## Jev AI 是什么

[Jev AI](https://typesafe.ai/) 是 TypeSafe AI 于 2026 年 9 月发布的 AI 模型，属于 System One Model（系统一模型）。
与 GPT、Claude 等通用大语言模型不同，**Jev 不负责聊天、写文章或生成代码，而是专门针对输入的信息，快速完成分类、评分和判断，并返回结构化结果。**

例如，你向普通 AI 提问：「我收到一封邮件，帮我看看这封邮件是否重要，需不需要回复？」
普通 AI 可以阅读邮件、分析内容，再通过文字给出建议。而 Jev 可以直接返回判断结果：

```text
邮件类型：工作邮件

是否需要回复：
是：98%
否：2%

处理优先级：高
```

官方资料：[Jev 官方介绍](https://typesafe.ai/blog/introducing-system-one-models-and-jev)

## 在 Playground 体验三种判断

| 模式 | 回答什么 | 如何读结果 |
| --- | --- | --- |
| [Choice](https://docs.typesafe.ai/primitives/choice) | 选哪个 | 返回选项及各选项概率，总和为 100%；本例预期偏向 A |
| [Noul](https://docs.typesafe.ai/primitives/noul) | 是否成立 | 返回“是”的概率；例如 0.98 表示模型判断需要回复的概率为 98% |
| [Score](https://docs.typesafe.ai/primitives/score) | 程度多高 | 按等级位置进行概率加权；这里低、中、高对应 0、1、2，越接近 2，优先级越高 |

从 [官网](https://typesafe.ai/) 进入 [API Console](https://console.typesafe.ai/)，登录后打开 Playground。核心输入有两部分：**State 是待判断的材料和背景，Questions 是问题与判断标准**。State 可以是字符串、对象或数组，下面用 JSON 对象方便复制。[State 文档](https://docs.typesafe.ai/concepts/state)

以面试邮件为例，把下面内容放入 State：

```json
{
  "发件人": "HR <hr@company.com>",
  "主题": "面试时间确认",
  "正文": "您好，您的面试安排在明天下午3点，请于今天回复确认是否能够参加。"
}
```

Questions 只设置一个 Choice 问题，判断邮件类型：

```json
{
  "category": {
    "type": "choice",
    "instructions": "这封邮件属于哪种类型？",
    "criteria": {
      "A": "工作或求职邮件",
      "B": "私人往来",
      "C": "广告促销",
      "D": "其他通知",
      "E": "其他或信息不足"
    }
  }
}
```

Jev 返回结构示例（按[官方 API](https://docs.typesafe.ai/api)展示 `answers` 部分，省略模型版本和用量字段；以下数值为模拟数据，并非实际调用结果）：

```json
{
  "answers": {
    "category": {
      "type": "choice",
      "choice": "A",
      "probabilities": {
        "A": 1.0,
        "B": 0.0,
        "C": 0.0,
        "D": 0.0,
        "E": 0.0
      },
      "confidence": 1.0
    }
  }
}
```

翻译过来其实就是：

```json
{
  "邮件类型": "工作或求职邮件",
  "各类型的判断概率": {
    "工作或求职邮件": "100%",
    "私人往来": "0%",
    "广告促销": "0%",
    "其他通知": "0%",
    "其他或信息不足": "0%"
  },
  "置信度": "100%（反映选项概率的集中程度，不代表正确率）"
}
```

**三种问题可以放在同一次请求中，独立判断同一份 State，彼此不会读取对方的答案。**

```json
{
  "背景": "女朋友想聊工作中的烦心事，男朋友一直在玩游戏。",
  "聊天记录": [
    "女朋友：今天工作好烦啊。",
    "男朋友：嗯嗯。",
    "女朋友：算了，你忙吧，我不打扰你了。"
  ]
}
```

对应 Questions：

```json
{
  "dissatisfied": {
    "type": "noul",
    "instructions": "结合聊天背景，女朋友是否在表达不满？"
  },
  "degree": {
    "type": "score",
    "instructions": "判断女朋友表达不满的程度。",
    "criteria": ["没有明显不满", "有些失落或不满，但表达克制", "明确表达强烈愤怒或指责"]
  },
  "intent": {
    "type": "choice",
    "instructions": "结合上下文，女朋友最后一句话最可能表达什么？",
    "criteria": {
      "A": "感觉被忽视，希望得到认真倾听",
      "B": "理解对方忙碌，希望对方继续做自己的事",
      "C": "单纯想结束聊天",
      "D": "信息不足，无法判断"
    }
  }
}
```

Jev 返回结构示例（同样仅展示 `answers`，数值为模拟数据）：

```json
{
  "answers": {
    "dissatisfied": {
      "type": "noul",
      "noul": 0.87
    },
    "degree": {
      "type": "score",
      "score": 1.05,
      "legend": {
        "0": "没有明显不满",
        "1": "有些失落或不满，但表达克制",
        "2": "明确表达强烈愤怒或指责"
      },
      "probabilities": { "0": 0.0, "1": 0.95, "2": 0.05 },
      "confidence": 0.92
    },
    "intent": {
      "type": "choice",
      "choice": "A",
      "probabilities": { "A": 0.76, "B": 0.12, "C": 0.08, "D": 0.04 },
      "confidence": 0.68
    }
  }
}
```

