TypeSafe AI Jev

TypeSafe AI 是面向软件自动化的 AI 模型平台，也是 Jev 的官方入口。Jev 被官方称为首个公开的 System One 模型：它不负责聊天或撰写长文本，而是读取一段状态信息，再返回预先定义类型的判断、概率和置信度，让代码可以据此分类、路由、评分或决定是否转人工。平台目前处于 early access，首次访问者可以先在 Playground 验证问题结构，再申请 API 权限。

Jev 是什么：把判断结果直接交给代码

通用大语言模型通常先生成字符串，业务程序再解析 JSON、校验字段并处理格式失败。Jev 选择了不同路线：调用方提前定义允许的答案类型，模型只在这个范围内输出结构化结果。官方把这种模式概括为“unstructured state in, typed probabilistic decisions out”，即输入可以是自然语言或其他状态描述，输出则是带概率的类型化决策。

这并不意味着 Jev 会替代聊天模型。它主动放弃自由文本生成，换取更适合程序消费的固定输出。真正适合它的任务，是“这张工单应该进入哪个队列”“风险等级处于哪个区间”“这条陈述有多大可能成立”等窄而明确的判断；需要长篇推理、资料检索、写作或开放式回答的任务，仍应使用其他模型或先拆成多个原子问题。

Choice、Score 和 Noul 怎样选择

TypeSafe API 提供三种问题原语。它们可以在一次请求中混合使用，并针对同一份 state 独立、并行求值。问题 ID 由开发者命名，返回结果会使用相同 ID，便于程序直接读取。

Choice 和 Score 的 confidence 来自完整概率分布：结果集中在一个选项时置信度较高，多个选项接近时置信度会下降。Noul 直接返回 0 到 1 的连续值，不另外附带 confidence。两者不能混为同一个指标。

第一次验证 Jev 的完整路径

先用 Playground 检查问题是否足够原子

1. 打开 TypeSafe Console 并登录，当前入口为 https://console.typesafe.ai/。
2. 在 Playground 的 state 中粘贴一段真实但已脱敏的输入，例如客户反馈或待分类记录。
3. 先添加一个 Noul 问题，再补充 Choice 或 Score。每个问题只判断一件事，不要把“判断部门、紧急程度并给出处理方案”塞进同一句指令。
4. 检查返回值是否包含预期的问题 ID、类型和概率。若结果不稳定，先修改选项边界或补充 state，而不是立即降低人工复核门槛。

官方 Quick Start 用一条无法连接 Stripe 的紧急工单作为示例，同时询问负责部门、客户沮丧程度和是否紧急。这个例子说明了 Jev 的主要价值：同一份输入可以产生多维、可组合的判断，业务代码只消费当前分支真正需要的结果。

再用 HTTP API 或 Python SDK 接入

获得 early access 后，可以在 dashboard 创建 API key。HTTP 端点是 POST https://api.typesafe.ai/v1/systemone，请求头使用 Bearer 认证；官方 Python SDK 需要 Python 3.10 或更高版本，可通过 pip install typesafe-sdk 安装，客户端默认读取环境变量 TYPESAFE_API_KEY 并调用 jev-latest。

{
  "state": "客户已连续三天无法连接支付账户，并表示正在损失订单",
  "model": "jev-latest",
  "questions": {
    "department": {
      "type": "choice",
      "instructions": "应该由哪个团队处理",
      "criteria": {
        "billing": "支付或订阅问题",
        "technical": "故障或集成问题",
        "sales": "价格或账户咨询"
      }
    },
    "is_urgent": {
      "type": "noul",
      "instructions": "这条消息具有紧急性或时间敏感性"
    }
  }
}

上面的请求形状依据官方示例整理，用于说明字段关系，并非本站的独立运行测试。验收时应确认 answers.department.choice 只会落在预设选项内，概率分布能够解释候选之间的差距，同时根据 is_urgent.noul 决定是否提高优先级。生产接入前还要用自己的历史数据校准阈值。

置信度应控制流程，而不是装饰界面

Jev 的结构化输出只能保证字段形状符合预设，并不能保证每个业务判断都正确。官方文档建议把置信度分成高、中、低三段：高置信度允许自动执行；中等置信度要求确认、补充信息或排队复核；低置信度则停止自动动作并回退到人工或其他系统。实际分界值取决于错误成本，不能从演示数字直接复制。

• 可恢复的低风险动作：例如展示一个帮助页面或添加内部标签，可以采用较宽松阈值，并保留撤销路径。
• 影响用户权益的动作：例如退款、账户限制或资金操作，即使模型置信度较高，也应加入身份确认、权限检查和人工复核。
• 信息不足的输入：概率分布过平通常意味着选项边界模糊、state 缺少关键信息，或者问题包含多个维度。此时应询问用户或拆分问题，而不是强行选择概率最高项。

哪些工作流更适合 System One 模型

从官方文档和发布说明看，Jev 的强项集中在分类、路由、评分、抽取后的判断分支，以及对其他模型输出进行审核或守卫。它适合嵌入已有代码中的“模糊 if 语句”：规则难以穷举，但输出集合、风险控制和后续动作都能由开发者提前定义。

复杂决策应拆成多个互相独立的问题，再由代码明确组合权重。例如评估一个项目时，可以分别询问市场规模、技术可行性和差异化程度，再用业务公式合并，而不是让模型一次返回一个含义不清的“综合分”。这种做法也让团队在策略变化时修改系数，而不必重新设计整段提示词。

官方速度与价格数据怎样看

TypeSafe 在 2026 年 9 月的发布文章中给出的当前价格是每百万输入 token 0.042 美元，并称端到端响应约为 70–500 毫秒；首页展示的 193.6 倍更快、444.6 倍更便宜，来自其 System One 工作流评测。上述数字属于厂商公布的早期结果，不是 WarpNav 独立复现的结论。

官方也主动披露了限制：评测从美国西海岸运行，工作流由其模型能力团队制作，参考答案使用外部大模型的平均概率，而且首页倍数可能处于真实收益的高端。选型时更合理的做法，是拿自己的输入长度、问题数量、地区延迟和错误成本做小规模评估，同时核对控制台中的实时价格与可用地区。

early access 阶段的选择建议

TypeSafe AI 目前更适合已有明确自动化流程、能够定义答案空间，并愿意保留人工回退的开发团队。只想聊天、生成内容或完成开放式研究的用户，Jev 并不是直接替代品；无法取得 early access、缺少历史样本或尚未定义错误成本的团队，也应先在 Playground 完成验证，再决定是否进入工程接入。

官网入口为 https://typesafe.ai/，文档入口为 https://docs.typesafe.ai/。由于 Jev 刚开放 early access，模型名称、价格、配额和接入资格可能继续变化，实际使用前应以控制台与官方文档的当前信息为准。