今天的唯一目标

用客服分流和 Agent 选路两个例子,讲清 Jev 的 Noul、Choice、Score、模型分工、能力边界与体验方式。

只根据已知数据得到一个判断结果,Jev 无疑是目前最高效的选择。

2026 年 9 月 15 日,TypeSafe AI 发布 Jev,并将它作为旗下首个公开的 System One Model 推出。

三天后,Vercel 披露:Jev 接入 AI Gateway 后 24 小时内,已经被接近 13% 的付费团队使用。

这个数字只代表 Vercel 自家平台的首日采用情况,不能等同于整个 AI 市场的占有率。

但 Jev 提出的方向确实很特别:

Jev 不负责生成自然语言答案,它负责直接给出判断结果。

我们给它当前状态,再告诉它程序需要判断什么,它不会生成一大段解释,而是直接返回概率、分类或评分,让程序继续往下执行。

这篇文章只回答三个问题:

  1. Jev 到底在做什么?
  2. 它和普通大模型有什么区别?
  3. 什么场景值得用,什么场景不该用?

1. Jev 到底在做什么?

先看一个最简单的例子。

假设客服收到一条消息:

“我的信用卡被重复扣款了,而且今天必须解决。”

程序真正关心的可能只有三件事:

  • 这件事紧不紧急?
  • 应该交给哪个部门?
  • 用户现在有多不满?

程序真正需要的,也不是一段分析,而是类似下面这样的结果:

text可复制后修改
是否紧急      → 0.96
处理部门      → billing
不满程度      → 1.2 / 2
[!NOTE] 上面的数值只是为了说明 Jev 的返回形式,不代表实际调用结果。

Jev 把这三类判断分别称为 Noul、Choice 和 Score。

图Noul、Choice 和 Score 的问题、视觉含义与返回值对照

Noul:是不是?

回答一个 Yes / No 类型的问题。

例如:

text可复制后修改
这条消息是否紧急?
→ 0.96

0.96 表示模型非常倾向于回答“Yes”。

程序可以根据自己的业务需求设置阈值,例如:

text可复制后修改
> 0.8  → 自动进入紧急队列
< 0.8  → 普通处理

Choice:选哪个?

从提前定义好的几个选项中选择一个。

例如:

text可复制后修改
这张工单应该交给谁?

billing
technical
sales

Jev 不只返回最终选择,还会返回各个选项对应的概率分布。

Score:程度多大?

在一个有顺序的量表中判断位置。

例如提前定义:

text可复制后修改
0 → 冷静
1 → 不满但礼貌
2 → 非常愤怒

Jev 可能返回:

text可复制后修改
1.2

也就是更接近“不满但礼貌”,但已经向“非常愤怒”偏移。

[!IMPORTANT] Score 的 1.2 是程度位置,不是 1.2% 的正确率。

>

Choice 返回的候选项概率,也不是 Score。

所以 Jev 的能力其实可以压缩成三句话:

是不是? 选哪个? 程度多大?

调用时,核心输入也很简单:

  • state: 当前发生了什么,例如邮件、工单、用户消息或 Agent 状态;
  • questions: 程序真正需要判断的问题;
  • answers: Jev 返回的结构化判断。

同一份 state 可以同时判断多个互相独立的问题,不需要一个问题调用一次模型。

三种问题类型:

https://docs.typesafe.ai/primitives

2. 普通大模型也能输出 JSON,Jev 新在哪?

看到这里,很自然会有一个问题:

ChatGPT、Claude、DeepSeek 也能分类,也能输出 JSON,为什么还需要 Jev?

确实。

输出 JSON 从来都不是 Jev 的独门能力。

真正的区别在于,两类模型从一开始追求的目标就不同。

生成式大模型解决的问题更接近:

接下来应该生成什么?

Jev 解决的问题则是:

在这些提前规定好的结果中,当前更像哪一个?

例如程序只需要判断一封邮件属于:

text可复制后修改
billing
technical
sales

生成式模型完全可以完成这个任务。

但程序真正需要的,其实不是:

“根据邮件中的付款描述以及用户提到的重复扣款情况,我认为这封邮件主要属于……”

它只需要:

text可复制后修改
billing   → 88%
technical → 12%
sales     → 0%

然后继续运行。

按照 TypeSafe 对 Jev 的公开说明,它并不像传统生成式大模型那样逐 token 生成一段答案,而是针对提前定义好的答案空间直接输出概率分布。

这也是为什么 Jev 更适合:

  • 分类;
  • 路由;
  • 审核;
  • 打分;
  • 风险判断;
  • 下一步动作选择。

可以把分工简单理解成:

| 任务 | 更适合谁 | | --------------- | ------ | | 写回复、解释、总结、创作 | 生成式大模型 | | 判断是不是、选哪个、程度多大 | Jev | | 精确计算、权限校验、确定性规则 | 代码 |

