企业官网建设流程全解析

需要相关课件的在慕课网 imooc

一、课程概述

1.1 Jev 是什么

Jev 是 TypeSafe AI 发布的“系统一模型”（System One Model），不生成任何文字，直接返回结构化决策和概率。

它由前 OpenAI 研究员、ChatGPT 核心训练方法 RLHF 的幕后功臣之一 Diogo Almeida 创办的公司推出，2026 年 9 月 15 日正式发布。Jev 的命名取自 19 世纪经济学家杰文斯，暗合“杰文斯悖论”——智能使用成本的暴跌将带来智能用量的暴涨。

与传统大语言模型最根本的区别在于：它不聊天、不写文章、不生成代码，只做判断。你给它一段状态数据，它返回带概率的选项、评分或是非判断，供代码直接消费。

1.2 它解决什么问题

传统大模型是“给人用的”，输出是给人阅读的文本。但当消费者是代码时，文本反而成了麻烦——程序需要解析一段自然语言才能做出判断，效率低且不可靠。

Jev 的创始人对此有一个精辟的概括：“AI 应该更像数据库，而不是同事。”Almeida 认为，行业过度关注“系统二”推理模型（慢速、长推理链），但真正能自动化经济价值工作的是“系统一”——快速、直接、可靠的小决策。

Jev 的核心价值可以总结为一句话：把语义判断变成程序可以直接使用的概率和选项。

1.3 市场反应

Jev 发布后迅速引爆开发者社区：Discord 社区一夜涌入十万人，发布视频播放量突破 3800 万次。发布仅一周，GitHub 上就出现了2,170 个公开项目接入 Jev，覆盖界面 Agent、软件工程、安全治理、路由自动化等八大领域。Vercel 报告称，Jev 接入 AI Gateway 后 24 小时内，接近13% 的付费团队就开始使用它。

二、核心知识点

2.1 系统一 vs 系统二：两种模型的哲学

Almeida 的核心观点是：行业过度关注系统二，但真正能自动化经济价值工作的是系统一。

2.2 三种 AI 原语

Jev 的 API 只有三种问题类型，官方称为“原语”：

Choice（选择）：从预先定义的选项集中选出一项，最多支持255 个选项，返回各选项的概率分布。典型用法：客服工单该转给哪个部门？

Score（评分）：在指定数值范围内给出评分，并附带置信度。典型用法：客户愤怒程度 1 到 4，返回一个连续值。

Noul（是非概率）：对“是/否”命题返回一个0 到 1 之间的校准概率。名字来自数学中的伯努利分布。典型用法：这条消息是否需要人工介入？返回0.95。

三种原语可以一次调用同时问，Jev 并行评估、同时返回。官方数据显示，最常见的用法恰恰是三种一起用。

2.3 RLCD：让概率可信的训练方法

传统大模型用 RLHF（基于人类反馈的强化学习）训练，奖励的是“人类觉得好”的回答，而不是“概率说得准”的回答。Almeida 本人指出，RLHF 会导致“模式坍缩”，模型偏向生成更安全、更常见的答案，牺牲概率分布的真实校准。

Jev 用的训练方法叫RLCD（校准决策强化学习）。优化目标完全不同：让模型输出的概率和实际命中率对上。模型说有 90% 把握，那就大约有 90% 的时候是对的。Almeida 将 RLCD 定义为“基于代码反馈的强化学习”，目标是让模型在程序环路中可靠工作。

有了可信概率，代码就能做分层阈值判断：80% 以上自动处理，50%–80% 转人工复核，50% 以下升级处理。

2.4 性能与成本

Jev 的核心优势来自非自回归架构：传统大模型逐 token 生成，输出越长越慢越贵；Jev 的输出空间预先定义好，一次并行采样就能产出所有判断。

输出免费不是营销话术，而是机制决定的：没有逐字生成，就没有“输出 token”值得计费。官方宣称最高可达193.6 倍更快、444.6 倍更便宜，但同时注明这是“实际收益的上限”，来自公司内部评测工作流。第三方实测显示，同一批文档判断，Jev 中位延迟0.32 秒，而 DeepSeek V4.1 Flash 关推理需要 2.7 秒、开推理需要 26 秒。

2.5 适用边界：能做什么，不能做什么

适合 Jev 的场景有一个共同标准：能不能写成一句“聪明的 if 语句”。典型用法包括：

• 意图路由与分类：把进来的请求判定类别、分发到对应处理器
• 工作流分支：一次调用同时问多个问题，代码分别走分支
• 大规模文档批量打分：对海量文档做分类或打分，成本以美分计
• 给大模型输出做评分和护栏：判断一段回答质量如何、是否越狱或提示注入

官方列出的九项弱点，新手最容易踩的坑包括：

• 不会算数：不是计算器，计数不可靠
• 不擅长比较日期：把日期当文本读，不当有序值
• 不擅长英语之外的长文本：英文支持最好，其他语言准确率不一
• 完全不能生成文本：这是设计使然

