Jev 使用指南:只做判断、不写字的 AI 模型怎么用、用在哪

Jev 不聊天、不写字,只回答带选项的问题并给出概率和置信度,适合把 Agent 路由、内容分类和风险判断做得更快、更便宜。

作者:Flavio Copes09-20 · 约 20 分钟

日常用的大模型,不管是 ChatGPT、Claude 还是各种写代码的 Agent,核心工作都是「写」——写一段回答、写几行代码、写一篇总结。

TypeSafe AI 推出的第一款模型 Jev 走了另一条路线:它不负责生成内容,只负责在给定选项之间做判断。

它不会陪你聊天,不会写文章,也不会直接写代码。它的用法很简单:你给它一段文字作为背景材料,再给它出几道带固定选项的选择题,它在几百毫秒内交卷,告诉你选哪项、每项的概率是多少,以及它对这个判断有几成把握。

用软件里最基础的概念打个比方:普通的 if 条件判断只能比对死数字(比如订单金额是否大于 100、状态是不是已支付)。一旦遇上需要「理解意思」的事情——这封私信是不是在生气、这条留言算不算广告、屏幕上的这几个按钮到底该点哪一个——死规则就会失效。

Jev 扮演的正是一个带常识的智能 if 分支。流程还是由你的代码或 AI 写好的脚本来控制,它只在需要理解意思的那一步介入,给出一个带把握程度的判断。

放到 Agent 里看更清楚。Agent 在一个循环里干活:大模型决定做什么,工具去执行,再判断结果,一直循环到任务完成。每做一个小决定都要再调一次大模型,所以又慢又贵。Jev 接手的就是这些小决定:下一步点哪个按钮、这条命令危不危险、这个任务交给便宜模型还是强模型;需要推理和写字的部分,还是交给大模型。

Jev 的主要功能特点

  • 在固定选项中做语义判断:给它背景材料和一组候选答案,它会选择最符合内容的一项或多项,适合分类、路由和动作选择。
  • 同时返回概率与置信度:程序不仅能拿到答案,还能根据把握程度决定自动执行、再次观察或转交人工。
  • 专门处理高频小决策:它不生成长文本,把计算集中在“选哪个”上,适合放进 Agent 的观察、判断、执行循环。
  • 能理解自然语言条件:情绪、意图、风险、页面元素和任务难度等难以写成固定规则的条件,可以转成选择题交给模型判断。
  • 方便交给编程 Agent 接入:官方技能会指导 Codex 或 Claude Code 完成安装、API 调用、问题设计和测试,开发者主要负责定义选项与验收规则。

TypeSafe 控制台欢迎页:列出模型的特性、局限和好处,局限里写着不擅长系统 2 任务、不是生成式聊天模型(截图:Flavio Copes)

为什么叫「系统 1」与 Jev

TypeSafe 把它定义为一种全新的模型类别:System One(系统 1)模型。

这个名字来自诺贝尔经济学奖得主丹尼尔·卡尼曼的名著《思考,快与慢》。书里把人类的思考分为两个系统:

  • 系统 1(快思考):不费力气、凭借直觉与本能瞬间做出的判断。比如走在路上看到迎面开来的车下意识闪避,或者一眼看出对方脸上带着怒意。
  • 系统 2(慢思考):调动注意力、按部就班进行的深度推理。比如计算 17 × 24,或者推导一段复杂的业务逻辑。

按 TypeSafe 的划分,推理模型做的是系统 2 的活,Jev 专做系统 1 的活:几百毫秒内给出的快速判断。

至于 Jev 这个名字,源自 19 世纪英国经济学家威廉·斯坦利·杰文斯(William Stanley Jevons)提出的「杰文斯悖论」:当蒸汽机的效率大幅提升、消耗每吨煤的成本大幅下降时,煤炭的总消耗反而上升了,因为便宜的动力被用到了更多地方。TypeSafe 认为智能判断也会这样:一次判断的成本不到万分之一美元、只要几百毫秒时,软件里就会出现大量以前根本不会去调用模型的判断点。

如何用上 Jev:四步全交给 AI

安装、配置、写调用代码,都交给你的编程 Agent(Codex 或 Claude Code)去做,你只需要四步:

  1. 官网申请加入排队:在官网 typesafe.ai 申请加入 waitlist,基本上申请当天能过。
  2. 让 AI 帮你装 TypeSafe 技能:对 Codex 说「安装 npx skills add typesafe-ai/skills --skill typesafe-ai」。用 Claude Code 的话,也可以让它按官方插件方式装:先 claude plugin marketplace add typesafe-ai/skills,再 claude plugin install typesafe@typesafe-ai。两种方式任选一种。
  3. 建立 API Key:登录操作台 console.typesafe.ai,在 API Keys 页面生成一个密钥。
  4. 开始干活:在提示词里说一句 “use the TypeSafe skill”,然后用大白话提出你的需求。

你只需要提供 API Key,说清楚你想处理什么数据、希望怎么分类,其余的代码编写、格式对接和实际测试全部由 AI 代劳。

TypeSafe 控制台首页:右边的 Quickstart 就是一段让编程 Agent 安装技能的提示词,复制给它就行(截图:Flavio Copes)

