Jev 101 logo
Jev 101

Guides / 视频转图文攻略

Jev 接入 Codex 实操：typesafe-ai/skills 安装与 Gmail 30 封邮件分诊

中文实操教程：从 TypeSafe Playground 三原语练手，到把 typesafe-ai/skills 装进 Codex、配置 TYPESAFE_API_KEY，最后让 Codex 读取真实 Gmail 收件箱 30 封邮件按优先级分诊——Jev API 只花了 1.19 秒。

速览结论

这是「装进我的智能体」环节最缺的一条中文实操：作者先在 Playground 用一封面试邀请邮件把三种题型过了一遍——Choice 判定 100% 工作邮件、Noul 以 98% 判定需要回复、Score 打出高优先级；然后把官方 typesafe-ai/skills 仓库直接丢给 Codex，让它自己完成安装。要记住的核心提醒：skill 只是「说明书」，不是内置模型——智能体依然需要环境里的 TYPESAFE_API_KEY，一行 echo >> ~/.zshrc 配好。压轴实验是真实收件箱：Codex 读取最近 30 封 Gmail，Jev 把它们分进优先级——营销邮件和验证码沉底，唯一一封 Google 安全提醒以 98% 置信度排到最高。Jev API 的部分 1.19 秒完成，整个任务耗时 1 分 40 秒，大头全是 Codex 自己。一次安装会同时登记给 Codex、Claude Code、OpenCode、Hermes、Gemini CLI、GitHub Copilot 和 Antigravity。

视频来源

杰森的效率工坊

7:10SxJqfZmNaOA
访问频道观看原视频

分步图文攻略

  1. 1

    决策模型回答的是什么：概率，而不是文章

    视频开场就是 Jev 的定义式对比：问「这只股票会上涨还是下跌」，普通 AI 写一篇长文分析，Jev 直接返回上涨 72%、下跌 28%——就像开车遇到红灯会本能踩刹车，选 A 还是选 B 的决策不该从 300 字分析开始。第一段实操分析了来自女朋友的一条 WhatsApp 消息「算了，你忙吧，我不打扰你了」，返回的概率报告像一份关系分诊单：82% 概率并非真的想结束聊天，「感觉自己没有受到重视」以 76% 领跑意图分布，建议行动是先承认自己刚才没有认真听、再回复。追问「我最近是不是胖了」得到同样诚实的判定：对方不可能是要客观评估。玩笑背后的正题：意图、优先级、是非判断都是决策问题，而 Jev 原生就说这种语言。

    WhatsApp 消息「算了，你忙吧，我不打扰你了」被 Jev AI 卡片判定 82% 概率并非真要结束聊天，「感觉自己没有受到重视」以 76% 领跑意图分布
    一条聊天记录进、一份概率报告出：82%「不是真结束」，连下一步建议都给好了。跳转至 0:42
  2. 2

    从注册到 Playground：一眼看清控制台

    所有操作都在 typesafe.ai：注册账号，点右上角进入 API Console，左侧导航就是全部入口——Playground 做实验、Usage 看消耗、API Keys 管密钥、Documentation 查 API 契约。首页本身就是教材：Learn to TypeSafe 卡片带 you 过 NOUL（「Is hotdog a sandwich?」）、CHOICE（「What color is the sky?」）、SCORE 打分三课，Quickstart 面板则提前展示了本页后面会用到的 agent skill 安装命令。Playground 的输入框吃一段 JSON 格式的 state——视频的类比是「就是提示词，只是要结构化」——下方的 Questions 面板负责挂类型化问题。

    TypeSafe API 控制台首页：左侧导航含 Home、Playground、Usage、API Keys、Documentation，右侧是 Learn to TypeSafe 课程卡与 Quickstart 安装面板
    API Console 全家福：Playground 测试、API Keys 发密钥、Documentation 查契约——接入面就这四项。跳转至 2:10
  3. 3

