先别把 Jev 当成聊天模型
中文用户搜索 Jev，最容易困惑的是它和普通 LLM 的区别。普通模型擅长生成文字，Jev 更强调把业务判断限制在明确的输出范围里，例如把工单分到某个队列、给风险打等级，或决定是否进入人工复核。
State 是这次判断能看到的事实
State 可以是一张工单、一条用户行为记录、一份线索信息，也可以是 Agent 当前所在的步骤。入门时不要把整个数据库都塞进去，只保留会改变答案、而且事后能够检查的字段。
Question 决定程序能拿到什么答案
Choice 用于分类或路由，Score 用于有顺序的等级，Noul 用于边界明确的二元判断。问题写得越宽，criteria 越重叠，后面的 confidence 就越难解释。
Confidence 不是正确率证明
置信度真正有用的前提，是你已经写清阈值以下怎么处理。可以转人工、补充 state、使用保守默认值，或者交给另一条流程，但不要让低置信度结果直接触发不可逆操作。
中文用户常问的 Jev 问题
Jev 是哪个公司发布的？
Jev 由 TypeSafe AI 推出，定位是给软件流程返回结构化决策的模型。
Jev 和普通大模型有什么区别？
普通大模型主要生成开放文本；Jev 更适合输出范围明确、可以由程序直接验证和路由的判断。
Choice、Score、Noul 分别是什么？
Choice 从命名选项中选一个，Score 返回有顺序的等级，Noul 处理边界明确的二元式判断。
Jev 适合哪些场景？
常见起点包括客服工单路由、内容审核、线索评分、Agent 路由和安全检查。
Jev 的 confidence 可以直接当正确率吗？
不可以。它是流程控制信号，需要结合自己的标注数据、阈值和 fallback 规则验证。
新手应该从哪里开始？
先选一个结果容易核对的窄任务，只问一个问题，保存每次输入、答案和人工结果，再决定是否扩大自动化范围。
为什么 Jev 被称为 System One（系统 1）模型？
概念源自卡尼曼《思考，快与慢》。人类大部分日常判断（“这属于哪一类”、“是否紧急”）属于快速直觉的系统 1。此前开发者一直在用昂贵、缓慢的系统 2（长推理大模型）来做这些窄分类，而 Jev 通过单步前向传播在 100ms 内完成这些快思考，让大模型只负责复杂的慢推理。
为什么 Jev 能保证 100% 结构有效，且 0% 格式错误？
传统 LLM 必须先逐字生成文本，再由代码解析为 JSON，一旦格式错乱就会崩溃。Jev 是非生成式架构，其输出空间严格等于你在请求中声明的 Schema 集合，从物理架构层面就不可能产生未经声明的字段或语法错误。