autojev_route_model智能模型路由
在你允许的模型中，根据任务风险、质量、成本、延迟、上下文和工具需求进行选择。没有安全候选时主动升级。
- 输入
- task + candidates
- 决策信号
- quality / cost / latency
- 输出
- model + escalate
让每个 Agent 都能使用 Jev AI 决策。
AutoJev 通过托管 Jev MCP Server、决策 API 和可安装 Jev Skills，把 Jev 模型接入 AI Agent 的路由、防护与验证流程。
接入 AutoJev
https://autojev.ai添加 Jev MCP Server
{
"mcpServers": {
"autojev": {
"type": "http",
"url": "https://autojev.ai/mcp",
"headers": {
"Authorization": "Bearer ${AUTOJEV_API_KEY}"
}
}
}
}Jev 模型指南
Jev AI 模型负责判断，生成式模型负责创造。
Jev 是 TypeSafe AI 面向软件结构化决策的 System One 模型。向 Jev 模型提供共享状态和有限问题，获得选择、概率与评分，而不是生成文本。
阅读完整 Jev 指南维度Jev生成式大模型
输出结构化选择、概率和评分生成文本、代码和工具参数
适合场景路由、分类、评分和决策门禁规划、解释、编码和内容生成
不确定性校准概率是响应的一部分置信度处理取决于工作流设计
Jev MCP
Jev MCP 把决策模型变成 Agent 可以发现的工具。
AutoJev 在 Jev 外层增加结构化 Schema、鉴权、稳定工具名、预设指引和可移植 Skills。Agent 保留自己的模型、工具、权限与审批规则。
这些决定，不该只凭 Agent 的直觉。
AutoJev 把 Jev 封装成 Agent 能发现、调用并稳定执行的结构化决策控制点。
autojev_guard_tool_call工具调用防护
在 Agent 改变外部状态之前，检查操作内容、副作用、防护措施、可逆性和你的策略。
allow / confirm / review / deny
Research Guard
判断现有证据是否充分、相互矛盾、已经过时，或可以放心引用。
Completion Reviewer
判断任务是否真的完成、还需一次检查，或应该退回继续实现。
自定义决策契约
通过通用 Decisions API 定义 choice、yes-or-unknown 和 score 类型问题。
一个 Jev 决策层，四种使用方式。
AutoJev 提供接入、输入契约和工作流说明，把一次 Jev 模型调用变成 Agent 真正能使用的运行能力。
Jev MCP Server
https://autojev.ai/mcp向 Codex、Claude Code、Cursor 和任何 Streamable HTTP MCP 客户端提供六个结构化 Jev 工具。
配置 MCPDecisions REST API
https://autojev.ai/api/v1/decisions/{preset}任何后端都可以调用模型路由、工具防护、调研、任务路由、完成审查或自定义决策契约。
查看 API 文档面向 AI Agent 的 Jev Skills
https://autojev.ai/skills/autojev-*/SKILL.md安装可移植 Jev Skills，教 Agent 何时调用决策工具、发送哪些状态，以及怎样在不扩大权限的前提下处理结构化结果。
安装 SkillsJev 在线调试台
https://autojev.ai/playground编辑真实预设输入，调用当前 AutoJev API，并检查选择、概率、评分、用量和预设指引。
开始调试实时 Jev API 调试
在 Agent 执行前，检查这次决策。
优先测试可供 Agent 直接调用的 AutoJev 工作流预设；自定义决策也可以使用 Jev Decisions 协议。编辑真实 JSON 请求，并检查服务的实际返回。AutoJev Key 只保留在浏览器内存中，不会保存。
推荐 Agent 使用：通过 MCP 或 REST 直接调用这套稳定的 AutoJev 工作流 Schema。AutoJev 会校验业务字段、转换为 Jev state + questions，并在保留原始答案的同时返回确定性的行动指引。
只用于本次请求，页面不会持久化保存。
请求地址
/api/v1/decisions/tool-guard调试台通过这个相对路径调用当前 AutoJev 服务。
结构化响应
decision + guidance + answers结构化 Jev 响应会显示在这里。
运行请求后可以检查 Jev 答案、置信度、概率分布、模型版本、Token 用量，以及 AutoJev 预设提供的确定性指引。
决策边界
把 Jev 用在工作流需要答案，而不是另一段文字的地方。
每个 AutoJev 使用场景都会把精简的工作流状态转换成边界明确的决策，并由 Agent 在现有权限内检查和执行。
模型路由
为当前任务选择合适的模型
只在你允许的模型中，根据质量、上下文、工具能力、成本、延迟和任务风险进行比较。
工具调用防护
在操作改变外部状态前进行审查
在 Agent 调用高影响工具前，评估副作用、防护措施、策略阈值和可逆性。
任务路由
选择下一条工作流路径
根据明确证据，把有歧义的工作路由到快速执行、深入审查、任务拆分或阻止状态。
调研验证
检查证据是否支持当前结论
在 Agent 引用研究结果或据此行动前，判断证据覆盖、矛盾、来源质量和任务风险。
完成审查
避免把未完成的工作报告为已完成
在关闭任务前，对照目标、已完成工作、验证结果和已知缺口。
产品价值不是再提供一个模型接口。
Jev 提供快速、校准后的判断。AutoJev 把判断变成 Agent 能安全发现和使用的控制面。
决策引擎
Jev 负责评估
System One 模型在明确选项中做出选择，并返回概率和评分。
AutoJev
可运行的决策层
输入契约
为每类决策定义输入和有限输出。
接入方式
MCP 工具、REST 预设和可移植 Skills。
触发规则
教 Agent 哪些工作流边界需要再次判断。
动作策略
把结果映射为继续、确认、审查或停止。
执行层
你的 Agent 执行
Agent 保留原有模型、工具、权限和人工审批边界。
Agent 接入流程
只需接入一次，在每个决策边界加入判断。
MCP 让工具可被发现，Skills 教 Agent 何时调用，结构化结果则给工作流一个可预期的下一步。
01
连接 MCP Server
添加一个远程地址，并把 AutoJev 访问密钥安全保存在环境变量中。
https://autojev.ai/mcp02
安装需要的 Skills
为模型路由、工具防护、调研和完成检查提供明确触发条件。
.agents/skills/autojev-*03
交给 Jev 评估
发送精简任务状态和有限问题，获得选择、概率与评分。
choice + noul + score04
执行你的策略
继续执行、请求确认、转人工审查或停止，全程不扩大 Agent 权限。
allow / confirm / review / deny完成第一次受保护的决策。
Agent 通过 MCP 发现六个结构化工具。需要在特定工作流边界自动想到这些工具时，再安装对应 Skills。
- 在账号设置中创建 AutoJev 访问密钥。
- 把 MCP 客户端连接到这里显示的 AutoJev 托管地址。
- 一次安装全部六个 AutoJev Skills。
远程 MCP 配置
Codex / config.toml
[mcp_servers.autojev]
url = "https://autojev.ai/mcp"
bearer_token_env_var = "AUTOJEV_API_KEY"Streamable HTTP MCP
Bearer API key
Typed Jev output
关于 Jev AI 的常见问题。
在 Agent 工作流加入结构化决策前，先了解 Jev 模型、Jev MCP 和 Jev Skills。
给你的 Agent 划清决策边界。
创建访问密钥，连接 MCP Server，在高影响操作之前加入结构化判断。