    三种题型：Score、Choice、Noul

    接入智能体之前，视频把作者贴进 state 的一封面试邀请邮件当教具，把三种原语各练了一遍。Choice 给命名选项、模型选一个：email_category 以 100% 置信度判为 work，其他选项全部归零。Noul 是真假门：need_reply 以 98% 判 true，因为邮件明确要求收件人确认出席。Score 挂一个评分量表——作者定义了低、中、高三档——返回的是整个量表的概率分布，而不是一个光秃秃的标签。三种题型可以放进同一个请求，后面的收件箱实验吃到的正是这一点。

    TypeSafe Playground 示例请求面板列出三种题型，课程卡分别是 Is hotdog a sandwich、What color is the sky、Can monkeys create art
    Playground 自带的课程卡：Noul 判真假，Choice 选选项，Score 按你的量表打分。跳转至 2:28
  4. 4

    Choice 实测：一封邮件的路由，100% 工作邮件

    email_choice 问题把判据直接写在选项里——需要认真回复的工作邮件、私人邮件、新闻通讯、营销推广——然后跑那封面试邀请。答案面板返回 email_category: work、置信度平直的 100%，其余选项全部钉在 0%，整体置信度盖在响应上。这正是邮件客户端、CRM、智能体需要的形状：不是一段关于邮件的描述，而是带置信度数字的路由键。作者给建设者的定位：如果你有大量邮件或数据要初筛，这一通调用就能替掉「全量丢给大模型读」的那一步。

    TypeSafe Playground 对面试邀请邮件返回 email_category work、置信度 100%，选项判据列在 Questions 面板下方
    email_category → work，100%：一次类型化调用拿走路由键和置信度。跳转至 3:05
  5. 5

    Noul 实测：要不要回复？98% true

    同一封邮件的第二个问题是布尔判断：need_reply。模型以 98% 回答 true，答案旁边附了理由——邮件明确要求确认出席，这基本是「需要回复」所能达到的最无歧义形态。这正是自动化真正拿来分支的门：低于阈值自动归档，高于阈值交给人。前面 WhatsApp 演示用的是同一个原语、瞄准聊天意图，这里则对准了收件箱工作流。

    TypeSafe Playground 对同一封面试邮件的 need_reply 问题以 98% 概率返回 true，答案旁展示理由摘要
    need_reply → true @ 98%：自动化可以真正拿来分支的布尔门。跳转至 3:25
  6. 6

    Score 实测：按自己的量表给紧急度打分

    第三种原语挂的是评分量规。作者定义了三档优先级，然后跑一封「密码一直试都不对、账号登不上」的客户投诉邮件。响应面板里 priority 问题把概率几乎全压在最高档，置信度 98% 以上——这正是支持队列在人工介入之前最想要的「先处理这封」信号。当「程度」比「哪个」更重要时，Score 就是该上的原语。

    TypeSafe Playground 的 priority 评分问题对一封无法登录的投诉邮件给出约 100% 的最高档概率，三档判据列在旁边
    投诉邮件按低/中/高量规打分——概率全堆在最高档。跳转至 3:34
  7. 7

    三题齐发：一份聊天记录、三个问题、一次响应

    为了证明原语可以组合，作者把一段聊天记录放进 state，一次请求里问了三个不同类型的问题：她是不是不满（noul）、不满到什么程度（score）、她真正想要什么（choice 列意图选项）。一个响应面板同时带回全部三个答案和概率——很可能不满、感觉被忽视、希望被认真倾听。视频提到已经有人把这套模式接进微信分析聊天意图，也点名了更有商业价值的版本：电商客服、客户投诉处理、数据分析前的初筛。它还顺手回答了那个明显的质疑——手写 JSON 确实反人类，因为这些请求本来就是给智能体发的，不是给人敲的。

    TypeSafe Playground 对一份聊天记录并行三个不同类型的问题，在同一个响应面板里返回不满程度与潜在意图的概率
    三种题型、一次请求：是否不满（noul）、程度（score）、想要什么（choice）。跳转至 3:52
  8. 8

