Jev 101 logo
Jev 101

Guides / 视频转图文攻略

Jev 入门教程:State、三类问题与 TypeScript SDK 实操

Codevolution 的 22 分钟 Jev 零基础课转成分步图文:什么是 System One 决策模型、state 加 Noul/Choice/Score 三类问题怎么写、只按输入计费意味着什么,以及跑通 TypeScript SDK 的完整调用。

速览结论

Jev 是 TypeSafe 推出的 System One 决策模型:你发送 state(纯文本、JSON 对象或数组)加类型化问题,它返回带校准概率的结构化答案——不生成文本、无需解析 JSON。三种问题类型:Noul(是非概率,0.94 代表 94% 是,0.03 是笃定的「否」)、Choice(从你定义的选项中挑一个,并给出每个选项的概率)、Score(在你用文字描述的量表上定位,可以落在两级之间,比如 1.02)。所有问题挂同一次调用:演示里对同一条客服消息的三个问题 834ms 全部返回,只花 458 个输入 token;输出 token 免费,按每条约 500 输入 token 估算,1 美元够查约 4.7 万条消息。API key 在 TypeSafe 控制台申请(早期访问,也可走 Vercel AI 网关),装 typesafe-ai/sdk,调用 client.systemOne(),再用置信度做自动化闸门——视频用 0.8 阈值把「愤怒客户」标记给人工作复核。

视频来源

Codevolution

22:12ZgXej_9isxY
访问频道观看原视频

分步图文攻略

  1. 1

    从一句代码写不出的判断开始

    满三件免运费是普通的 if 语句;「这位客户听起来不耐烦了」就不是了——"I've contacted you three times, and I'm still waiting" 全句没有一个「愤怒」,但每个读的人都懂。这段「能硬编码的规则」与「藏在语言里的判断」之间的空白,正是 Jev 所在的位置:把消息交给模型,问它客户是否听起来不耐烦,拿回一个带概率的直接答案。TypeSafe 借卡尼曼「快思考」的概念叫它 System One 模型;名字则致敬杰文斯悖论——当决策便宜到这个地步,你会把从前只能留给人的判断全部自动化。

    Jev 入门教程手绘幻灯片:does this customer sound frustrated 的问题下,"I have contacted you three times and I am still waiting" 的消息流入 Jev 方框并返回 Yes。
    关键词表抓不住这句话——听得懂语言的判断可以。跳转至 1:35
  2. 2

    发 state 加问题,而不是聊天 prompt

    一次 Jev 请求分两半。state 是要判断的信息——纯文本、JSON 对象或数组都行,这里就是客户消息。questions 说明你想从这条信息里知道什么,每个问题都带类型:Noul 问是非,Choice 从你定义的选项里挑,Score 在你描述的量表上定位。TypeSafe 给出的响应时间是 70-500ms,答案以结构化数据直接返回给你的代码——不是需要解析的句子。视频里的对比很直白:GPT 花了约 8.6 秒的事,Jev 114 毫秒出结果,成本约为其 1/170。

    Jev's input 幻灯片:Information 加 Questions,state 是纯文本、JSON 对象或数组,装载 I have contacted you three times and I am still waiting 的消息,问题问客户是否听起来不耐烦。
    state 是判断对象,问题是类型化的——Noul、Choice 或 Score。跳转至 6:52
  3. 3

    让 Choice 从你的菜单里挑——永远留一个「其他」出口

    当你已经知道分类桶时,用 Choice。问「这条消息的主要诉求是什么?」并定义选项:要求跟进进度、要求退款、要求换货——再加一个 something else,接住分类体系之外的所有消息,模型永远不会被迫贴一个错误标签。Jev 返回被选中的选项、每个选项各自的概率,外加一个置信度,让你的代码可以自动处理高置信案例、其余进人工队列。Score 同理,只是换成你逐级用文字描述的量表(0:没有不满;1:不满但没有愤怒;2:强烈愤怒),而且因为是加权平均,结果可以落在两级之间——1.5 就是真卡在「不满」和「愤怒」中间。

    Choice 问题幻灯片:selected option 方框与 probability for every option 方框,说明 Jev 返回选中的标签外加所有选项的校准概率。
    菜单你来定;Jev 负责挑,并把每个选项的概率都亮出来。跳转至 8:20
  4. 4

    全面自动化之前,先算清一次判断的价格

    Jev 只按输入计费:每百万输入 token $0.042(约 42 美元十亿),输出 token 全免——因为模型根本不生成文本。视频用「愤怒检测」算了一笔账:一条消息加问题约 500 输入 token,1 美元大约够查 4.7 万条客户消息。这笔账让「全量检查每一张工单、每条评论、每次表单提交」从预算会议议题变成无聊的常规操作。早期访问期间,Jev 在 9 月 23 日前免费,可通过 TypeSafe 官网 waitlist 或 Vercel AI 网关体验,API key 从 TypeSafe 控制台签发。

