Jev 101 logo
Jev 101

Guides / 视频转图文攻略

Jev MCP Server 接入指南:把 Jev 决策层接进 Claude Code 与 Cursor

最近更新: 2026-10-24

TypeSafe 官方走的是开箱即用的 Agent Skill 而非 MCP server,社区则补出了 20+ 个第三方 Jev MCP server。本攻略讲透它们共同封装的决策层——state 加类型化问题、阈值分支与 TypeScript SDK 实操。

速览结论

Jev 至今没有官方 MCP server。TypeSafe 给编程 Agent 的官方路线是 drop-in Agent Skill——一个把 Jev API 上下文交给 Claude Code 或 Codex 的插件——而传输层由生态补齐:Glama 目录收录了 20+ 个第三方 Jev MCP server,头部是 jkudish/jev-browser(268 星、npm 周下载约 3.7k)、maxkimambo/jev-mcp(约 981/周)、walidboulanouar/jev-agent-kit(11 个工具)和 Bizuayeu/GenericJevMCP(自托管 DiffusionGemma 后端)。无论选哪种传输,线级格式都一样,也就是下面 Codevolution 演示的那一套:一个 state(纯文本、JSON 对象或数组)加类型化的 Noul/Choice/Score 问题,一秒内拿回带校准概率的答案,再由你的 Agent、MCP 工具或 Skill 按阈值分支。社区实测数据说明了为什么值得:29,150 token 的 MCP skill 上下文被过滤到任务实际需要的 2 个 server(约省 5 倍上下文,每 1000 次请求约省 $236);一道保险丝在约半秒内拦下不可逆的 rm -rf,而主模型要花约 5 秒和 124 个 token。

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

    先搞清楚接的是什么:Jev 只做判断,不写一个字

    在把任何东西接进 Claude Code 或 Cursor 之前,先认清线路另一端是什么。Jev 是 TypeSafe 的「System One」模型:不生成文本,只对你发去的 state 做判断,70–500 毫秒内返回带概率的类型化答案。视频的贯穿示例是一条客服消息——「I’ve contacted you three times, and I’m still waiting.」——配上 yes/no 问题「Does this customer sound frustrated?」发给 Jev,得到 Yes。这正是它适合 Agent 的原因:Jev MCP 工具或 Skill 交给编程 Agent 的是一个可以直接分支的概率——模型不生成任何文本,自然没有幻觉空间。

    Jev 白板示例:把「I have contacted you three times」这条客户消息送进 Jev 方框,回答 Does this customer sound frustrated 问题并返回 yes 判断。
    聪明的 if 语句:Jev 判消息,你的代码做分支。跳转至 1:35
  2. 2

    设计载荷:一个 state 加若干类型化问题

    每个 Jev 请求——因而也是每个 Jev MCP 工具调用底下的东西——只有两部分。state 是待判断的信息:纯文本、JSON 对象或数组。questions 是你想从这个 state 里知道的事,每个问题都带一个决定答案形状的类型:Noul 出 yes/no 概率,Choice 从你给的选项里挑,Score 在你描述的刻度上定位。所有问题独立且并行评估,一个问题看不到另一个的答案。把这套载荷设计对,MCP 还是 Skill 就只剩传输层的选择。

    Jev 输入图解:Information 状态(纯文本、JSON 对象或数组)与类型化 Questions 配对,在单次请求中独立评估。
    State 加类型化问题——请求的全部要素就这些。跳转至 6:30
  3. 3

    动手接线前,先在 TypeSafe 控制台验证决策

    验证一个决策最快的方式是 TypeSafe 控制台的 Playground,不用写代码:state 放上面——这里是 JSON 对象 { "message": "I’ve contacted you three times, and I’m still waiting." }——在 Questions 面板里选一个原语(Noul 判断真假、Score 设评分规则、Choice 出多选题),然后点 Run request。同一块屏幕的侧边栏有 API Keys,还有「Is hotdog a sandwich?」这类新手课程,以及从简历筛选、客服审计到 LLM 护栏的真实用例。录制时 Jev 还在早期访问阶段(候补名单、走 Vercel AI gateway、9 月 23 日前免费);如果你手里已有 OpenRouter 的 key,同样的模型那边也能调。

    TypeSafe AI 控制台 Playground:state 消息、列出 Noul、Score、Choice 的原语选择器,以及 Learn to TypeSafe 课程与简历筛选、客服审计、LLM 护栏用例列表。
    写代码之前,先在控制台沙盒里试决策。跳转至 12:10
  4. 4

    装 TypeScript SDK,发出第一个类型化调用

    代码侧,视频的 jev-demo 项目在 package.json 里加 @typesafe-ai/sdk(0.6.x),密钥放在 .env 的 TYPESAFE_API_KEY(控制台创建)。demo.ts 先检查密钥,再建客户端,发一个 Noul 问题:state = { message: "I’ve contacted you three times, and I’m still waiting." },questions = { isFrustrated: noul("Does message express frustration?") },用 client.systemOne(state, questions) 发出。演示脚本经 tsx 加 --env-file=.env 运行。Python 和 JavaScript SDK 同样有——而社区 Jev MCP server 封装成工具的正是这一个调用。

    TypeScript demo.ts 从 @typesafe-ai/sdk 导入 noul 和 TypeSafeClient,对客户消息 state 提问 isFrustrated noul does message express frustration。
    第一个类型化调用:对客户消息跑 noul。跳转至 14:20
  5. 5