    让 Codex 自己装 skill

    官方 skill 在 github.com/typesafe-ai/skills，视频实际演示的安装方式是懒人路线：把仓库链接发给 Codex，让它自己装。Codex 克隆仓库、检测机器上所有兼容智能体，然后回一张完成卡：全局安装用时 1 分 32 秒，覆盖 Codex、Claude Code、OpenCode、Hermes、Gemini CLI、GitHub Copilot 和 Antigravity，共享位置 ~/.agents/skills/typesafe-ai，各工具入口已验证可读。重启 Codex 即生效。想手动装也行：文档给出的等价一行命令是 npx skills add typesafe-ai/skills --skill typesafe-ai -g，-g 表示装到用户级目录而不是当前项目。

    Codex 的 typesafe-ai skill 安装报告：列出检测到的 Claude Code、Gemini CLI、GitHub Copilot、Antigravity 等智能体、共享路径 agents/skills/typesafe-ai 与用时 1 分 32 秒
    一次安装、八个智能体：skill 自动登记所有检测到的 CLI，共用 ~/.agents/skills/typesafe-ai 一份副本。跳转至 4:56
  9. 9

    最容易踩的坑：skill 不是模型

    视频在这个误区上专门停了一下：装 skill 只是教智能体「怎么调 Jev」，不附带模型权重，也不含免费额度。真实调用依然要鉴权，所以智能体必须能在环境里找到 TYPESAFE_API_KEY。屏幕上的文档页给了准确配方：在 TypeSafe 控制台的 API Keys 页创建密钥，然后用 echo 'export TYPESAFE_API_KEY="我的key"' >> ~/.zshrc && source ~/.zshrc 写进 shell 配置。之后智能体会自己判断任务是否需要决策模型——skill 里的指引告诉它什么时候找 Jev、怎么拼 evaluate 调用——你要做的只是保证密钥有效。Jev API 已全面开放，也可以走 OpenRouter 之类的平台当替代通道。

    TypeSafe skill 文档展示 npx skills add typesafe-ai/skills 安装命令与追加到 zsh 配置的 echo export TYPESAFE_API_KEY 命令行
    两条命令完事：给智能体装 skill，在 shell 配置里 export TYPESAFE_API_KEY。跳转至 5:20
  10. 10

    验收：30 封真实 Gmail 按优先级分诊

    正片来了：已连接 Gmail 的 Codex 被要求调用 Jev skill 读取最近 30 封邮件、按优先级筛选、以表格输出、并报告耗时。这个收件箱真实得可爱——新闻通讯、通知、验证码——表格也如实反映：一行行沉底，唯一一封 Google 安全提醒以 98% 被单独特到了最高优先级。没有任何人工标注，每一行的评级都来自 Playground 演示过的同一个类型化 score 问题。这就是开场论证的「选 A 还是选 B」负载——本就不该送去让大模型长考。

    Codex 输出的 30 封 Gmail 优先级表格：Google 安全提醒以 98% 位居最高档，新闻通讯与通知类邮件全部沉底
    真实收件箱实测：30 封分诊完成，唯一的安全提醒以 98% 登顶。跳转至 6:02
  11. 11

    账单：Jev 1.19 秒，智能体 100 秒

    收尾卡片把两块表拆开看：Jev API 完成分诊决策只用了 1.19 秒；整个 Codex 任务耗时 1 分 40 秒，大头几乎全是 Codex 自己——读邮箱、做规划、写表格。把同样 30 封邮件直接放进 Playground 复测，几乎是瞬间返回，证明模型从来不是瓶颈。视频的收尾论点值得记住：把一个高效、快捷、低成本的决策模型接进智能体工作流，「选 A 还是选 B」类问题就不再消耗大模型的长时间思考——无论这条工作流是 AI 客服，还是每天过一遍自己的收件箱。

