Jev AI 完整教程：三种决策模式详解，接入 Codex 完整流程

Jev AI 是什么

Jev 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：

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

在 Playground 体验三种判断

模式	回答什么	如何读结果
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	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	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 进入 API Console，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

以面试邮件为例，把下面内容放入 State：

{
  "发件人": "HR <[email protected]>",
  "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：

{
  "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）：

{
  "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：

{
  "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。

{
  "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：

{
  "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）：

{
  "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：

{
  "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 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：

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。

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：

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 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：

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。

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