的 JSON 原样粘贴进去，另存为 body.json（保存类型选「所有文件」，编码选 UTF-8）：

⚠️ 最容易翻车的就是这三处：文件名带 .json 后缀、保存类型不要停在默认的「文本文档 (*.txt)」（否则会存成 body.json.txt，后面 curl 找不到文件）、编码保持 UTF-8。

{
  "model": "jev-latest",
  "state": "Hi, we were billed twice for March. Please refund the duplicate today or we will cancel our plan.",
  "questions": {
    "department": {"type": "choice", "instructions": "Which department should handle this?", "criteria": {"billing": "invoices, payments, refunds", "technical": "bugs, outages, system errors", "other": "everything else"}},
    "urgency": {"type": "score", "instructions": "How urgent is this ticket?", "criteria": ["not urgent", "soon", "blocking"]},
    "churn_risk": {"type": "noul", "instructions": "Does the user seriously intend to cancel their subscription?"}
  }
}

二）在同文件夹打开命令行，跑 curl

在文件资源管理器的地址栏输入 cmd 回车（会在当前文件夹打开命令窗口），粘贴这条命令（Windows 10/11 自带 curl，无需安装；YOUR_API_KEY 换成你自己的）：

curl -X POST "https://api.typesafe.ai/v1/systemone" -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d @body.json

回车，不到 1 秒返回（下面是我在自己电脑上真实跑的画面——命令里是我的真实 key，图中已打码，你换成你自己的）：

完整响应原文：

{
  "model": "jev-1.13.0",
  "answers": {
    "department": {
      "type": "choice",
      "choice": "billing",
      "confidence": 1.0,
      "probabilities": {
        "billing": 1.0,
        "other": 0.0,
        "technical": 0.0
      }
    },
    "urgency": {
      "type": "score",
      "score": 1.9,
      "confidence": 0.86,
      "legend": {
        "0": "not urgent",
        "1": "soon",
        "2": "blocking"
      },
      "probabilities": {
        "0": 0.0,
        "1": 0.09,
        "2": 0.91
      }
    },
    "churn_risk": {
      "type": "noul",
      "noul": 0.67
    }
  },
  "usage": {
    "input_tokens": 407,
    "output_tokens": 72
  }
}

翻译一下：该转给计费组（100% 置信）、紧急度 1.9 分接近「阻塞」（91% 概率）、真想取消订阅的概率 67%——三个判断一次请求全部返回。

三个实测踩坑提醒：

criteria 字段必须放在每个问题的顶层，别按直觉嵌套到类型名下面（422 报错就是这么来的）；
端点是 api.typesafe.ai，别用 thejevai.com（那是 Playground 的域名，调 API 会报 Invalid API key）；
Windows 命令行里别把 JSON 直接写进命令（引号转义地狱），用 -d @body.json 文件法——上面两步就是这么做的。

嫌闭源的话，开源平替 laya（pip install laya）暴露了同样的 /v1/systemone 协议，客户端改个地址就能切换，详见 https://github.com/NandhaKishorM/laya；另外 Vercel AI Gateway 和 Cloudflare 上也能调到 Jev。

十、和编程 Agent 一起用：把 Jev 装进 Codex / ZCode / Cursor / WorkBuddy

这是进阶的第二种玩法，也是目前最主流的用法——第一章说的「中间层」落地的样子：编程 Agent（Codex、ZCode、Cursor、WorkBuddy、豆包……）负责编排，Jev 负责判断和打分。不想碰编程 Agent 的同学可以跳过本章，第六章的 Playground 已经够你把 Jev 用起来。

一）装 Skill（一次就好）

最省事的方式：直接把下面这句话发给你在用的编程 Agent，让它自己装：

帮我安装 TypeSafe 的 Jev skills，仓库地址 https://github.com/typesafe-ai/skills

Claude Code 用户可以用官方命令：

claude plugin marketplace add typesafe-ai/skills
claude plugin install typesafe@typesafe-ai

我实测（Windows，Node 24）直接在终端跑 npx skills add typesafe-ai/skills 也行，过程是交互式的：先问装到哪些 Agent（Universal 的 .agents/skills 目录默认必含，还自动适配 Codex、Cursor 等十几个客户端），再问装到项目还是全局——一路回车用默认就行：

装完的确认画面长这样：三方安全扫描 0 告警（Socket / Snyk / Gen），skill 落地在当前项目的 .agents/skills/typesafe-ai 目录：

二）把 API key 配进环境

Windows 打开终端，执行（key 换成你在第七章创建的那个）：

setx TYPESAFE_API_KEY "你的key"

注意 setx 对当前窗口不生效，要新开一个终端，用下面这条 curl 验证连通（YOUR_API_KEY 换成你自己的；-d @body.json 用的就是第九章一）保存的那个请求文件，所以在 jev-demo 文件夹里执行）：

curl -X POST https://api.typesafe.ai/v1/systemone -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d @body.json

下面是我在自己电脑上真实跑的完整过程——命令里是我的真实 key（图中已打码），setx 写入成功的提示 + curl 的真实返回：

看到 curl 返回那串 JSON（含 usage 字段），就是配置通了。

三）触发使用：任务前加一句话

以后给 Agent 下任务时，前面加一句「请使用 TypeSafe 技能」就能触发。给你一个可以直接套用的任务模板（拿公众号留言分析举例）：

请使用 TypeSafe 技能。附件是我公众号后台导出的最近 500 条读者留言，
请逐条判断：留言类型（提问 / 求资源 / 吐槽 / 广告）、情绪是否激烈、是否需要作者亲自回复，
最后汇总出读者最关心的 5 个问题，并挑出 3 条适合公开精选的留言。

Agent 会把「这条留言算什么类型、情绪激不激烈、要不要亲自回」这类批量判断交给 Jev 打分，再基于结果写汇总报告——同样的活交给纯大模型，要么判断口径飘忽，要么 token 烧得心疼。

一个上手后的直观感受：单次判断看不出它的好，成百条数据的批量打分才是它的主场——越复杂的判断，越能显出它的能力。

写在最后

Jev 真正有意思的地方，不只是把原来交给大模型的判断变便宜了

——它可能让那些「原本因为太贵而根本没做」的判断开始大量发生。

当然，更多判断不会自动带来更好的结果：如果标准本身就是错的，系统只是在更快、更便宜地重复错误。

但这个方向值得盯：未来的软件未必需要一个模型包办所有事——复杂推理交给强模型，内容生成交给生成模型，范围明确的小判断交给 Jev 这类决策模型，再配上代码规则和人工审核。

不必事事都动笔写一篇作文——很多时候，程序要的只是一个够快、带概率、拿来就能用的答案。

posted @ 2026-09-29 21:10 阿坡RPA 阅读(16) 评论(0) 收藏举报

刷新页面返回顶部

weipo0105