一句话交代给 AI:真实演示过程

为了验证「全交给 AI」到底顺不顺畅,我们在一个只放了留言文件 comments.txt(8 条我们写的示例留言,不是真实读者留言)的空目录里启动了 Claude Code,输入了下面这段完整提示词,其余什么也没做:

use the TypeSafe skill。帮我写一个 Python 脚本 triage.py:读取当前目录 comments.txt 里的留言(一行一条),用 Jev 把每条分成:提问、商务合作、广告、夸奖、吐槽、其他;再判断这条需不需要我本人回复;分类置信度低于 0.6 的标成「待人工」。写完用 comments.txt 实际跑一遍,把结果打印成表格。API key 已经在环境变量 TYPESAFE_API_KEY 里。只在当前目录里操作。

Claude Code 按 TypeSafe 技能的指引,用 Python 自带的库写了一个 72 行的 triage.py,自己跑了一遍,打出下面这张表:

# 留言 分类 置信度 本人回复 状态
1 请问这个工具有中文版吗?我按你的步骤装到第三步就报错了。 提问 1.00 要 (0.89) 自动
2 加V领取AI副业教程,日入过千,名额有限! 广告 1.00 不用 (0.05) 自动
3 我们是一家 AI 教育公司,想邀请您做一期合作推广…… 商务合作 1.00 不用 (0.38) 自动
4 写得太好了,收藏了! 夸奖 1.00 不用 (0.06) 自动
5 又是恰饭文,没意思。 吐槽 1.00 不用 (0.09) 自动
6 你上次说的那个模型到底能不能商用? 提问 1.00 要 (0.82) 自动
7 你们这服务真是太棒了,三天都没人回我。 吐槽 1.00 要 (0.58) 自动
8 能不能出一期教程讲讲怎么用 Codex 做自动化? 提问 1.00 不用 (0.41) 自动

跑完之后,它还主动提了建议(原话):

你需要知道的三点:

  • 6 个分类全对,第 7 条那种说反话的吐槽也认出来了。
  • 「待人工」这次一条都没触发:8 条的分类置信度都在 1.00 左右。低于 0.6 标待人工的逻辑已经写在脚本里,只是这批留言都太好认,没用上。
  • 「要不要本人回复」有两条我觉得判得不对:第 3 条是商务合作邀约,只给了 0.38,判成不用回;第 8 条是读者想看某期教程,给了 0.41,也判成不用回。我的建议是:商务合作这类直接在代码里规定「一律要本人回」,不交给模型判断,只改一行。你点头我就改。

这个过程说明了用 Jev 的分工:确定的业务规则写在代码里,模糊的语义理解交给 Jev,整体胶水工作交给编程 Agent。

给想看底层的人:一次请求长什么样

这些代码都会由 AI 替你写,这里只是让你知道它在做什么。一次请求只有两部分:state(给它看的材料)和 questions(要它回答的问题)。下面是一张示例工单(我们写的)实测「交给哪个部门」这一问:

{
  "model": "jev-latest",
  "state": { "ticket": "我昨天下单的蓝牙耳机(订单号 20260915-8831)被扣了两次款,每次 299 元,麻烦尽快把多扣的钱退给我。" },
  "questions": {
    "department": {
      "type": "choice",
      "instructions": "`ticket` 应该交给哪个团队处理?",
      "criteria": {
        "billing": "扣款、退款、发票、优惠券等和钱有关的问题",
        "technical": "App 或网站故障、闪退、无法登录、功能报错",
        "sales": "询价、批量采购、企业合作",
        "other": "以上都不是,或者看不出属于哪类"
      }
    }
  }
}

Jev 返回的结果(实测,节选这一问):

{
  "model": "jev-1.13.0",
  "answers": {
    "department": {
      "type": "choice",
      "choice": "billing",
      "confidence": 1.0,
      "probabilities": {
        "billing": 1.0,
        "technical": 0.0,
        "sales": 0.0,
        "other": 0.0
      }
    }
  }
}

注意两个关键特征:

  1. 不会答出选项之外的东西:Jev 不是一个字一个字地生成 JSON,而是直接给出你定义的那几个选项各自的概率,所以答案不可能超出选项,也不会出现坏掉的格式(官方把这叫「0% 类型错误」)。但这不代表每次都选对,它照样可能判断错。
  2. 一次回答所有问题:所有问题在同一轮计算中并行评估,互相不影响。

三种基础题型

在 Jev 里,所有判断都被归纳为三种基础题型:

是非题(Noul)

询问某个陈述是真还是假。返回一个 0 到 1 之间的概率数值 noul。 接近 1 代表很可能是「是」,接近 0 代表很可能是「否」。

  • 要注意:数值在 0.5 左右代表模型拿不准,不代表「中等程度」。
  • 提问技巧:不要问主观模糊的程度,而要问明确可核实的事实。在一份我们写的示例简历上实测:
    • 问「候选人的 Python 水平强吗?」,Jev 返回概率 0.19(完全无法据此行动);
    • 改问两个事实题:「简历里是否提到了在工作中使用 Python?」,Jev 给出 0.04(明确没有);「简历里是否提到用 Python 做过任何东西?」,Jev 给出 0.99(因为简历里写了业余写过爬虫)。业务代码根据这两个明确的事实分支处理,远比一个含糊的 0.19 稳妥。

单选题(Choice)

从一组固定、无序的选项中挑选一项。最多支持 255 个选项。 返回最高概率的选项 choice、所有选项的完整概率分布 probabilities,以及综合置信度 confidence。