正确做法是：逻辑留在代码里，只给 Jev 那个它擅长的窄判断。需要算数，先在代码里算好；需要比日期，在代码里比完，只让它回答“是否在期限内”这种布尔问题。

三、实操环节

3.1 前置准备：获取 API Key

从console.typesafe.ai/keys登录后创建密钥。所有官方示例都从环境变量TYPESAFE_API_KEY读取，先导出：

export TYPESAFE_API_KEY="你的实际密钥"

验证密钥是否可用，调模型列表接口（不消耗额度）：

curl https://api.typesafe.ai/v1/models \ -H "Authorization: Bearer $TYPESAFE_API_KEY"

如果返回 401，先echo $TYPESAFE_API_KEY确认变量有值。

3.2 第一个 curl 调用：客服工单自动路由

场景：用户消息——“我连续三天连不上 Stripe，正在丢订单，赶紧处理！”

一次请求问三个问题：转给哪个部门（Choice）、愤怒程度多高（Score）、是否需要人工介入（Noul）。

curl -X POST https://api.typesafe.ai/v1/systemone \ -H "Authorization: Bearer apikey_298694c47e69a0e40858664f32dff064b0d_6291d88600dc60b95d5c11438e99295e2c3e20de310a9a05f2bf9607233df947" \ -H "Content-Type: application/json" \ -d '{ "model": "jev-latest", "state": "用户消息：我连续三天连不上 Stripe，正在丢订单，赶紧处理！", "questions": { "department": { "type": "choice", "instructions": "这条工单应该转给哪个部门？", "criteria": { "tech": "技术问题，如连接失败、集成故障", "billing": "账单、支付或退款相关问题", "refund": "用户明确要求退款" } }, "anger_level": { "type": "score", "instructions": "客户的愤怒程度有多高？", "criteria": [ "1 = 平静", "2 = 有点烦躁", "3 = 明显生气", "4 = 非常愤怒，可能流失" ] }, "needs_human": { "type": "noul", "instructions": "这条消息是否需要人工介入？", "criteria": { "true": "用户表达了紧迫性或情绪化语言", "false": "用户只是陈述事实，语气平和" } } } }'

3.3 关键字段说明

端点：POST https://api.typesafe.ai/v1/systemone，所有模型共用一个端点。

认证：Authorization: Bearer $TYPESAFE_API_KEY，漏写Bearer前缀或环境变量为空都会返回 401。

三个顶层字段：

• model：填jev-latest
• state：共享上下文，可以是纯文本或 JSON 对象
• questions：一个 map，每个 key 是问题 ID，value 是问题定义

三种问题类型：

• choice：在criteria中定义选项，返回每个选项的概率
• score：在criteria中给出有序描述，返回概率加权的位置
• noul：在criteria中给出 true/false 的判定标准，返回“是”的校准概率

3.4 响应解读

调用成功后会返回结构化的 JSON，每个问题 ID 下是一个概率分布：

{ "model": "jev-1.13.0", "answers": { "department": { "type": "choice", "choice": "tech", "confidence": 0.99, "probabilities": { "refund": 0.0, "tech": 0.99, "billing": 0.01 } }, "anger_level": { "type": "score", "score": 2.82, "confidence": 0.82, "legend": { "0": "1 = 平静", "1": "2 = 有点烦躁", "2": "3 = 明显生气", "3": "4 = 非常愤怒，可能流失" }, "probabilities": { "0": 0.0, "1": 0.0, "2": 0.18, "3": 0.82 } }, "needs_human": { "type": "noul", "noul": 0.94 } }, "usage": { "input_tokens": 527, "output_tokens": 71 } } %

• department：概率最高的是tech（0.99），代码直接选它
• anger_level：3.4，介于“明显生气”和“非常愤怒”之间
• needs_human：0.94，很高，建议转人工

3.5 代码中如何使用

拿到响应后，在代码里做阈值判断：

if (res.needs_human.noul > 0.8) { // 转人工 } else if (res.department.choice.tech > 0.7) { // 自动分派给技术团队 } else { // 进入复核队列 }

四、课程总结

4.1 一句话总结

Jev 不是 ChatGPT 的替代品，而是“判断环节”的替代品。生成内容用大模型，做判断用 Jev，两者是互补关系。

4.2 核心要点回顾

4.3 生态与最新动态

Jev 发布一周内落地 2,170 个 GitHub 项目，关注度集中在界面 Agent（决定网页下一步操作）和路由与自动化（选择模型、工具或流程）两类，合计占项目数的 19.6%，却获得了 63% 的 Stars。

中国 AI 企业 APUS 已公布全球首批开源复现成果，支持纯本地模型离线执行，在 Apple M2 Pro 消费级笔记本上完成真实维基百科检索任务的中位耗时约 18 秒，表单填报、站内导航等任务仅需 3 秒左右，全程零云端调用、零 API 费用。

4.4 课后作业

去console.typesafe.ai/playground手动跑一遍：粘一段客服消息，加一个 Noul 问题，跑完你会看到一个 0 到 1 之间的数字。这就是 Jev 的全部输出形态：不是“这条消息比较紧急”，而是 0.95。