因此,Jev 并不是一个“更小、更快的聊天模型”。

它更像是一块专门从 AI 系统里拆出来的:

决策组件。

让它写文章,就像让红绿灯主持晚会——岗位确实有点安排错了。

[!NOTE] Jev 1.13 当前公开数据 TypeSafe 当前公布的价格为每百万输入 Token 0.042 美元,输出免费。

>

官方披露的端到端响应时间约为 70~500 毫秒。

>

这些数据来自厂商公开测试,不同网络、区域和真实业务环境下的结果可能不同。

模型与价格:

https://docs.typesafe.ai/models

3. 为什么 Agent 特别适合 Jev?

Agent 在运行过程中,其实一直都在做选择题:

  • 下一步调用哪个工具?
  • 应该进入哪个子流程?
  • 当前结果是否需要重试?
  • 是否需要用户确认?
  • 是否存在风险?
  • 当前任务是否已经完成?

这些问题很多时候并不需要生成几百个 token。

程序需要的只是:

一个足够快、足够便宜,而且可以直接进入下一段代码的判断。

图Agent 责任链:Jev 选路,代码检查权限并执行工具,大模型负责表达

例如一个 PPT Agent 收到用户指令:

“这一页太挤了,帮我收拾一下,但是图片别动。”

系统可以先判断:

text可复制后修改
用户请求
   ↓
Jev
   ↓
改文案 / 调版式 / 先追问
   ↓
代码检查权限和参数
   ↓
调用对应工具
   ↓
需要生成内容时再调用生成式大模型

这里 Jev 不需要真正修改 PPT。

它只负责回答一个问题:

现在应该往哪走?

后面的文件修改、权限校验、参数检查、失败重试,仍然由代码和具体工具负责。

需要重新生成文案时,再把任务交给生成式大模型。

因此,Jev 在 Agent 中最自然的位置,不是代替 Agent 完成任务,而是:

在一个个岔路口快速帮它选路。

Agent Loop 相关说明:

https://vercel.com/i/jev-agent-control

4. Jev 怎么和其他大模型配合?

Jev 并不需要单独存在。

实际使用中,它更适合作为 ChatGPT、Claude、Codex 这类大模型或 Agent 的一个额外能力。

可以简单理解成:

text可复制后修改
用户提出任务
   ↓
生成式大模型 / Agent
   ↓
需要生成内容?────────→ 大模型自己完成
   ↓
需要快速判断?
   ↓
Jev
   ↓
返回结构化判断
   ↓
Agent 根据结果继续执行

比如一个 Agent 正在处理大量用户反馈。

需要总结用户说了什么时,可以交给生成式大模型。

但如果只是需要判断:

text可复制后修改
是不是投诉?
属于哪个产品?
风险高不高?
要不要转人工?

这些步骤就可以交给 Jev。

判断完成以后,Agent 再继续完成后面的工作。

所以从实际使用体验来看,可以把 Jev 理解成一种:

专门负责“判断”的特殊 Skill。

更准确地说,Jev 本身并不是 Skill。

TypeSafe 官方提供了一个 Agent Skill,用来告诉 Codex、Claude Code 等 AI 编程工具:

  • Jev 是什么;
  • 什么情况下适合调用 Jev;
  • API 参数怎么传;
  • 如何读取 Jev 返回的判断结果。

安装之后,Agent 可以在合适的时候调用 Jev,也可以通过类似 /typesafe:typesafe-ai 的方式主动触发。

于是整个分工会变得很自然:

| 任务 | 负责者 | | ------------- | ----------- | | 理解用户任务、规划流程 | Agent / 大模型 | | 快速分类、评分、路由、判断 | Jev | | 写文本、解释、生成代码 | 生成式大模型 | | 权限、计算、确定性逻辑 | 代码 |

大模型负责“想和生成”,Jev 负责“快速判断”。

它们并不是互相替代,而是负责不同类型的工作。

TypeSafe Agent Skill:

https://github.com/typesafe-ai/skills

5. Jev 也有很明确的边界

看到低延迟和低价格之后,很容易产生一个错觉:

以后是不是可以把很多大模型调用都换成 Jev?