  • 要注意:养成加一个「其他」选项的习惯。如果你不给兜底出口,模型遇到不符合任何分类的内容时只能强行挑一个。
  • 中文能用:本文的问题和选项全部用中文写。在一张示例工单上实测,「你们 App 一打开支付页就闪退,今天下不了单」被判为技术问题,置信度 1.0。官方说英文效果最好,其他语言能处理但不如英文,正式用之前拿自己的中文数据测一遍。

档位打分(Score)

用于有明确高低次序的量表评估,支持 2 到 10 个档位。 返回概率加权平均分 score、各档概率以及置信度。

  • 档位要写具体情境,不要只写程度词。 拿一条我们写的示例 bug 报告实测,内容是「导出按钮在 Safari 里点了没反应,Chrome 里正常,但我们大约三分之一的客户只用 Safari」:
    • 如果档位只写程度词(0: 轻微 / 1: 一般 / 2: 严重),Jev 给了 1.94 分,置信度 0.91,看似很肯定,但这个 bug 既不崩溃、也有办法绕过,这份肯定说不出依据;
    • 改为具体情境(0: 只影响外观,功能正常 / 1: 功能受损但有办法绕过 / 2: 阻塞性问题,无法绕过),Jev 返回得分为 1.48,置信度降为 0.28,第 1 档概率 0.52,第 2 档概率 0.48。 这忠实反映了现实情况:对于用 Chrome 的人来说可以绕过,但对只用 Safari 的客户来说是彻底阻塞。写成具体情境后,模型把这种两可如实表现出来,你的代码就知道该转给人看。

置信度与「全部一起问」

置信度(Confidence):知道自己什么时候拿不准

常规大模型在回答选择题时,即便你让它输出信心评估,也经常表现出盲目自信。Jev 采用 TypeSafe 研发的 RLCD(基于校准决策的强化学习)训练,核心追求是概率校准——模型给出 90% 把握的判断,在多次统计中应当有约 90% 的真实准确率。

官方推荐的三段式处理逻辑:

  • 高置信度:系统自动静默执行;
  • 中置信度:执行前找用户确认一下,或打上复核标记;
  • 低置信度:不自动执行,直接转人工通道。

各区间的具体分界线完全由你面临的业务风险决定。比如官方在示例中建议:一般的意图路由低于 0.5 即可转人工;但涉及到「批准转账」等不可逆高风险操作,置信度要求通常要定在 0.9 以上。

拿两句我们写的示例话实测:说得明确的「帮我查一下账户余额还剩多少」,Jev 判为查余额,置信度 1.0;而面对含糊语句「上次那笔钱的事你们处理一下」,Jev 判断为联系客服的概率是 0.88,但转账的概率也有 0.12,置信度跌至 0.82。系统据此可以拦截潜在的误操作。

再看一组真实数据:把资讯流里 200 条真实的中文 AI 资讯标题分成 8 类(新模型、新功能、论文、商业融资、开源项目、教程经验、观点评论、其他):

  • 10 次请求(并发 6 次),全部 200 条分类总共耗时 11.1 秒,消耗 42,498 个输入 token,按官方价格计算总花费仅 约 0.001785 美元(折合不到人民币 1.3 分钱);
  • 置信度中位数为 0.78。其中置信度 ≥ 0.9 的有 66 条,< 0.6 的有 63 条;
  • 门槛设在 0.6 时,137 条自动归类,剩下 63 条转给人看;
  • 人工核验发现:高置信度的条目分类准确,如「Jina AI 发布 jina-ocr-v1:3.4B MoE 文档解析器」被归为新模型(置信度 0.96);而置信度低于 0.6 的条目大多本身就具有双重属性,比如「Claude Code v2.1.276:修复代理环境错误」,模型在产品功能(0.50)与开源工具(0.46)之间徘徊,置信度仅为 0.44。

实测数据 · 200 条 AI 资讯分 8 类

门槛定在哪,决定多少条要人看

每条资讯 Jev 都给了分类和置信度。置信度不低于门槛的直接用它的分类,低于门槛的转给人看。拖动门槛看看两边各有多少条、卡在门槛边上的都是什么样的标题。

0.60

自动归类 137 条(68%)转给人看 63 条(32%)

刚好够门槛、自动归类的

  1. 默认门槛 0.60 时,有 137 条自动归类。

差一点、转给人看的

  1. 默认门槛 0.60 时,有 63 条转给人看。

数据:小互 2026-09-19 实测,jev-1.13.0,资讯流里最新的 200 条中文标题,每次请求 20 条、6 个并发,共 11 秒、约 0.0018 美元。标题后的括号是 Jev 给的前两个类别和概率。

提示:模糊边缘项在多次运行中可能会有细微的数值波动(实测中同一条处于两可状态的 bug 在两次运行中得分分别为 1.50 与 1.44,置信度为 0.25 与 0.34),设定置信度过滤门槛时务必留出安全余量。

一次问完所有问题(Speculative Fan-out)

在使用常规大模型时,为了节省成本和时间,开发者往往习惯先问第一个问题,根据回答再决定调不调第二个问题。

用 Jev 正好反过来:针对同一份材料、彼此独立的问题,一次请求全部问完。只有前一个答案决定了要去找什么新材料时,才需要问第二次。

拿一张示例工单实测:

  • 一次性向 Jev 询问 4 个问题(所属部门、是否要退款、紧急程度、是否包含订单号),端到端耗时 274 毫秒,消耗 603 个输入 token;
  • 分开成 4 次独立请求依次串行调用,四个问题分别耗时 268、271、276、296 毫秒,累计耗时 1111 毫秒,输入 token 变成 1572 个(每问一次,都要把工单文字再传一遍)。

一次问完不仅耗时减少近四分之三,token 成本也节省了 62%。即使某个问题最后在业务逻辑分支中没用上,单次打包的成本也远低于多次调用的重复开销。

速度、成本与准确率

先看调用价格和实际延迟:

  • 官方定价:输入每 100 万 token 为 0.042 美元(即每 10 亿 token 42 美元),输出 token 完全免费。相比主流前沿大模型每百万 token 动辄 0.2 至 10 美元的输入成本以及数倍于输入的输出计费,Jev 的调用成本降低了数倍至上百倍。
  • 端到端耗时:官方说 70 到 500 毫秒,评测是在美国西海岸跑的,服务也在那里(Flavio 转述官方的说法是多数在 100 毫秒左右)。从小互在中国大陆经过跨太平洋公网实测,单次请求的端到端时间通常在 0.25 秒至 0.58 秒 之间。
官方演示:同样 27 个工单判断题,Jev 与 GPT-5.6 Terra 同时开跑(视频:TypeSafe)

在一段 27 题同屏演示中,Jev 耗时 0.114 秒、花费 0.000081 美元;GPT-5.6 Terra 耗时 8.566 秒、花费 0.013880 美元。这组短工单很适合 Jev,两边也有一道题答案不同,因此它说明的是判断型任务上的速度和成本差异,不是所有任务的通用倍数。

在 4 个完整工作流基准中,Jev 的成本低约两个数量级,但判断一致率约为 68%,低于 GPT-5.6 sol 的约 74% 和 Opus 5 的约 73%。这正是它的取舍:用更低的成本和延迟承接大量小判断,再把拿不准或高风险的情况转出去。

官方工作流评测:横轴是每跑一次工作流的成本(对数刻度),纵轴是准确率,Jev 在最左边(图:TypeSafe)

Jev 到底能为整体账单省多少钱?

能不能把 AI 账单砍掉一半以上?技术作者 Flavio Copes 的回答是:看你的钱花在哪。他给了一个粗算公式:

总账单能省的比例 ≈ 判断类调用在账单里的占比 × 这类调用本身能省下的比例

假设一家公司每月在 AI 上花费 10,000 美元:

  • 如果其中 6,000 美元用于文本分类、意图分流、安全审查与内容初筛,而 Jev 能把这部分的成本降低 95%,那么每月可省下 5,700 美元,整体账单缩减 57%;
  • 但如果业务的核心开销全在生成长篇报告、代码编写或图片处理上,纯判断类调用只占账单的 10%,即便把判断调用全部换成 Jev,对整体月度账单的贡献最多也只有 10% 左右。

算账时要看整条流水线:前期的过滤、失败重试、低置信度转给大模型或人工复核,都要算进去。

算一算 · 公式同上

换成 Jev,账单能省多少

填你自己的数字。默认值是上面 Flavio 举的例子。

整张账单

每月省 5,700 美元,占原账单 57%

60% × (1 − 5%) = 57%

按量算一次调用

每次约 0.0000126 美元,合计约 1.26 美元

按官方价格:每百万输入 token 0.042 美元,输出不收费

只算 Jev 替掉的那部分。预处理、重试、失败请求、人工复核,以及前后仍要跑的生成步骤,要另外算。

官方和社区的真实案例

下面这些公开演示和开源项目展示了 Jev 适合承接哪些判断任务。

官方演示

维基竞速(Wikiracing):从维基百科「Baseball」页面出发,只能点页面里的链接,走到「Sun」页面,每一步都要从几百上千个链接里选。Jev 用了 0.419 秒、3 步,花费 0.047 美分;同场的 Claude Sonnet 5 用了 3.724 秒、4 步、3.310 美分;GPT-5.6 Terra 用了 9.453 秒,途中还点了一个页面上根本不存在的链接。官方注明,这里对比的是大模型的非推理模式,开了推理的大模型会好得多。

官方演示:维基竞速,每一步都要从几百上千个链接里选(视频:TypeSafe)

Jev 玩 Doom:游戏把当前局面写成文字(武器参数、敌人距离、方位等)发给 Jev,Jev 每秒约 10 次判断:要不要开火、现在最优先的目标是什么(比如回血)、往哪边躲。官方估算每小时约 7 美元,也承认不用 AI 的专门程序可能打得更好;这个演示想说明的是,它能读懂局面、照指令行动,而且足够快。

官方演示:Jev 读文字形式的游戏状态,每秒约 10 次决定下一步(视频:TypeSafe)

社区里的真实用法

邮件分拣(Ryan Vogel):他拿自己的 1500 封真实邮件做测试,发帖说「这个模型在邮件分类上强得离谱」,这条帖子有 3530 个赞。视频里是他自己搭的邮件面板:每封邮件判断类别、优先级、是不是垃圾邮件、需不需要回复。截图那一刻,1701 封里跑完了 1534 封,8 个并发,平均每封 193 毫秒,每秒处理约 40 封。