    Codex 分诊报告注明 Jev API 完成 30 封邮件决策耗时 1.19 秒、整个任务耗时 1 分 40 秒，安全提醒行被高亮
    Jev：30 次决策 1.19 秒。剩下约 99 秒是智能体的，不是模型的。跳转至 6:42

常见问题（FAQ）

Jev 的 Codex skill 是什么？

它是官方的智能体 skill 仓库 github.com/typesafe-ai/skills：一组指令文档，教会编程智能体「什么任务该用类型化决策」以及「怎么拼 Jev 的 evaluate 调用」——用哪几种题型、state 的 JSON 怎么组织、返回的置信度怎么读。正如视频强调的：它是说明书和工具，不是内置模型——装它改变的是智能体「会什么」，不是「能算什么」。

装了 skill 之后 Jev 就免费吗？

不是——视频专门提醒过这一点。skill 只负责指导智能体，每一次真实调用仍然要用你的 TYPESAFE_API_KEY 鉴权并计入账户额度。密钥在 TypeSafe API Console 的 API Keys 页创建，通过环境变量暴露：echo 'export TYPESAFE_API_KEY="..."' >> ~/.zshrc && source ~/.zshrc。如果不想走第一方端点，也可以经 OpenRouter 之类的平台调用 Jev。

怎么给 Codex 安装 Jev skill？

两条路，视频都演示了。零 effort 路线：把 https://github.com/typesafe-ai/skills 发给 Codex 并让它安装——它会自动克隆、给检测到的每个兼容智能体登记（视频那台机器 1 分 32 秒覆盖了 Codex、Claude Code、OpenCode、Hermes、Gemini CLI、GitHub Copilot、Antigravity），重启 Codex 生效。手动路线（适用于任何智能体）：npx skills add typesafe-ai/skills --skill typesafe-ai -g，其中 -g 表示装到用户级目录（~/.agents/skills/typesafe-ai）而不是当前项目。

Gmail 分诊实验到底在做什么？

Codex 读取真实收件箱最近 30 封邮件，对每一封问 Jev 几个类型化问题——这是什么类型的邮件、需不需要回复、按低/中/高量表紧急度几何——然后把答案拼成优先级表格。在视频的收件箱里，新闻通讯和验证码全部沉底，唯一一封 Google 安全提醒拿到 98% 并被标为高优先级。这套设计可以平移到任何「选 A 还是选 B」密集的数据流：客服工单、表单提交、分析前的数据初筛。

邮件分诊这一轮里 Jev 有多快？

Jev API 完成 30 封邮件的全部决策调用只用了 1.19 秒。端到端的 Codex 任务耗时 1 分 40 秒——几乎全是智能体自己的读信、规划、写表格，这恰恰是把决策外包给决策模型的价值所在。同样 30 封邮件直接贴进 Playground 几乎瞬间返回，进一步确认这条流水线里慢的从来不是模型。

Jev skill 该配 Codex 还是 Claude Code？

同一份安装两边都能用——skill 会给自己检测到的每个兼容智能体登记，演示机器一次性覆盖了八个 CLI。本站的分工是：本页是 Codex 侧实操（含 Gmail 工作流），我们的 Jev + Claude Code 指南覆盖同一条集成的 Claude Code 侧（语音进、Jev 决策、浏览器执行）。装一次，然后用哪个就在哪个里用。

相关推荐

Jev + Claude Code：智能体编排指南

本页的 Claude Code 姊妹篇——语音进、Jev 决策、浏览器执行。本页走 Codex 侧，那页走 Claude Code 侧。

阅读

Jev API 参考与接入指南

skill 背后实际调用的东西：端点、evaluate 载荷、密钥管理与生产级集成的失败处理。

阅读

客服工单路由 Recipe

收件箱演示的生产级版本：面向客服队列的类型化路由，带置信度门控的人工升级通道。

阅读

Tev1 用例实测：50 项本地决策模型任务

还能接进智能体工作流的五十种决策形状——路由、防护、分诊——本地运行单次 $0。

阅读

更多视频攻略