大语言模型（LLM）擅长“写东西给你看”，但软件需要的是判断——这条工单该给哪个团队、这段评论是否违规、这份简历是否合格。用 LLM 做这类事，你得让它输出一段文本，再费劲解析成代码能用的结构，还得处理它偶尔的幻觉。
TypeSafe AI 的 Jev 换了个思路：不做文本生成，直接返回带类型的判断结果。
一、Jev 是什么
Jev 是 TypeSafe AI 的旗舰模型，也是第一个 System One 模型。
- 输入：
state（要评估的内容，字符串或结构化 JSON）+questions（你想知道的问题） - 输出：每个问题一个答案，包含结构化结果 + 概率分布 + 置信度
- 特点：不生成文本、不写代码、不解释推理过程；答案直接是代码可以
switch/ 排序 / 路由的值
官方文档对这个定位有一句很准确的话：LLM 是“面向人类阅读的文本生成系统”，而需要让代码消费判断时，Jev 直接给出“代码能依赖的结构化决策”。
二、System One vs System Two：两种大脑
认知科学里常把思考分为两套系统（这也是 Daniel Kahneman 的经典框架）：
| System One（系统一） | System Two（系统二） | |
|---|---|---|
| 特点 | 快速、直觉、自动 | 慢速、审慎、推理 |
| 类比 | 看到一张脸立刻认出是谁 | 做一道复杂的数学推导 |
| AI 中的对应 | Jev 这类决策模型 | 主流 LLM 的“思维链”推理 |
| 延迟 | 官方描述约 70–500ms | 数百毫秒到数秒 |
| 输出 | 带类型的值 + 概率 + 置信度 | 自然语言文本 |
Jev 的官方定位就是“为软件做快速、结构化决策”——它不负责写文案，负责下判断。
三、和 LLM 的核心区别
| 维度 | LLM（如 DeepSeek、通义千问、Kimi） | Jev |
|---|---|---|
| 输出形态 | 自然语言文本 | 结构化值（选项 / 分数 / 概率） |
| 概率信息 | 不直接给出（软最大后才采样） | 每个候选都带概率，还有置信度 |
| 幻觉问题 | 可能编造内容 | 不生成内容，只做限定选项内的判断 |
| 适合干什么 | 写文案、写代码、头脑风暴、解释 | 分诊、分类、审核、打分、路由 |
| 不适合干什么 | — | 生成文章、写代码、需要推理步骤的任务 |
一句话：LLM 负责“创造内容”，Jev 负责“做决定”。两者不是替代关系，而是配合关系（后文有组合方式）。
四、三种题型（Primitives）
Jev 通过“题型”定义答案空间，官方称之为 primitives：
| 题型 | 问的是什么 | 返回什么 |
|---|---|---|
| Choice | 从固定选项里选一个 | choice 选中项 + 每个选项的概率 + confidence |
| Score | 按评分标准打分 | score 分数 + 各档位概率 + legend 档位说明 |
| Noul | 一个陈述是否成立（是/否） | noul：0–1 之间的概率 |
一次请求可以混合多种题型，所有问题并行评估、互不干扰；问题数量增加，响应时间几乎不变（官方说明）。
五、典型场景
| 场景 | 怎么用 |
|---|---|
| 客服工单分诊 | Choice：这条工单属于 退款/技术/账号 哪个团队？ |
| 内容安全 | Noul：这条评论是否包含辱骂？Score：攻击性等级 0–2 |
| 意图路由 | Choice：用户请求走“确定性代码 / 专用 LLM / 人工”？ |
| RAG 结果过滤 | Score：这段检索内容与问题的相关度 0–3，低分直接丢弃 |
| 表单/文档字段校验 | Noul：这份合同是否包含提前终止条款？ |
| 招聘初筛 | Score：这份简历与岗位匹配度 0–5 |
更进阶的模式包括：置信度路由（置信度低就转人工或升模型）、投机扇出（一次问很多问题，让代码挑有用的）、复合评分（拆成多个原子判断，加权合成总分）、意图路由（先分类再分发）。
六、怎么用起来（入口与价格）
| 项 | 信息 |
|---|---|
| 控制台 / API Key | console.typesafe.ai |
| API 端点 | POST https://api.typesafe.ai/v1/systemone |
| 模型 | jev-latest（别名）、jev-1.14.0（2026-10-14 发布）、jev-1.13.0 |
| 价格 | $42 / Btok 输入（约 $0.042/M 输入 token），输出 token 免费 |
| 上下文 | 默认 64k/请求、32k/问题；长上下文模式（需特殊 Header）可到 262k |
| 其他入口 | Cloudflare Workers AI（typesafe/jev）、OpenRouter（typesafe/jev-1.13 等） |
| SDK | Python（pip install typesafe-sdk）、JavaScript |
具体价格与模型以官网当前页面为准。
七、什么时候不该用 Jev
- 要写文案、写代码、翻译长文 → 用 LLM（如 DeepSeek、通义千问）
- 要解释推理过程给用户看 → 用 LLM 的思维链
- 要精确计算（金额、日期差） → 用代码，不要用任何模型
- 要处理图片 / 音频 → Jev 目前只支持文本（图片题（Box）需特殊 Header 且非默认开放）
结语
Jev 的价值不在于“更聪明”，而在于把 AI 的判断变成软件能直接使用的信号：带类型、带概率、带置信度、毫秒级返回。如果你的系统里有一堆“需要 AI 判断但又要代码继续处理”的环节，它恰好补上了 LLM 与业务代码之间的那块空缺。
想动手试试？看下一篇：《Jev API 接入实战：用 Python 调用 TypeSafe Jev 做结构化判断》。
Jev 的工具详情页（含官网直达）：Jev - AI工具库。