社区演示:用 Jev 给 1701 封邮件分类,8 个并发、平均每封 193 毫秒(视频:Ryan Vogel / @ryanvogel)

浏览器 Agent(Kyle Jeong,Browserbase):他用 Jev 加 Stagehand(一个让 AI 操作浏览器的开源工具)做了浏览器自动化,发帖说这次任务花了 0.001 美元,几乎是瞬间完成。他把循环讲得很清楚:先看网页,把网页的结构当材料、把能做的操作当选项交给 Jev,Jev 选下一步,Stagehand 去执行。视频里的任务是「登录一个测试商城,把车灯加进购物车,打开购物车,结账前停下」。Jev 一步步选:填用户名、填密码、点登录、加入购物车、打开购物车。中间有两次写着「操作置信度低于执行门槛,重新观察页面」:没把握时它不硬点,而是再看一遍页面。

社区演示:Jev 决定下一步点哪里,置信度不够时重新观察页面(视频:Kyle Jeong / @kylejeong)

同样的思路,Flavio 收集的早期演示里,订一张机票约 7 秒;开发者 dax 在 X 上发了一段用 Jev 加 opencode 浏览器工具的速度预览,有 3725 个赞;browser-use 团队开源的 jev-ultrafast,下一步点哪里由 Jev 决定,只有要打字时才调用大模型,GitHub 上有 5913 颗星。

交易机器人(Jarrod Watts):他做了一个交易机器人,给 Jev 一个交易对的价格数据,Jev 判断买还是卖,在 Monad 链上 Kuru 的订单簿里下单,每 300 毫秒一个区块判断一次,有在线演示站 jev-trader.vercel.app。这条帖子有 4880 个赞、110 万次浏览。帖子说它会执行真实交易;演示视频里界面右上角标着「dry run」(模拟运行),平均每次调用 100 毫秒,已调用 1840 次,偶尔会因为慢了一步「错过这个区块」。这只能说明 Jev 快到能跟上每个区块,不代表它会赚钱:官方自己说,Jev 没有针对专业领域训练。

社区演示:每个区块判断买还是卖,界面标着 dry run(视频:Jarrod Watts / @jarrodwatts)

打字机(TypeSafe Typewriter):开发者 Steve Krouse 做的在线演示,可以直接去 typesafe-demo.val.run 玩。你在左边打字,每敲一个键,它就用一次调用重新问 16 个问题:读起来像不像 AI 写的、是不是阴阳怪气、会不会引发争吵、会不会有人回复、语气、紧迫感、有没有可核实的说法……右边的条形图跟着变,视频里一次调用 318 毫秒。

社区演示:每敲一个键,16 个判断同时更新(视频:Steve Krouse / @stevekrouse)

框架已经接入:LangChain

LangChain 在 9 月 18 日发了官方集成 langchain-typesafe,并在文章里讲清了 Jev 在 Agent 里管哪一段:Agent 在一个循环里干活,大模型决定做什么、工具去执行、再判断结果,一直循环到任务完成;每做一个小决定都要再调一次大模型,所以又慢又贵。Jev 接手的就是这些小决定。集成里有两个现成的中间件:一个按任务难度选模型(简单的交给快模型,复杂的交给强模型);一个在 Agent 调用工具前检查风险,危险操作直接拦下。LangChain 在文中说,Claude Code、Codex、Cursor 这些编程工具都有「执行前判断危不危险」的分类器,但一直藏在闭源部分里;现在有了便宜的判断模型,任何 Agent 都能加上这一层。

社区代表性开源项目

GitHub 上的社区列表 awesome-jev 收录了几十个项目(列表作者说明收录不等于背书)。几个有代表性的:

  • 给 Claude Code 选模型(jev-router):让 Jev 在几个候选模型里挑,把任务交给最便宜、又够用的那个;
  • 去广告插件(typesafe-adblock / unclutter):逐个问 Jev「网页上这个元素是不是广告、是不是干扰」,是就去掉;
  • 写作检查(Sniff Test):每段问 Jev 10 个是非题,比如有没有堆叠的含糊词、重复总结的收尾句、「不是 X 而是 Y」句式,项目自己说中位耗时 182 毫秒;
  • 提交前把关(jev-git):git 提交和推送前,一秒内扫一遍改动里有没有密钥和破坏性命令;另一个项目 DiffJury 按风险给每个 PR 分流,再决定派谁审;
  • 智能家居(HA-Jev):Home Assistant 插件,关于家里状况的问题,用概率、选项或分数来回答;
  • 上下文压缩(fast-jev-compaction):Claude Code 插件,GitHub 上 3467 颗星。对话快满时不做总结,而是让 Jev 逐条判断哪些工具调用和返回结果还用得上,用不上的删掉,其余原文保留。

社区项目索引 · 46 个

别人拿 Jev 做了什么:按用途找

点类别只看这一类,也可以搜关键词。点名字打开项目。

共 46 个项目

给 AI 选模型、选技能 4

  • jev-router★ 151让 Jev 在几个候选模型里挑,把 Claude Code 的任务交给最便宜、又够用的模型。
  • jev-agent-skill-router★ 7让 Jev 替 Agent 挑技能,匹配度低就不选,不硬凑。
  • jcm-router★ 2本地代理:每条消息由 Jev 决定用哪个 Claude 模型、开多大推理强度。
  • jev-router(prismhq)★ 2基于 LiteLLM 的开源路由器,每个请求由 Jev 决定交给哪个模型。

