Jev AI

Jev AI 快速入门

给软件团队的一个「决策层」：丢给它一段状态（工单、帖子、表单），用类型化的问题问它，拿回带概率、代码能直接用的答案——不用再为「要不要人工」「走哪条路由」写一堆正则。

这是什么?适合谁?

Jev AI（thejevai.com，运营方 TypeSafe）是一个概率决策模型与 API 平台。它解决的不是「生成一段话」，而是软件系统里每秒要做无数次的小决策：这条工单要不要升级？这条内容是不是垃圾？这个请求路由给快模型还是强模型？

它的核心抽象分三块：

• State（状态）：把你的业务上下文（工单文本、帖子内容、表单字段）给 Jev，同一份状态可以被多个问题共享
• Questions（问题）：用三种类型化问题定义决策——Choice（多选分类）、Score（连续打分）、Noul（带概率的是/否判断）；一次请求最多 8 个问题
• Result（结果）：返回类型化输出 + 概率 + 置信度，你的代码用 if、路由、队列逻辑直接消费

平台还带一个决策模型目录：自家 typesafe/jev-1.13 之外，聚合了 Cloudflare Clef / Clef-Flash、Perplexity PPLX Decider、Liquid D1、Together Tev1、Upstage Solar Decide 等 14 个决策模型，付费档位可全部调用。在线 Playground 免费可用。

适合谁：

• 在做客服分诊、内容审核、风控闸门、模型路由、Agent 工具调用风险控制的开发团队
• 想把「LLM 判断」变成可测试、有 schema、有概率输出的工程组件的人
• 想先免费试玩、验证一个工作流再花钱的独立开发者

不适合谁：需要长文本生成、对话陪伴、多模态（图像/音频/视频）输入的用户——官方边界写明目前只接受文本、JSON 和文本数组。

准备工作

• 账号：官网注册即可，Playground 免费（Laya 等部分第三方模型消耗额度）
• 费用：最低一次性 $10（Starter，10 万 credits 不过期、3 并发、14 个决策模型全开）；Pro $100（100 万 credits、10 并发）；Enterprise $1,000（1,100 万 credits、不限并发）。一次性买断不自动续订
• 时间预算：Playground 试懂概念约 15 分钟；接进自己的服务约半天
• 前置知识：会写基本代码（Python/JS 任一）、了解 REST API 或 SDK 调用

三步上手

1. 玩 Playground：打开 thejevai.com 的 Playground，选一个内置真实场景（病毒帖分析 / SEO 内链 / 工单分诊等 15 个），看看「状态 → 问题 → 带概率的类型化结果」长什么样
2. 定义自己的问题：把 State 换成你业务里的真实文本，用 Choice / Score / Noul 写 2–3 个问题，点 Generate decisions 看输出
3. 接 API：页面可直接复制请求 JSON；或装 SDK（from typesafe_sdk import Choice, Noul），建 API key 后用 POST /v1/systemone 调用

初级用法

• 工单分诊：一份工单文本 + 三个问题（intent=Choice、urgent=Noul、需不需要人工=Noul），一次请求全答完，代替三轮 LLM 调用
• 模型路由：先问「这个任务难度高吗」（Score），简单的走便宜快模型，难的才升级——官方把它列为第一连接场景
• 敏感动作闸门：在工具真正执行删除、支付之前，用 Noul 问一句「这个意图安全吗」，低于概率阈值就转人工确认
• 长会话压缩：判断哪些工具结果还重要、保留哪些源细节，做上下文压缩时的取舍
• Agent Skill：npx skills add jev-ai/jev-agent-skill 可把 Jev 装进 Codex / Claude Code / Cursor，让编码 Agent 自己调类型化决策（配 JEV_API_KEY 与 JEV_LANGUAGE=en-US，支持简体中文示例）

高级玩法

1. 多模型对比选型：同一个 State+Questions 分别跑 jev-1.13、clef-flash、pplx-decider，用你自己的历史数据比准确率——目录里 14 个模型一个 key 全通
2. 置信度驱动的人工接管：把 confidence 阈值写进代码，高置信自动执行、低置信排队等人审，比「一律人工」省、比「一律自动」稳
3. 一次状态多问：把相关联的 8 个判断（分类+打分+是非）挤进一个请求，减少延迟和费用
4. 交互式 Demo 学决策流：官网的 Flight search / Wiki link race / Support triage 三个演示能逐步看 Jev 怎么选下一步动作，适合给团队做培训

小技巧

• State 里塞结构化字段（点赞数、金额、来源）比纯文本效果好，Jev 明确支持 JSON 状态
• Choice 问题的选项描述写具体（「新闻/广告/用户投诉」优于「A/B/C」），模型对选项语义敏感
• 先在 Playground 把问题的措辞调稳再写代码，省得 API 调试和措辞调试搅在一起
• credits 不过期（一次性档），小团队可以 $10 起步验证，不急着上订阅
• 非英文输入官方建议单独验证准确率，中文场景先小规模测再上量

常见踩坑

1. 现象：把 Jev 当聊天模型用，发一句话等长回复。原因：它只做有界决策，不生成开放文本。解决：换 ChatGPT/Claude 类模型；Jev 只接「问什么答什么」的判断题。
2. 现象：概率输出和直觉不符（明显该是的却给了 0.4）。原因：问题措辞含糊或选项重叠。解决：回 Playground 改问题定义，一次只测一个变量。
3. 现象：Playground 里某些模型报额度错误。原因：Playground 免费，但 Laya 等第三方模型消耗账户 credits。解决：切回免费模型（如 span-01-lite:free、mercury-decide:free）或充值。
4. 现象：上传图片想让它判断。原因：当前版本只支持文本/JSON/文本数组。解决：等官方多模态（Jev-Omni 已在目录中标注支持图像/音频/视频，属开放权重分类器，接入方式看模型页）。
5. 现象：结果看着对但不敢上生产。原因：决策错了有真实代价。解决：用置信度阈值 + 人工兜底灰度上线；官方文档也建议对每个工作流独立做准确率验证。

常见问题 FAQ

Q1: Jev 和直接用 GPT/Claude 写 prompt 做分类有什么区别？

A: 三点：① 输出是类型化 schema + 概率，不用解析自由文本，代码直接 response.answers["intent"].choice；② 一次请求并发多个问题，比链式调用便宜快；③ 决策模型专为小判断优化，不是拿大模型降级凑合。代价是灵活性低——开放性任务还是得用通用 LLM。

Q2: 免费能用多少？

A: Playground 本身免费（部分第三方模型耗 credits）；Jev 模型的 API 调用需要付费 credits，最低 $10 一次性买断、不过期。

Q3: 数据安全怎么样？

A: 官网有 Privacy Policy 与安全条款页，付费档提供安全与权限指导；具体数据处理条款以官网为准。涉及敏感数据建议先读其隐私政策并做脱敏。

Q4: 有哪些替代品？

A: 同目录里就有：Cloudflare Clef（开源结构化决策）、Perplexity PPLX Decider、Liquid D1 等；也可以自建——用任意 LLM + 严格 JSON schema + 温度 0 也能模拟，但你要自己维护解析、重试和概率校准。OpenAI 的 Decisions API（限量预览）是官方博客里提到的竞品。

Q5: 支持中文吗？

A: 输入支持（官方提示对非英文输入单独验证准确率）；Agent Skill 的引导和示例支持简体中文（JEV_LANGUAGE 可设）。

参考链接

• Jev AI 官网
• Playground（免费试用）
• 官方文档
• 定价页