翻译过来就是：

```json
{
  "是否表达不满": {
    "是": "87%",
    "否": "13%"
  },
  "不满程度": {
    "最可能的程度": "有些失落或不满，但表达克制",
    "评分": "1.05 / 2",
    "各程度的判断概率": {
      "没有明显不满": "0%",
      "有些失落或不满，但表达克制": "95%",
      "明确表达强烈愤怒或指责": "5%"
    },
    "置信度": "92%"
  },
  "最可能的潜台词": "感觉被忽视，希望得到认真倾听",
  "各潜台词的判断概率": {
    "感觉被忽视，希望得到认真倾听": "76%",
    "理解对方忙碌，希望对方继续做自己的事": "12%",
    "单纯想结束聊天": "8%",
    "信息不足，无法判断": "4%"
  },
  "潜台词判断的置信度": "68%（反映选项概率的集中程度，不代表正确率）"
}
```

这个示例表示：模型判断表达不满的概率为 87%，不满程度接近“有些失落但表达克制”，并将 76% 的选项概率分配给“感觉被忽视，希望得到认真倾听”。

**将同样的方法用于客服，就可以同时判断“是否投诉、情绪强度、应该转给哪个部门”。**

## 用 Skill 和 API Key 接入智能体

[TypeSafe 官方 Skill](https://github.com/typesafe-ai/skills) 是给智能体的使用说明，指导它设计问题、查阅文档和编写调用代码。**安装 Skill 不等于安装模型，也不代表免费获得 API 调用额度。**

在终端安装，按提示选择 Codex 或其他智能体；默认安装到当前项目，加入 `-g` 则安装到用户级目录：

```bash
npx skills add typesafe-ai/skills --skill typesafe-ai -g
```

也可以让智能体根据仓库说明完成安装。

```text
为本机所有智能体全局安装这个skill：https://github.com/typesafe-ai/skills
```

在 TypeSafe 控制台的 **API Keys** 中创建密钥，将下面的“我的key”替换为自己的 API Key，在终端执行：

```bash
echo 'export TYPESAFE_API_KEY="我的key"' >> ~/.zshrc && source ~/.zshrc
```

这会把环境变量配置追加到 `~/.zshrc`，并在当前终端立即加载；之后读取该文件的 zsh 会话也会加载。

[官方 SDK](https://docs.typesafe.ai/sdk/javascript) 默认从 `TYPESAFE_API_KEY` 读取密钥，因此通常无需修改 Skill 或每次重复解释变量名。先在智能体中检查：

```text
检查实际执行 API 调用的环境中，TYPESAFE_API_KEY 是否存在且非空。
只报告是否可用，不输出密钥，不修改配置，不调用 API。
```

## Codex 案例：筛选最近 30 封 Gmail 邮件

前提是智能体已连接 Gmail、安装 TypeSafe Skill，并能访问 API Key。Gmail 工具负责读取邮件，Jev 负责分类评分，智能体负责整理表格。下面的提示词可直接使用；执行时，邮件内容会发送给 TypeSafe 进行判断。

```text
使用 $typesafe-ai，读取我 Gmail 收件箱中最新的 30 封邮件，让 Jev AI 按高、中、低优先级做一次初筛。
用中文表格展示结果、高中低各自的判断概率和原邮件链接，按优先级排序，并告诉我本次筛选的耗时。
允许将必要的邮件内容发送给 TypeSafe，但不要修改邮件。
```

这次实验中，**Jev API 执行约 1.19 秒，整个任务约 1 分 40 秒**。

实际应用中，把分类和初筛交给 Jev，把复杂分析和回复写作交给大模型；低把握的结果留待复核。中文案例也应先用自己的样本测试，官方目前说明中文等非英语输入的准确性低于英语。

## 实际使用场景

| 使用场景          | Jev 负责什么                | 后续如何处理                |
| ------------- | ----------------------- | --------------------- |
| 邮件自动分类        | 判断邮件类型、是否需要回复、处理优先级     | 自动分类，重要邮件交给 AI 起草回复   |
| 情侣聊天分析        | 根据聊天记录判断可能的沟通意图         | 交给 GPT 生成回复建议         |
| 客服自动分流        | 判断用户是在咨询、投诉，还是申请退款      | 分配到不同客服或处理流程          |
| 商品评价分析        | 判断评论涉及质量、价格、续航还是其他问题    | 筛选相关评论，交给 AI 总结优缺点    |
| AI Agent 任务分流 | 判断用户的需求属于搜索、编程、写作还是其他任务 | 调用对应的智能体或工具           |
| 浏览器自动化        | 根据当前页面状态，判断下一步应该点击哪个按钮  | 由浏览器工具执行实际操作          |
| 新闻与信息筛选       | 判断文章主题、相关性和内容价值         | 过滤无关信息，将重要内容交给大模型深入分析 |
| 文件自动整理        | 判断文件类型、主题和所属项目          | 自动分类、归档，或交给相应智能体处理    |
| 智能体任务检查       | 根据任务要求和执行记录，判断是否存在明显遗漏  | 触发进一步检查或人工确认          |

> **专注 AI 与个人知识管理**
> 本文属于 [杰森的效率工坊](https://jasonai.me)原创。未经允许禁止商用。
> 
> **订阅杰森的频道：**
> [YouTube](https://www.youtube.com/@JasonEfficiencyLab) · [Twitter(X)](https://x.com/JasonEffiLab) · [小红书](https://www.xiaohongshu.com/user/profile/60935957000000000101fbf7) · [B站](https://space.bilibili.com/3546884870244925)