Agent 安全把关 6

  • fx★ 3,061Vercel Labs 的编程 Agent,内置的权限审查交给 Jev,而不是再调一次大模型。
  • jev-axi★ 13Claude Code / Codex 执行命令前的关卡:给每条 shell 命令打「破坏性、外传数据、远程执行、削弱安全」的分,项目自报 44 条标注样例全对。
  • jev-guard★ 8给 Claude Code、Codex 等 Agent 挡提示词注入和危险操作,由 Jev 决定拦不拦。
  • is-malicious★ 7装依赖前让 Jev 逐个检查源码和构建文件,可疑的再细查,指出有问题的文件和行。
  • pi-heed★ 2Agent 每次要动手改东西前,检查这一步是不是用户真的要求的。
  • jev-git★ 1git 提交和推送前一秒内扫一遍改动,看有没有密钥和破坏性命令。

代码审查 5

  • Abide★ 61盯着编程 Agent 的每次改动,用 Jev 标出违反规则的地方;项目自报标出的 39 处改动里,独立复核确认 10 处。
  • Clean Code Judge★ 4给 PR 里每个文件查 31 个「代码坏味道」是非题,结果交给写作模型写审查意见。
  • DiffJury★ 3按风险给每个 PR 分流,再决定派哪位审查者。
  • limpet★ 1防止 Agent 活没干完就说「做好了」:用 Jev 判断完成条件是否满足。
  • Hunch用大白话写代码规范,由 Jev 逐条检查代码,本地或每个 PR 都能跑。

浏览器和网页 6

  • Browserbase 浏览器 Agent(Kyle Jeong)Jev 加 Stagehand:把网页结构当材料、能做的操作当选项,Jev 选下一步;帖子说一次任务 0.001 美元。
  • jev-ultrafast★ 5,913browser-use 出品的超快浏览器 Agent:下一步点哪里由 Jev 决定,只有需要打字时才调用大模型。
  • Jev Browser★ 114每一步都由 Jev 决定的浏览器自动化,主打比大模型驱动快得多、便宜得多。
  • unclutter★ 107浏览器插件:Jev 判断页面上哪些元素是干扰,自动清掉。
  • typesafe-adblock★ 50Chrome 插件:逐个问 Jev「这个网页元素是不是广告」,把去广告变成一连串是非题。
  • public-browser★ 8让 Claude Code、Cursor 操控真实的 Chrome,动作由 Jev 决定,项目自报 token 少约 30%、成本低约 25%。

写作和内容 4

  • Sniff Test★ 14写作检查器:每段问 Jev 10 个是非题(堆叠的含糊词、重复的收尾句、「不是 X 而是 Y」句式等),门槛 0.7,项目自报中位耗时 182 毫秒。
  • pagegrade★ 1给网页的每一节打清晰度、文字质量和 SEO 分。
  • JevSlop在一次请求里给 note.com 文章打 8 个维度的分,再算成 0 到 100 的「水文分」。
  • citation-verifier查论文引用:Claude 找到被引的原句,Jev 判断支不支持,最后由人拍板。

办公和数据 6

  • 邮件分拣(Ryan Vogel)拿自己的 1500 封真实邮件测试,每封判类别、优先级、是否垃圾邮件、要不要回复;视频里 8 个并发、平均每封 193 毫秒。
  • Notra★ 175营销分析平台:把品牌曝光的分类判断从大模型搬到 Jev,是非题门槛 0.5,目标中位耗时 300 毫秒。
  • 邮件意图分流★ 4每封来信用一个 Choice 判断是发票还是普通邮件,交给对应的处理流程。
  • jev-curate★ 3用 Jev 的是非题和置信度筛选合成数据集,合格的和被拒的分别写到磁盘。
  • CV screener★ 1按一份可修改的标准筛一整个文件夹的简历;标准改了,重新打分不用额外花钱。
  • typeful-triage★ 1开源项目 issue 分拣面板:每个 issue 问类型、严重程度、紧急程度、是否重复、下一步做什么,人工改过的都记下来。

管理 Agent 的上下文 3

  • fast-jev-compaction★ 3,467Claude Code 插件:上下文快满时,不做总结,而是让 Jev 逐条判断哪些工具调用和结果还用得上,原文保留。
  • yoshi★ 12Claude Code 和 Codex 的代理层:先让 Jev 判断哪些历史对话还需要,再删掉不需要的。
  • wakegate定时唤醒休眠的 Agent 之前,先问 Jev 该不该醒,没必要就不叫醒大模型。

游戏和好玩的 7

  • Jev Trader(Jarrod Watts)每个 300 毫秒的区块判断买还是卖,在 Monad 链上的订单簿下单;演示视频里标着 dry run(模拟运行)。
  • HA-Jev★ 16Home Assistant 智能家居插件:关于家里状况的问题,用概率、选项或分数来回答。
  • jevinci★ 14让 Jev 并行猜出每个像素的颜色来画画,把握越大,笔触越宽。
  • pacman-jev吃豆人:让 Jev 决定每一步往哪走的开源实现。
  • tetris-ai浏览器俄罗斯方块,可以让内置规划程序、Jev 或任何聊天模型来玩。
  • Jev Pong乒乓球游戏,球每走一步由模型决定一次,让 Jev 和大模型正面对打。
  • robo-harness机械臂工作台:Jev 在候选动作里挑下一步关节怎么动,还有花费上限。

