Jev 模型指南：输入、输出与最佳使用场景

Jev 模型是 TypeSafe AI 面向软件内部决策推出的结构化评估模型。请求包含共享状态和一个或多个类型明确的问题，响应包含有限答案、概率分布和置信度，代码无需先让模型生成一段文字再进行解析。

Jev 模型的请求结构

每次 Jev 决策都包含两个层次：

• State 是需要评估的信息，可以是精简文本、结构化数据或相关记录数组。
• Questions 定义需要根据状态做出的判断。每个命名问题都包含类型、说明和判断标准。

把状态和问题分开非常重要，因为多个独立判断可以在一次模型调用中评估相同证据。例如部署审查可以同时询问动作结论、风险评分和需要人工确认的概率。

Jev 模型的三类问题

Choice

Choice 从调用方提供的命名标准中选择一个答案。它适合在可能结果已知时进行路由、分类和动作选择。

例如选择客服队列、选择允许使用的 AI 模型，或把工具调用映射成 allow、confirm、review、deny。

Noul

Noul 表示 yes-or-unknown 判断，返回概率而不是开放文本。它适合“是否需要人工审核？”“证据是否充分？”这类问题。

应用应该使用自己的阈值处理概率。不要把同一个阈值套用到所有场景；应该用自己的数据校准，并为高影响操作设置更严格的升级规则。

Score

Score 根据调用方定义的有序量表对状态进行评分。它适合评估风险、紧急程度、质量或完成度等比二元答案更适合用量表表达的场景。

量表应该清楚描述每一级。不要只写“低”和“高”，却不说明哪些观测情况属于对应级别。

Jev 模型请求示例

AutoJev 的通用 Decisions API 接受同样的 State + Questions 结构：

{
  "state": {
    "action": "为存在重复扣款争议的订单退款 680 美元",
    "customer_verified": true,
    "approval_limit_usd": 500
  },
  "questions": {
    "verdict": {
      "type": "choice",
      "instructions": "选择当前最安全且被允许的下一步。",
      "criteria": {
        "allow": "无需额外审批，可以继续。",
        "confirm": "必须获得明确人工确认。",
        "deny": "不应执行这个操作。"
      }
    },
    "needs_review": {
      "type": "noul",
      "instructions": "估计这个操作是否需要人工审核。",
      "criteria": {
        "true": "应该先进行人工审核。",
        "false": "现有防护措施已经充分。"
      }
    },
    "risk": {
      "type": "score",
      "instructions": "评估资金和策略风险。",
      "criteria": [
        "低：影响隔离并且容易回滚。",
        "中：影响有限，并已测试回滚。",
        "高：影响生产环境或验证不完整。",
        "严重：必须先解决阻塞问题。"
      ]
    }
  }
}

这个结构把动作策略保留在 Jev 模型之外。应用决定某个结论或概率允许执行什么操作。

怎样理解 Jev 模型输出

AutoJev 响应可以包含：

• 选中的决策或评分。
• 与答案关联的置信度。
• 所有可选结果对应的概率。
• 每个问题的完整答案对象。
• Provider、模型版本、请求 ID 和 Token 用量。
• 使用预设接口时返回的确定性预设指引。

概率通常比单独的标签更有价值。应用可以在高于某个阈值时继续，在不确定区间请求人工审核，在低于另一个阈值时停止。阈值属于应用策略，而不是模型本身。

Jev 模型与 JSON Mode 的区别

JSON Mode 约束生成式大模型如何格式化响应。Jev 从一开始就围绕决策任务设计：有限输出和概率是核心接口，而不是把一段生成文本恰好序列化成 JSON。

两种方式都仍然需要清晰问题、代表性评估和周围策略。类型安全的输出能避免无效响应结构，但不能消除语义判断错误。

Jev 模型的最佳使用场景

在以下条件下，Jev 模型通常更适合：

• 请求前可以定义可能输出。
• 决策将由代码消费，而不是作为文章阅读。
• 工作流需要明确表达不确定性。
• 相同决策会重复发生，或位于重要 Agent 边界。
• 确定性代码可以执行最终动作策略。

如果任务需要生成新文本、代码、计划、长篇推理，或无法预先列出的工具参数，应使用生成式模型。

Jev 模型的限制

• Jev 可能选择一个结构有效但语义错误的答案。
• 模糊标准会产生模糊决策边界。
• 缺失或误导性状态会产生误导性概率。
• 公共 Benchmark 不能取代针对自己工作流的评估。
• 模型结论不会自动授予执行权限。
• State 中不应包含 Secret 和无关隐私数据。

通过 AutoJev 使用 Jev 模型

AutoJev 提供多种 Jev 模型调用方式：

• Jev MCP：为支持 MCP 的 Agent 提供可发现工具。
• Jev Skills：提供可重复的触发说明和结果处理方式。
• REST 预设：覆盖模型路由、任务路由、工具防护、调研检查和完成审查。
• 通用 Decisions API：处理自定义 Choice、Noul 和 Score 问题。
• 在线调试台：用于交互调试。

如果需要更容易理解的介绍，请阅读 Jev 是什么？ 或 面向 Agent 的 Jev AI。接入示例请继续阅读 AutoJev 接入指南。