2026年9月15日，一家刚结束隐身的旧金山公司TypeSafe AI正式发布了Jev。当天它在Hacker News拿到1679分，第二天就被Vercel AI Gateway接入，OpenRouter也迅速上线。X上开发者的实测帖子几乎刷屏。
很多人第一次听到“Jev”时会困惑：它到底是什么？为什么连CEO都亲自发帖说“这可能是通往AI经济革命的最短路径”？
Jev是什么？
Jev是TypeSafe AI推出的第一款System One模型。
名字来源有两层：
- 心理学上对应《思考，快与慢》里的系统一（快速、直觉式判断），传统LLM则被定位为系统二（慢思考、逐token推理）。
- 也致敬经济学家Jevons（杰文斯悖论）：当智能变得足够便宜，使用场景会爆炸式增长。
核心定位一句话概括：
unstructured state in, typed probabilistic decisions out
（输入非结构化状态，输出带概率的类型化决策）
它不聊天、不写文章、不生成代码、不解释自己。你给它一段状态（文本、JSON、数组都行）+ 一组提前定义好的问题，它一次性并行评估所有问题，直接返回结构化答案和校准过的概率。
创始人Diogo Almeida曾是OpenAI研究员，是InstructGPT/RLHF的重要贡献者之一。他在发布帖中直言：过去几年超级聊天模型并没有带来真正的大规模自动化，因为软件需要的是“决策”，而不是“一段可读的文字”。
三大Primitives
Jev只回答三类问题：
| 类型 | 作用 | 返回内容示例 |
|---|---|---|
| Choice | 从预定义选项中选一个 | 选择结果 + 各选项概率分布 + 置信度 |
| Score | 按有序量表打分 | 分数 + 概率分布 + 置信度 |
| Noul | Yes/No判断 | true的概率（0~1） |
所有问题在一次前向传播中并行计算，没有自回归生成过程。因此它不会产生类型外的幻觉——输出永远是你定义好的结构。
核心优势
官方在特定工作流评测中给出的数字相当激进：
- 端到端延迟：70~500ms
- 速度最高可达前沿LLM的 193.6倍
- 成本最高可低至 444.6倍
- 定价：输入 $0.042 / 百万token，输出完全免费
因为没有token生成过程，它特别适合需要高频调用的场景（每秒多次决策）快到离谱、便宜到离谱。
实际代码示例
下面给出目前最常用的Python官方SDK完整示例，你可以尝试跟着动手实践一下。
安装：
pip install typesafe-sdk# 或uv add typesafe-sdk设置环境变量：
export TYPESAFE_API_KEY="你的API_Key"我们举一个实际的使用场景，比如：客服工单自动分流 + 紧急程度 + 情绪评分
from typesafe_sdk import Choice, Noul, Score, TypeSafeClient client = TypeSafeClient() # 默认使用 jev-latest ticket = """Hi, I've been trying to connect my Stripe account for 3 days and it keeps failing.I'm losing sales. Please help ASAP.""" response = client.system_one( state=ticket, questions={ "department": Choice( instructions="Which team should handle this request?", criteria={ "billing": "Payment, subscription, refund or invoicing issues", "technical": "Bugs, outages or integration problems", "sales": "Pricing, upgrades or account questions", }, ), "frustration": Score( instructions="How frustrated does the customer appear?", criteria=[ "Calm, just stating facts", "Frustrated but civil", "Very angry, strong language", ], ), "is_urgent": Noul( instructions="Does this message convey urgency or time-sensitivity?", ), },) # 直接拿到结构化结果（无需解析JSON）print("部门：", response.answers["department"].choice)print("部门概率分布：", response.answers["department"].probabilities)print("置信度：", response.answers["department"].confidence) print("紧急程度概率：", response.answers["is_urgent"].noul) # 0~1print("愤怒评分：", response.answers["frustration"].score)输出示例：
部门： technical部门概率分布： {'billing': 0.08, 'technical': 0.87, 'sales': 0.05}置信度： 0.82紧急程度概率： 0.96愤怒评分： 1.12然后你可以直接在代码里写业务逻辑：
if response.answers["is_urgent"].noul > 0.8 and response.answers["department"].choice == "technical": # 立刻通知技术值班 escalate_to_oncall()elif response.answers["department"].confidence < 0.6: # 置信度不够，转人工 send_to_human_queue()这就是一个简单的客服工单决策助手，你也可以根据你自己的实际工作场景来选择使用 Jev。
开发者都在用它做什么？
发布后短短几天，X上已经涌现大量真实项目，都是使用 Jev 进行实践过的项目，你可以查看相关帖子进行学习尝试。
- 实时交易机器人：Jarrod Watts用Jev每300ms决定买卖，并在Monad链上执行订单。相关帖子
- 模型路由：Duncan用Jev根据请求内容动态选择最合适的大模型。相关帖子
- 安全审查加速：Guillermo Rauch（Vercel CEO）分享了在fx工具中用Jev做安全分类，比之前的GPT方案快5~18倍且更准。相关帖子
- 游戏控制：有人让Jev玩Super Mario和Doom，每秒约10次决策。相关帖子
- 按键级意图预测：nader dabit做了实时launcher，输入几个字就能预测用户想打开的文件。相关帖子
- OpenRouter官方也发帖宣布接入，并强调“没有JSON prompting、没有解析层”。相关帖子
Sasha Sheng（TypeSafe联合创始人）直接总结：
“Jev is System One. Your code is the reliable System Two. This is the NEW WAY TO BUILD SOFTWARE.”
适用与不适用场景
Jve 并非替代其他 ChatGPT 大模型，所以还是得配合一起使用，我么来看看 Jve 适合的和不适合哪些场景？
非常适合：
- Agent内部的路由、工具选择、是否继续/重试/人工介入
- 内容审核、风险评分、工单分派
- 实时决策（交易、游戏、推荐排序）
- 需要高频、低成本、可校准置信度的场景
不适合：
- 需要生成自然语言解释或创意内容
- 需要长上下文深度推理
- 需要多模态（目前只支持文本/JSON状态）
它更像是给软件增加一层“可靠的直觉系统”，而不是替代现有的大模型。
如何开始使用？
目前处于早期访问阶段，需要到官方申请API Key。 官方提供Python和JavaScript SDK，也已接入Vercel AI Gateway和OpenRouter。
基本调用逻辑非常干净：
- 传入
state（你的业务状态） - 定义一组
questions（Choice / Score / Noul） - 拿到带概率的结构化答案，直接在代码里分支
结语
Jev的出现，本质上是在回答一个被忽视已久的问题：
软件里大量需要做的“判断”，真的必须让大模型先写一段话，再解析成JSON吗？
当决策本身成为一等公民，而不是文本生成的副产品时，自动化的成本和延迟都会发生质变。
这可能不是“下一个ChatGPT”，但它很有可能成为未来Agent架构里不可缺少的决策层基础设施。
如果你正在构建任何需要高频结构化判断的系统，现在值得认真关注Jev。
评论