实测和反面结论 2

  • jevcal★ 5用你自己的标注数据,为每个问题拟合达到目标准确率的置信度门槛,还能算出多少请求仍要交给大模型;模型更新让门槛失效时,自动检查会报错。
  • 「Jev 重排序不是白捡的好处」一次实测:33,047 条目录、164 个真实查询,结论是单靠 Jev 重排序没有胜过向量检索。

开源复刻 3

  • NanoJev★ 4390.6B 参数的开源仿制版:直接输出完整概率分布,附训练流程、权重和数据集。
  • Laya★ 301开源的非逐字生成判断模型,一次前向约 35 毫秒回答三种题型。
  • kev★ 212在 Qwen2.5-0.5B 上做的迷你版,能在 MacBook 上训练和运行。

收录自 GitHub 社区列表 yibie/awesome-jev(2026-09-19 抓取)和 X 上的四条帖子;中文说明由小互据列表原文翻译,星数为抓取当天的 GitHub 数据。「项目自报」的数字没有独立验证,列表作者也声明收录不等于背书。

我们自己测的几种用法

下面这些用法都是我们用 Jev 真跑的,调用和返回的数字都是真实的。输入来源逐个注明:标「真实数据」的,用的是小互资讯流里的真实资讯;标「示例输入」的,测试文字是我们为了演示写的,不是真实用户的数据。

给标题打「标题党」分(真实数据)

把资讯流里 30 条真实的中文标题(多数是从英文原标题机器翻译过来的)一次交给 Jev,每条问两个问题:标题党程度有多高(打分题:如实概括 / 有点吸睛但没失实 / 用夸张、恐吓或悬念吸引点击);标题里有没有具体的数字、名称或事实(是非题)。30 条、60 个问题一次请求完成,用时 1.2 秒,4923 个输入 token。

  • 分数最高的是「AI是精英阶层的『犯罪狂潮』?批判AI技术滥用与权力集中」,1.67,有具体事实的概率只有 0.13;
  • 「AI 真的会杀死我们吗?常见问题解答」1.32,具体事实 0.13;「DeepSeek 疯狂的新架构」1.16;
  • 分数最低的是「什么是 AIOps?AI 赋能 IT 运维」0.04(置信度 0.94)和「LLM模型量化格式深度解析:GGUF、GPTQ、AWQ、EXL2如何选择?」0.19(具体事实 0.95)。

中间地带的标题置信度普遍不高,比如「谷歌Gemini安全测试意外『越狱』,成功入侵三家真实公司」得 1.21,置信度几乎为 0,说明模型拿不准。用法:分数高于 1.5、又没有具体事实的,打上「标题党」标签;中间地带不自动处理。

检查大模型写的摘要有没有依据(原文是真实资讯,待核对的句子是我们写的)

原文是资讯流里一条真实资讯的摘要:「Qwen 发布下一代原生全模态模型 Qwen3.8-Omni-Flash,支持文本、图像、音频和视频输入及 1M token 上下文窗口,29 项评测平均分较 Qwen3.5-Omni-Plus 提升超过 25%,音频输入每小时价格下降。」我们故意写了 4 句话让 Jev 逐句核对,两句对、一句夸大、一句原文没提。每句问一个选择题:原文支持 / 原文说法和这句矛盾 / 原文没提到。一次请求 293 毫秒:

  • 「上下文窗口是 100 万 token」→ 原文支持(置信度 1.0);
  • 「在 29 项评测上的平均分比上一代提升了超过 50%」→ 和原文矛盾(置信度 1.0);
  • 「它已经开源了模型权重」→ 原文没提到(置信度 1.0);
  • 「它可以直接输入视频」→ 原文支持(置信度 1.0)。

用法:大模型写,Jev 查,判为「矛盾」或「原文没提」的句子标出来给人看。

听出反话(示例输入)

三句我们写的话,每句问三个问题:是不是在说反话、写这句话的人满意吗、情绪有多激烈。

  • 「你们这服务真是太棒了,三天都没人回我。」→ 反话 0.96,满意 0.03;
  • 「客服小姐姐十分钟就帮我解决了,服务真的很棒。」→ 反话 0.08,满意 0.97;
  • 「订单显示已签收,但我还没收到快递。」→ 反话 0.04,满意 0.07。

「真是太棒了」这种字面在夸、实际在抱怨的话,关键词规则认不出来。不过这只是三句话的小测试。

从聊天记录里找出最后约定的时间(示例输入)

一段我们写的三句对话:「周三下午我有会,周四上午可以吗?」「周四上午我不行,周五下午三点呢?」「可以,那就周五 15:00,腾讯会议。」代码先把出现过的三个时间列成选项(再加一个「没约成」),问 Jev 最后定的是哪个。它 281 毫秒选了周五 15:00,置信度 1.0,说明读懂了前两个时间都被否掉了;开会工具判为腾讯会议,置信度 1.0。具体日期的计算和写进日历,交给代码。

Agent 执行命令前先判断风险(示例命令)

我们把 6 条常见命令放进一次请求,问每条属于只读、可逆还是不可逆,用时 306 毫秒:

  • ls -la、git status → 只读(置信度 1.0、0.99);
  • rm -rf node_modules → 可逆(概率 0.86,置信度 0.78,重新安装依赖就能恢复);
  • git push --force origin main、curl ... | sh、psql -c 'DROP TABLE users;' → 不可逆(置信度 0.98 到 1.0)。

用法:只读且置信度高的直接放行,其余先问人。Flavio 的建议是一开始只记录、不拦截,攒够真实例子再放开。用 LangChain 的话,这一步已经是现成的中间件。

把选题拆成几个维度打分(真实数据)

不要让模型直接给一个笼统的总分,而是拆成几个维度让 Jev 分别判断,再在代码里按权重相加。我们拿资讯流里 4 条真实资讯试了:有没有能讲清的机制或方法(打分题)、读者能不能马上用上(打分题)、是不是纯融资新闻(是非题)。

  • 规则写在代码里:纯融资新闻(概率大于 0.5)直接淘汰,其余两个维度各占一半;
  • Qwen 新模型得分 0.468,保留;Manus 融资的「纯融资」概率 0.91,被过滤;
  • Crusoe 融资因为提到了数据中心,「机制」被打了 0.69,要是只看加权分,它会排到第二、压过 Astra for Law,是「纯融资 0.81」这条规则把它挡住了。

维度拆开后,每条为什么得这个分、为什么被过滤都看得见;想调权重,改代码里一个数就行,不用重新调用模型。

已知短板与什么时候不要用

TypeSafe 给当前版本 jev-1.13 专门写了一页「已知短板」。结合我们的实测,日常最容易踩的是下面几条:

别让它算数、数数:Jev 不是计算器。我们让它数一串英文单词里 banana 出现了几次(正确答案 4),它选对了,但只有 0.56 的把握,还给了「5」0.40,置信度 0.45;官方说要数的东西越多,错得越多。统计、比大小、算折扣,都交给代码。

别让它直接比日期:我们试了两个简单例子(下单时间在不在活动期内),它都判对了;但官方说日期比较不可靠,遇到「上周二」这种相对说法、格式混杂时更容易错。稳妥的做法是让 Jev 只把年、月、日挑出来(实测挑月份置信度 1.0、挑日期 0.97),比较交给代码。

它不会写字,只会从候选里挑:要从一段话里取出金额、邮箱、订单号,不能让它「说出来」,要先把候选找出来让它挑。实测一段投诉里有 399 元、50 元、349 元、89 元四个数字,先用一行正则把金额全找出来当选项,再问 Jev 客户要退的是哪一笔,它 249 毫秒选中了 89 元那一项,置信度 1.0。Flavio 的比喻是:让它从一副牌里挑一张,不是让它说出一张牌。

问题要写得直白:Jev 按字面理解你写的问题,不会替你补上没写的意思;问题和选项描述互相矛盾(比如是非题里「是」代表的却是否定)时,效果会变差。写问题就像给新来的实习生交代工作:清楚、直接、没有歧义。

正反两问的概率加起来不一定是 1:同一张工单「同一笔订单被扣了两次钱」,问「客户是在要求退款吗」得 0.56,问「客户要的是退款以外的东西吗」得 0.30,加起来 0.86。两个问题各算各的,别用一个去推另一个。

别塞太多无关材料:材料里和问题无关的内容越多,准确率越低(官方叫「上下文腐烂」)。先过滤,只给它和这次判断有关的那段。

代码能判断对的,就别用它:Flavio 的原话是,一个不花钱的 if,永远好过一次可能出错的模型调用。另外它不适合写文字、需要多步推理的事,这些交给大模型。

渐进式接入建议

想在自己的流程里试 Jev,稳妥的做法是先「旁路观察」,别一上来就让它做决定:

  1. 先写死规则:保留现有的业务判断逻辑不变;
  2. 静默并跑打日志:在关键判断节点并联一次 Jev 调用,把它的预测结果、得分和置信度记录到日志里,先不影响线上运行;
  3. 看对错、定门槛:攒一批真实记录,看 Jev 在不同置信度下对了多少,按你能接受的出错代价定门槛(Flavio 给学生的练习要求至少 20 条带标准答案的例子);
  4. 小步放行:先对高置信度的低风险分支实现全自动放行,其余情况继续走人工或大模型兜底。

Flavio 给的起点很具体:挑一个你现在靠写死规则、或者靠一个老出错的正则在处理的小判断(分派、批准、跳过),让 AI 用 TypeSafe 技能换成一道 Jev 的题,和原来的逻辑并排记录一周置信度,再让它真正做决定。

来源
A deep dive into Jev, TypeSafe's System One modelFlavio Copes·2026-09-17·查看主材料
本站说明
官方案例数字来自 docs.typesafe.ai;社区案例来自 X 原帖和 awesome-jev 列表;「我们自己测的几种用法」为 2026-09-19 用真实 API 调用 jev-1.13.0 所得,其中标「示例输入」的测试文字为自拟,标「真实数据」的来自小互资讯流。
↑ 正文结束
✓ 本篇全文免费开放

会员可复制、下载全文 Markdown,还能让你的 AI 订阅和提问。

阅读原文 ↗
📮 新解读第一时间进邮箱

读完觉得有用?留个邮箱,每篇新解读发布就送达,随时退订。