Introduction：官方介绍

这门课来自 TypeSafe 官方文档首页（docs.typesafe.ai/introduction），是 Jev 的官方定义课。

和《Jev 决策层完全指南》（jv01，讲机制实测）互补：jv01 告诉你"实测下来怎么装、怎么用"，这一课告诉你官方口径里 Jev 是什么、为什么存在、三个原语是什么、官方推荐的方法论。基础概念只讲官方原话，不重复展开实测细节。

官方开篇先讲一个 mismatch（错配）：

• LLM 被设计用来产出给人读的文本；
• 但当你需要模型做一个"代码消费的判断"（比如返回"买入 / 概率 0.72"给程序用），你其实在逼一个文本生成系统输出结构化决策，再解析回来；
• Jev 的存在就是为了消除这个错配。

j01、j02、j06、j07 都从各自角度讲过同一个意思（"typed answers，无需解析"），这里是官方最正式的表述版本。

官方定义：Jev 是 TypeSafe 的旗舰模型，也是第一个 System One 模型。

• System One 模型：为"软件可直接使用的快速结构化决策"而建；
• 工作方式：Jev 对 state（状态/上下文）求值类型化 questions（问题），直接返回结构化结果；
• 无文本生成、无解析：你拿到的是类型化值 + 概率分布，代码可以直接拿去分支（branch）、排序（sort）、路由（route）。

命名来源：System One 指向 Kahneman（卡尼曼）的"快 / 慢系统"理论——System 1 是快思考。完整解释见 j02、j07，本课只保留官方命名。

官方说 TypeSafe 暴露三种 AI 原语（primitives）——像软件原语一样模块化、可组合、结构化、可靠、快速。每种问不同类型的问题，返回不同类型的答案：

关于调用方式，官方给了三个关键机制（j01、j02 只讲了并行，这里是最明确的表述）：

• 三种问题类型可以在单次 API 调用里混合；
• 每个 question 对同一 state 并行且隔离求值，加问题几乎不增加延迟；
• 因为独立求值，加问题不会产生 context-rot（上下文腐烂：问题多了互相污染答案质量）。

这是官方文档的正式方法论标题："Atomic questions, composed in code"（原子问题，在代码里组合）。社区文章多只讲"把问题拆小"，官方多给了后半句的明确原则：

• 每个问题只问一件具体、范围明确的事——把它想成一次直觉判断（gut-check）：知识渊博的人拿到上下文几秒钟就能判的那种；
• 如果一个大问题需要深思熟虑、或权衡多个独立因素，先拆成独立小问题；
• 权重逻辑放代码里：多维度结果用你自己的公式组合。

官方例子：不要问"给这个创业 pitch 打分"，而是分别问市场规模、技术可行性、差异化，再用自己的公式组合。优先级变化时，改代码里的系数，而不是重写 prompt。

j07 的"定义问题"一节（垃圾邮件拆 5 问）正是这套方法论的实例化，可对照看。

官方文档在文末给了 Next steps（下一步）链接，按顺序学：

• Quick Start——立刻上手需要的一切；
• AI Primer——为什么 TypeSafe 训练的是"校准决策"而非"生成文本"；
• Primitives（Questions）——怎么定义问题、Choice / Score / Noul 三选一、一次问多个；
• Confidence——TypeSafe 如何报告确信度、架构上怎么用它；
• Patterns——用 TypeSafe 搭建系统的常见模式。