    跑两遍,看校准过的数字,而不是生成文本

    npm run demo 返回 model jev-1.13.0,answers.isFrustrated.noul = 0.94——消息有 94% 的概率在表达不满——外加用量(输入 292 / 输出 23 token)和 861 ms 的耗时。把 state 换成「Thanks for the update. Everything is working now.」,同一问题翻到 0.03。干净的翻转正是重点:数字跟着证据走,Agent 里的阈值才敢信。注意 Noul 答案没有单独的 confidence 字段——离 0.5 的距离就是置信度;Choice 和 Score 的答案则带。

    npm run demo 终端输出:jev-1.13.0 对愤怒消息返回 isFrustrated noul 0.94,换成友好消息后变 0.03,附 token 用量与耗时。
    0.94 对 0.03——翻转就是信号。跳转至 16:10
  6. 6

    Noul、Choice、Score 三个问题合并一次调用

    all_questions.ts 沿用同一个 state,把三种原语叠在一起:isFrustrated 仍是 Noul;requestType 变成 Choice——「What is the main request in this message?」,选项为 an upgrade、a refund、a replacement、other;frustrationLevel 变成 Score,刻度是三级描述,从 makes a request without expressing frustration,到 expresses dissatisfaction without strong anger,再到 expresses strong anger。把每一级都描述清楚,模型拿到的信息远比光秃秃的 1–10 多,而三个问题仍然只走一次 API 调用。

    all_questions.ts 在一次 Jev 调用中组合 noul 不满判断、upgrade/refund/replacement/other 的 choice,以及三级愤怒刻度的 score。
    三种问题类型,同一个 state,一次调用。跳转至 17:20
  7. 7

    按阈值分支——这步归你的 Agent 或 MCP 工具所有

    一次调用同时拿回全部类型化答案:requestType = 「an upgrade」,置信度 0.99;frustrationLevel = 1.02,置信度 0.97(不满中带一点怒气);总耗时 834 ms、输入 495 token。演示设了 0.8 的 reviewThreshold,把消息标记为 support review 而不是留在普通队列——这个分支正是 Agent 的接入点:Jev MCP 工具或 Skill 用同一批答案把任务路由给更便宜的模型、从 145 个 skill 里挑一个加载,或者在大模型看到之前拦下不可逆命令。按视频里的建议:阈值要用你自己的样本去调。

    Jev 终端响应:choice 返回 an upgrade 置信度 0.99,score 返回 1.02 置信度 0.97,与 noul 答案同时返回,总耗时 834 毫秒、输入 495 token。
    834 毫秒拿回三个类型化答案——剩下的交给阈值。跳转至 18:30

常见问题（FAQ）

Jev 有官方 MCP server 吗?

没有。TypeSafe 给编程 Agent 的官方路线是 drop-in Agent Skill——一个把 Jev API 上下文交给 Claude Code 或 Codex 的插件,而且文档明确说 Jev 不是 Agent 背后的大模型(不存在 model: jev-latest 选项)。MCP 传输层完全由社区补齐:Glama 目录收录了 20+ 个第三方 Jev MCP server,头部包括 jkudish/jev-browser(268 星、npm 周下载约 3.7k)、maxkimambo/jev-mcp(约 981/周)、walidboulanouar/jev-agent-kit(11 个工具)和 Bizuayeu/GenericJevMCP(自托管 DiffusionGemma 后端)。

怎么把 Jev 接进 Claude Code?

官方 Skill 路线两条命令:claude plugin marketplace add typesafe-ai/skills,再 claude plugin install typesafe@typesafe-ai(手动安装则把 skills/typesafe-ai 目录拷进 ~/.claude/skills)。社区教程还演示了第二条路——把 OpenRouter API key 和一段路由配置提示词发给 Agent,它会自己把基于 Jev 的模型路由接进会话。同样的 agent-setup 提示词加 skill.md 模式在 Cursor 或 Codex 里也能用。两条路最终都落到本攻略演示的 state + 类型化问题调用上。

Jev 决策层对我的 Agent 到底有什么用?

社区实测给了硬数据。过滤 MCP/Skill 上下文:29,150 token 的 server 列表被收敛到 Stripe webhook 任务实际需要的 2 个——上下文约省 5 倍,每 1000 次请求估计省 $236。安全保险丝:一条不可逆的 rm -rf 由 Jev 在约半秒内拦下,而主模型要约 5 秒和 124 个 token。批量分类:30 张客服工单 2.6 秒分完,成本只有 LLM 的零头。路由、工具过滤、权限门禁——反复出现的就是这三个模式。

Agent Skill 还是社区 MCP server,该用哪个?

两者各管一半。官方 Skill 是上下文:教会你的 Agent 何时、如何调用 Jev,与官方文档保持一致,随 SDK 更新。社区 MCP server 是传输:把 Jev 暴露成运行时工具,任何 MCP 客户端——Claude Code、Cursor、Codex——都能在循环内调用,做模型路由、工具过滤或权限门禁。务实的组合是:用官方 Skill 掌握接入知识,再挑一个维护良好的社区 server 做循环内决策;并且如 MG 的安装视频所提醒的,先在自己的样例上跑评估,再让生产环境信任这些判断。

相关推荐

Agent 路由 Recipe

用类型化 Choice 加阈值,决定每个 Agent 任务由哪个模型或工具处理。

阅读

Jev Model Router 攻略

Sam Witteveen 实战搭建带隐私门控的模型路由器——编程 Agent 场景最流行的 Jev 用法。

阅读

Jev API 参考

每个 Jev MCP server 封装的 evaluate 端点与类型化载荷。

阅读

提示词注入防御

在不可信的 MCP 工具结果进入 Agent 上下文之前先做筛查。

阅读

云平台门户侧的同一决策层

不碰 MCP 管线的另一种接法：把 Jev 作为 OpenAPI 自定义工具接进 Azure AI Foundry 智能体，当评测组件使。

阅读

更多视频攻略