并不是。

Jev 能做的事情很明确,不能做的事情同样明确。

1. 类型正确,不代表判断一定正确

假设提前给 Jev 三个候选项:

text可复制后修改
billing
technical
sales

它返回的结果会落在这些合法选项里。

但:

text可复制后修改
应该是 billing

依然可能被判断成:

text可复制后修改
technical

输出结构可靠,不等于语义判断永远正确。

因此真正接入业务之前,仍然需要用自己的真实数据评估准确率,并决定:

  • 哪些结果可以自动执行;
  • 哪些结果需要人工复核;
  • 多高的概率才值得触发动作。

概率不是“正确证明”,而是程序进行下一步决策时可以利用的信息。

2. 能确定计算的事情,不要让模型猜

算术、日期比较等可以通过代码得到确定答案的问题,没有必要交给 Jev。

TypeSafe 目前公开的 Jev 1.13 能力说明中,也将这类任务列为模型的明显短板。

复杂、多层的间接推理同样不是 Jev 最舒服的区域。

它真正擅长的任务通常有一个共同特点:

上下文已经给够,问题边界明确,只需要做一次判断。

比如:

text可复制后修改
是不是垃圾邮件?

很适合。

但:

text可复制后修改
结合过去六个月所有订单、汇率变化、节假日和用户历史行为,
推导这个客户下周最可能采取什么行动?

已经不是一个简单的“瞬间判断”问题了。

3. Jev 不是多模态模型

Jev 当前主要接收文本和 JSON 形式的状态信息。

它并不会直接理解:

  • 图片;
  • 音频;
  • 视频;
  • 游戏画面。

例如想让 Jev 控制一个游戏,通常不能直接截图给它。

需要先由程序把游戏状态转换成类似:

text可复制后修改
玩家位置:x=120, y=80
敌人位置:x=180, y=75
生命值:32%
弹药:4
可执行动作:攻击 / 后退 / 治疗

然后再问 Jev:

text可复制后修改
下一步应该选择哪个动作?

另外,TypeSafe 当前说明中,英语仍是主要训练语言,表现也最好;中文等 CJK 语言可以处理,但目前不能默认拥有和英语相同的准确率。

如果准备处理中文业务数据,最好先用自己的数据集实际测试。

官方能力边界:

https://docs.typesafe.ai/model-jaggedness/jev-1.13

State 输入说明:

https://docs.typesafe.ai/concepts/state

6. 现在怎么体验 Jev?

目前 Jev 已经提供了多种使用方式。

官方 Playground

最简单。

直接填写:

text可复制后修改
state
questions

就可以看到 Jev 返回的判断结果。

非常适合第一次体验模型。

API 和 SDK

准备接入真实项目时,可以使用:

  • HTTP API;
  • Python SDK;
  • JavaScript SDK。

程序可以直接读取返回结果,再进入自己的业务逻辑。

Vercel AI Gateway / Cloudflare

如果项目本身已经运行在这些平台,也可以通过第三方平台调用 Jev。

Agent Skill

TypeSafe 还提供了 Agent Skill,可以接入 Codex、Claude Code 等 AI 编程工具。

这样 Agent 在执行任务时,可以在适合的位置调用 Jev 完成判断。

需要注意的是:

Skill 只是告诉 Agent 怎么使用 Jev,真正做判断的仍然是 Jev API。

官方 Quick Start:

https://docs.typesafe.ai/introduction/quickstart

结语

过去几年,我们习惯把越来越多任务交给一个通用大模型:

让它写东西。

让它解释。

让它分类。

让它判断。

让它选工具。

甚至只是回答一个 Yes 或 No,也要先完整调用一次生成式模型。

Jev 提出的思路要简单得多:

生成归生成,判断归判断。

需要写内容,让生成式大模型来。

需要精确计算,让代码来。

而当程序只需要知道:

是不是?

>

选哪个?

>

程度多大?

Jev 提供了一种专门为这种任务设计的选择。

它不负责交流,只负责把下一步选明白。

---

参考资料

TypeSafe AI · Introducing System One Models & Jev:

https://typesafe.ai/blog/introducing-system-one-models-and-jev

TypeSafe AI · Primitives:

https://docs.typesafe.ai/primitives

TypeSafe AI · Models:

https://docs.typesafe.ai/models

TypeSafe AI · Jev 1.13 Jaggedness:

https://docs.typesafe.ai/model-jaggedness/jev-1.13

TypeSafe AI · State:

https://docs.typesafe.ai/concepts/state

TypeSafe AI · Agent Skill:

https://github.com/typesafe-ai/skills

Vercel · Jev is the fastest-adopted model in AI Gateway history:

https://vercel.com/blog/ai-gateway-jev-model-launch

Vercel · Where does Jev fit in an AI agent loop?:

https://vercel.com/i/jev-agent-control

---

*资料核对日期:2026 年 9 月 21 日。价格、延迟和采用数据来自 TypeSafe AI、Vercel 等公开资料;不同版本和业务环境下的数据可能发生变化。文中的示例数值仅用于解释 Jev 的工作方式,不代表本文实际测试结果。*