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:
- Jev 到底在做什么?
- 它和普通大模型有什么区别?
- 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:
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。
Noul:是不是?
回答一个 Yes / No 类型的问题。
例如:
这条消息是否紧急?
→ 0.960.96 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:
> 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:
这张工单应该交给谁?
billing
technical
salesJev 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:
0 → 冷静
1 → 不满但礼貌
2 → 非常愤怒Jev 可能返回:
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:
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:
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。
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:
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:
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:
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:
billing
technical
sales它返回的结果会落在这些合法选项里。
但:
应该是 billing依然可能被判断成:
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:
是不是垃圾邮件?很适合。
但:
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:
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:
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:
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。*