Jev 模型从 0 到 1小白教程

先认识一个人：Diogo Almeida，前 OpenAI 研究员，RLHF 这套训练方法的共同发明人之一——可以说，是"把 AI 教会说话的人"。

2026 年 9 月 15 日，他在旧金山创办的 TypeSafe AI 发布了一个怪东西：Jev，一个"偏偏不说话的 AI"。这家公司刚拿了 4000 万美元种子轮融资，一堆人排队申请试用。

困扰他四年的问题是：模型聊天已经超越人类，几万亿美元砸下去，可真正的自动化依然很少、日常生活几乎没变化。他的答案是：问题不在模型不够聪明，在"聊天"这个形式本身。

Jev 的一次调用拆成两部分：state（材料） + questions（问题）。你把材料给它、把问题列好，它返回格式固定的答案，程序直接可用——作者称之为"把问答变成填表"。

官方还给了硬保证：数学上不可能填错格式，也不可能给出表格之外的答案，因为所有答案都是你提前锁死的。

三种题型（三种原语），记住它们：

• 单选（Choice）：从你给的选项里选一个，还附带每个选项的概率；
• 评级（Score）：按你写的"尺子"打分，比如 0 / 1 / 2 三档；
• 是-否判断（Noul）：返回 0 到 1 之间的数，表示"是"的程度。

作者用"网店客服分流"讲透了这个问题。需求很简单：让 AI 只回"部门名"（退换货 / 账务 / 物流）。四步走下来全是坑：

• ① 写提示词求它只回部门名；
• ② 它有时啰嗦，多说一堆；
• ③ 程序抠关键词，又脏又错；
• ④ 偶尔幻觉出第四个部门——菜单里根本没有的部门。

作者的判断很狠："万分之一的跑偏率，也埋不进无人值守的系统。"AI 不可靠、不可控、不可预测，就没法被信任，也就没法大规模搭建进真实软件。

普通大模型（作者点名豆包）不管懂不懂都自信满满。Jev 不一样：每个答案自带 confidence（把握度），三档处理：

• 高 → 直接自动跑；
• 中 → 人确认一下，或补信息重新判断；
• 低 → 转人工，或请更强的模型。

"一个会说'我不知道'的 AI，比永远自信的 AI 靠谱。"

写评级"尺子"（rubric）有个要诀：每档描述具体情境，不用程度词。比如 bug 三档：0 = 外观小瑕疵；1 = 功能坏了但有替代办法；2 = 彻底卡死。返回 1.3 分的意思是"主要属 1 档、稍往 2 偏"。注意：数字 0/1/2 它其实看不见——光写数字没用，得用文字写清每档是什么情况；"中等严重"这种空词没有参照物，等于没写。

先看数字（官方自报）：比同级别大模型快约 200 倍、便宜约 400 倍；单次响应 70 到 500 毫秒——"比你眨一次眼还快"。

于是出现了一个"反常的编程习惯"：官方鼓励一次调用里尽可能多问。比如同时问：派单（单选）+ 生气程度（评级）+ 是否要退款（判断）+ 是否愤怒（判断）+ 是否未发货订单（判断）——"多问几个，响应时间几乎不变"。这和 LLM 时代"能少问一句是一句"的心态完全相反。

拿到 Jev 有两条路：官网排队（收到 "You're in!" 邮件后注册拿 key）或 OpenRouter（typesafe/jev，注册即调，免排队）。

官方 Skill 安装命令（Claude Code）：

复制claude plugin marketplace add typesafe-ai/skills
claude plugin install typesafe@typesafe-ai

Codex 等其他 Agent：

复制npx skills add typesafe-ai/skills --skill typesafe-ai

安装后在任务里明确要求使用 TypeSafe Skill；Claude Code 也可以用 /typesafe:typesafe-ai 调用。官方还建议：把问题文本和阈值集中放在容易检查的位置——后面判断异常，直接核对条件就行，不用翻遍项目。

作者的方法论叫"定义问题"：别问"这封邮件是垃圾邮件吗"这种大而空的问题，拆成 5 个小判断——索要密码？中奖？紧迫感？发件机构与域名对得上？链接落地网址与显示文字一致？然后在程序里加权组合成风险分。

落地场景：客服（分流 / 退款识别 / 愤怒优先级 / 通话记录提取）、内容审核（分级：轻警告、重封号）、招聘与找客户（简历打分 / 线索跟进判断）、大数据清洗打标签。

还有一个高价值用法：给别的 AI 当质检员——查跑偏、查越狱、查引用编造、查工具参数。"花小钱，给贵重的 AI 加一道质检。"想看完整实操（代码评审 + 命令检查 hook），见《Jev 实操指南：给 Claude Code 和 Codex 加一个 AI 裁判》。