上一篇讲了 Jev 是什么（System One 快速判断模型入门），这篇直接动手：从申请 Key 到写出一个可用的置信度路由，完整走一遍。
一、准备：拿到 API Key
- 打开 console.typesafe.ai 注册；
- 在控制台创建 API Key，存进环境变量（不要硬编码进代码）：
export TYPESAFE_API_KEY="你的key"二、最小可运行示例（curl）
一条 curl 就能跑通。这里用 Noul 题型问一个“是/否”判断：
curl https://api.typesafe.ai/v1/systemone \
-H "Authorization: Bearer $TYPESAFE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "jev-latest",
"state": "I was charged twice for my subscription this month. Please refund the extra charge.",
"questions": {
"billing": {
"type": "noul",
"instructions": "Is this message about billing?"
}
}
}'返回：
{
"model": "jev-latest",
"answers": {
"billing": { "type": "noul", "noul": 0.98 }
},
"usage": { "input_tokens": 120, "output_tokens": 12 }
}0.98 就是模型认为“是计费问题”的概率——代码可以直接用这个数字做阈值判断，不需要解析任何文本。
三、Python SDK 调用
pip install typesafe-sdkfrom typesafe_sdk import Choice, Noul, Score, TypeSafeClient
with TypeSafeClient() as client: # 自动读取 TYPESAFE_API_KEY
resp = client.system_one(
state="My running shoes arrived in the wrong size. Can I swap them for a size 10?",
questions={
# 1) Choice：从固定选项里选
"department": Choice(
instructions="Which team should handle this?",
criteria={
"returns": "Exchanges, wrong or damaged items",
"shipping": "Delivery status, delays, lost packages",
"billing": "Charges, invoices, payment problems",
},
),
# 2) Score：按评分档位打分
"urgency": Score(
instructions="How urgent is this message?",
criteria=["Can wait", "Needs attention this week", "Needs attention today"],
),
# 3) Noul：是/否判断
"wants_refund": Noul(
instructions="Does the customer ask for a refund?",
),
},
)
for name, ans in resp.answers.items():
print(name, "=>", ans)三种题型一次请求全部返回，每个答案都是结构化的对象（不是文本）。
四、响应结构详解
Choice（选择）
{
"type": "choice",
"choice": "calm",
"confidence": 0.7,
"probabilities": { "angry": 0.15, "calm": 0.8, "excited": 0.05 }
}choice：选中的选项probabilities：每个选项的概率（不是只有最高分）confidence：置信度（与概率是两回事，见下文）
Score（评分）
{
"type": "score",
"score": 1.7,
"confidence": 0.55,
"legend": { "0": "Can wait", "1": "Needs attention this week", "2": "Needs attention today" },
"probabilities": { "0": 0.1, "1": 0.1, "2": 0.8 }
}score：连续值（落在档位之间，例如 1.7）legend：档位含义，方便代码映射
Noul（是/否）
{ "type": "noul", "noul": 0.95 }- 返回“陈述为真”的概率（0–1）
usage（计费）
{ "usage": { "input_tokens": 120, "output_tokens": 12 } }注意：Jev 按输入 token 计费，输出免费——所以一次请求里塞多个问题，成本几乎不随问题数增加（官方称打包多问题比逐个调用便宜约 12 倍、快约 10 倍）。
五、实战模式：置信度路由
Jev 最有价值的用法，是用 confidence 决定“要不要相信这个判断”：
from typesafe_sdk import Choice, TypeSafeClient
def route_ticket(text: str):
with TypeSafeClient() as client:
resp = client.system_one(
state=text,
questions={
"team": Choice(
instructions="Which team should handle this?",
criteria={
"billing": "Charges, invoices, payment problems",
"technical": "Bugs, errors, product not working",
"account": "Login, password, account settings",
},
),
},
)
ans = resp.answers["team"]
# 置信度低 → 转人工；高 → 自动分发
if ans.confidence >= 0.8:
return f"自动派给 {ans.choice} 团队"
else:
return f"转人工（模型倾向 {ans.choice}，置信度 {ans.confidence:.2f}）"这个模式叫 Confidence-gated routing：答案告诉你“是什么”，置信度告诉你“能不能据此行动”。
六、和 LLM 组合使用
两者是互补关系，常见组合：
| 环节 | 用什么 | 理由 |
|---|---|---|
| 用户消息分诊 | Jev（Choice） | 快、结构化、可路由 |
| 生成回复文案 | LLM | 需要自然语言 |
| 回复前安全检查 | Jev（Noul/Score） | 低延迟、可设阈值 |
| 工具调用参数提取 | Jev（Choice/Score） | 闭集参数、带置信度 |
一个实用的“守卫”流程：LLM 生成回复 → Jev 用 Noul 判断“是否包含敏感承诺” → 命中就拦截或转人工。
七、成本与限制注意事项
| 项 | 说明 |
|---|---|
| 计费 | 只算输入 token（$42/Btok ≈ $0.042/M）；输出免费 |
| 上下文 | 默认 64k/请求、32k/问题；超长文本需开长上下文 Header（上限 262k） |
| 输入类型 | 仅文本（字符串 / JSON / 文本数组）；图片音频暂不支持 |
| 模型名 | 用 jev-latest 别名自动跟随最新版；固定版本可用 jev-1.14.0 |
| 限流与错误 | 返回 4xx 时看错误体；请求体可压缩（zstd）、支持 HTTP/2 |
八、常见坑
- 忘记 model 字段：请求体必须带
model（如jev-latest）； - 把 Jev 当 LLM 用：让它“写文案”会失败——它只回答题型定义的问题；
- 问题 id 是自己起的：
questions的 key 任意命名，答案按同名返回，模型看不到 id； - 只看最高概率、忽略置信度：概率高不代表可信，务必结合
confidence； - 一次塞太多问题超过上下文：注意 32k/问题的限制，长文本先裁剪或分片。
结语
Jev 的接入成本很低（一个 endpoint + 三种题型），真正的价值在于把“AI 判断”变成业务代码可以直接 if 的结构化信号。如果你在做一个需要“分诊、审核、路由、打分”的系统，值得花半小时试一下。
📦 更多 AI 工具：访问 AI工具库 查看 100+ 个 AI 工具与分类对比，大模型 API 平台见 开放平台分类。
Jev 工具详情页（官网直达）：Jev - AI工具库。
相关阅读：