Jev 是什么？TypeSafe AI 决策模型完整介绍
了解 TypeSafe AI 的 Jev 模型如何通过 Jev API 返回结构化选择、概率与评分，以及它在 AI Agent 工作流中的位置。
Jev 是 TypeSafe AI 面向结构化决策推出的 System One AI 模型。 它不生成开放文本，而是根据共享状态评估一组有限问题，并通过 Jev API 返回结构化选择、概率和评分。软件可以直接使用这些答案，不需要先解析模型生成的一段文字。
TypeSafe AI 把这类模型称为 System One Models。它的目标是在软件内部提供快速判断，适用于有限答案比生成长文本更有价值的场景。
本指南介绍的是 TypeSafe AI 发布的 Jev AI 模型，不是医学领域常用来指代乙型脑炎病毒的 JEV 缩写。AutoJev 是独立的 Jev 接入平台，与 TypeSafe AI 没有隶属或官方合作关系。
Jev AI 是什么？
Jev AI 更像一个智能决策函数，而不是聊天机器人。应用向它提供上下文和明确问题，例如“这张工单应该进入哪个队列？”“这个操作是否需要审批？”或“这次部署风险有多高？”，Jev 只从应用预先给出的选项或量表中返回答案。
这种更窄的接口很适合高频决策点，因为开放文本通常还需要额外解析、验证和异常处理。它并不代表每个 Jev 判断都一定正确，而是代表返回结构和可选答案在请求前已经受到约束。
Jev 是谁开发的？
Jev 由 TypeSafe AI 开发，并作为其首个公开的 System One 模型推出。TypeSafe AI 提供底层决策模型和原生协议；AutoJev 通过托管 MCP Server、需要鉴权的 REST 接口、可移植 Skills 和在线调试台，把 Jev 接入实际 Agent 工作流。
如需查看一手产品信息，请阅读 TypeSafe 对 Jev 的介绍 和 System One 文档。AutoJev 专注实际接入方案，不代表模型厂商。
Jev 模型如何工作
一次 Jev 请求会把两个概念分开：
- State 保存需要评估的事实、证据或内容。
- Questions 定义 Jev 需要对这些状态做出的判断。
AutoJev 支持 TypeSafe 工作流和当前 Decisions API 使用的三类 Jev 问题：
- Choice 从一组命名标准中选择一个结果。
- Noul 为 yes-or-unknown 判断返回概率。
- Score 按调用方定义的量表对状态评分。
多个问题可以在一次请求里共享同一个状态。例如工具调用审查可以同时获得动作结论、风险评分和需要人工确认的概率。
怎样使用 Jev API？
Jev API 接收模型标识、共享 state 和一个或多个命名 questions。每个问题声明 choice、noul 或 score 输出，而不是要求模型生成一段文字。响应返回有限答案以及应用自身动作策略可以使用的概率和置信度信号。
AutoJev 在 /api/v1/decisions 暴露这套协议，并把上游 Provider 凭证保存在服务端。正式客户端使用 AutoJev 访问密钥鉴权；公开的 问 Jev 页面则允许访客直接体验简化后的有限问题，不需要先配置密钥。
阅读完整 Jev API 指南，查看请求结构、cURL 示例、响应处理和鉴权方式；阅读 Jev 模型指南，深入了解 Choice、Noul、Score；也可以打开 Jev 在线调试台 交互查看真实请求。
Jev 与生成式大模型的区别
Jev 和生成式语言模型解决 Agent 工作流中的不同问题。
| 需求 | Jev | 生成式大模型 |
|---|---|---|
| 在已知动作中选择 | 非常适合 | 可以做到，但通常需要解析和验证输出 |
| 返回校准概率 | 原生响应 | 取决于提示词和 Provider 行为 |
| 编写代码或文本 | 不支持 | 非常适合 |
| 解释复杂计划 | 不支持 | 非常适合 |
| 路由、分类、评分和门禁 | 核心场景 | 重复决策通常更慢、成本更高 |
实用的 Agent 技术栈可以让生成式模型负责规划和创造，在有限决策边界调用 Jev。Jev 的答案不能取代确定性检查、权限、预算或人工审批。
适合 Jev 的应用场景
当请求前已经知道可能采取哪些动作时，Jev 的价值最大：
- 在多个 AI 模型之间路由任务。
- 分类客服请求或运维事件。
- 评估发布、合规或工具调用风险。
- 判断调研证据是否充分。
- 检查 Agent 任务是否真正完成。
- 估计下一步是否需要人工审核。
- 决定工作流应该继续、暂停、拆分还是停止。
哪些场景不适合 Jev
如果任务要求模型编写答案、生成代码、创建工具参数、读取文件或用长文本解释推理，就不应该使用 Jev。这些工作应该交给生成式模型或确定性应用逻辑。
结构化输出可以避免返回无效的数据形状，但不能保证每个决策在语义上都正确。重要决策应使用自己的数据集测试，不可逆操作仍然要保留正常审批边界，并把模型判断与确定性策略检查结合起来。
AutoJev 如何使用 Jev
AutoJev 把 Jev 决策模型变成 AI Agent 可以使用的运行层：
- 远程 Jev MCP Server 向 MCP 客户端暴露结构化工具。
- REST 预设为常见决策定义稳定的输入契约。
- 可移植 Skills 教 Agent 何时调用对应决策工具。
- 确定性指引把模型输出映射为工作流动作。
- Bearer 鉴权让上游 Provider Key 只保存在服务端。
- AutoJev 在线调试台 可以直接测试请求，不需要先编写客户端。
AutoJev 不会取代 Jev，也不会隐藏底层决策模型。它为 Agent 工作流补充可重复的输入、可发现的工具和明确的动作策略。
关于 Jev AI 的常见问题
Jev 是聊天机器人吗？
不是。Jev 不生成开放式聊天内容。它评估软件提供的状态和问题，然后返回结构化决策和概率。
Jev 可以取代大语言模型吗？
不能取代生成能力。写作、编码、规划和解释仍然更适合生成式大模型。Jev 可以补充分类、路由、评分和验证等决策环节。
Jev 会做出错误判断吗？
会。结构化响应只能保证接口有效，不能保证每次判断都正确。生产系统应该用自己的数据校准阈值，保留确定性验证，并把低置信度或高影响决策升级给人工或更强模型。
浏览 Jev 主题内容
- TypeSafe Jev 指南介绍模型官方身份、问题 Primitive、接入方式和限制。
- 面向 Agent 的 Jev AI 介绍 Agent 架构和常见决策模式。
- Jev API 指南 介绍鉴权、请求 Schema、cURL 和响应处理。
- Jev 生态指南解释 OpenJev、NanoJev、jev-router 和 Awesome Jev 社区项目。
- Jev 模型指南 介绍 State、Choice、Noul、Score 和响应处理。
- Jev MCP Server 介绍怎样接入 Codex、Claude Code、Cursor 和其他 MCP 客户端。
- Jev Skills 介绍 AutoJev 提供的一个总控路由和五个可安装专项 Skills。
- Jev 在线调试台 可以直接查看真实请求与响应结构。
Jev 官方资源
继续阅读 AutoJev 接入文档，或配置 Jev MCP Server。
Jev 实战
让 Jev 为 Codex、Claude Code 等智能体自动选模型。
AutoJev 是一款免费开源的桌面网关。它的智能选择会询问 Jev 哪个模型最适合当前请求——只发送路由元数据，从不发送对话内容。