    Jev 成本幻灯片:what does checking frustration cost,显示每条消息加问题约 500 输入 token,1 美元约可检查 47,000 条消息。
    单次检查约 500 输入 token——1 美元约查 4.7 万条。跳转至 5:52
  5. 5

    用 TypeScript 发出同一个请求

    TypeSafe SDK 把沙盒实验变成三行应用代码。安装 typesafe-ai/sdk,把 API key 放进 .env,然后导入客户端和问题助手:import { choice, noul, score, TypeSafeClient } from "@typesafe-ai/sdk"。先写好 state——message: "I've contacted you three times, and I'm still waiting."——再调用 client.systemOne(),传入 state 和 questions 对象:isFrustrated: noul("Does `message` express frustration?")、requestType: choice("What is the main request in `message`?", { update: "...", refund: "...", replacement: "...", other: "..." })、frustrationLevel: score("How much frustration does `message` express?", [各级描述])。npm run demo 跑完返回 model jev-1.13.0,isFrustrated 0.94;把消息换成 "Thanks for the update, everything works now." 再跑,数值掉到 0.03——一次笃定的「否」。

    VS Code 编辑器显示 all-questions.ts:从 typesafe-ai SDK 导入 choice、noul、score 与 TypeSafeClient,state 装着 contacted-you-three-times 消息,systemOne 调用里写了 isFrustrated 与 requestType 问题。
    一个客户端加类型化助手——整个请求就是普通 TypeScript。跳转至 16:40
  6. 6

    一次调用读回三个答案,再用置信度做闸门

    三个问题共享同一个 state,所以一次调用全部返回:终端里 isFrustrated { type: "noul", noul: 0.94 },requestType { type: "choice", choice: "update", confidence: 0.99, probabilities: { replacement: 0, update: 0.99, refund: 0, other: 0.01 } },frustrationLevel { type: "score", score: 1.02, confidence: 0.97, probabilities: { "1": 0.98, "2": 0.02 } }——458 输入 token、84 输出 token、耗时 834ms。答案有效不代表正确,所以置信度是旋钮不是保证:演示代码只在数值越过 0.8 阈值时把客户标记给客服复核,否则留在普通队列。拿自己的样本调这个阈值——这份校准功夫才是自动化的可信度来源。

    Jev TypeScript 演示的终端输出:model jev-1.13.0,isFrustrated noul 0.94,requestType choice update 置信度 0.99,frustrationLevel score 1.02 置信度 0.97,458 输入 token,耗时 834ms。
    三问一趟,834ms——自动化与否,交给置信度闸门。跳转至 17:46

常见问题（FAQ）

一句话说清 Jev 是什么?

Jev 是 TypeSafe 推出的 System One 决策模型:发送 state 加类型化问题,拿回带校准概率的结构化答案——不生成文本、不用解析 JSON,通常 70-500ms 返回。名字来自杰文斯悖论:决策一旦足够便宜,应用对它的用量会成倍增长。

Jev 和直接问 GPT、Claude 有什么区别?

通用模型当然也能做判断,但它们逐 token 生成答案,而且还要负责写作、解释和写代码。Jev 只做判断,单次前向并行算出答案概率——视频例子里 GPT 用了约 8.6 秒,Jev 114 毫秒,成本约 1/170,而且输出保证符合你定义的结构。

Noul、Choice、Score 分别是什么?

Noul 回答是非题,返回「是」的概率——0.94 代表 94% 是,而 0.03 这样的低值代表笃定的「否」,不是犹豫。Choice 让模型从你定义的选项里挑一个,返回每个选项的概率和总体置信度。Score 把输入定位到你逐级描述的量表上,结果是加权平均,可以落在两级之间——1.02 就是刚过 1 级。

跑 Jev 要花多少钱?

输入 token 每百万 $0.042,输出免费,按单条约 500 token 计算,1 美元约能查 4.7 万条消息。模型不生成文本,所以没有输出侧账单。早期访问阶段 9 月 23 日前免费,入口是 TypeSafe waitlist 或 Vercel AI 网关。

相关推荐

Jev 是什么?

概念页:System One 与 System Two,类型化决策的位置。

阅读

Jev 分类极速上手

下一步实操:对着 OpenRouter API 跑 Choice、Score、Noul。

阅读

Jev TypeScript 实战

把 SDK 接进 Node 路由,补上错误处理与阈值。

阅读

更多视频攻略