简介
Jev 是 TypeSafe 的旗舰模型，也是首个 System One 模型。发送状态和类型化问题，获得你的代码可直接使用的结构化答案。
大语言模型（LLM）的设计目的是生成供人类阅读的文本。当你需要模型做出一个供代码消费的判断时，就产生了错位：你在强迫一个文本生成系统输出结构化决策，然后再把结果解析回代码可以依赖的形式。
Jev 是 TypeSafe 的旗舰模型，也是首个 System One 模型。System One 模型专为做出软件可直接使用的快速结构化决策而构建。Jev 针对状态评估类型化问题，并直接返回结构化结果。没有文本生成，也无需解析。你得到的是类型化的值和概率分布，代码可以据此进行分支、排序和路由。Choice 和 Score 还会返回置信度，你的代码可以用它来决定是否行动以及如何行动。
%%{init: {"fontFamily": "Inter, sans-serif", "flowchart": {"rankSpacing": 35, "wrappingWidth": 300, "subGraphTitleMargin": {"top": 12, "bottom": 12}}}}%%
flowchart LR
input["state + questions"]
subgraph model["TypeSafe AI model"]
evaluate["evaluate each question<br/>against the state<br/>in parallel"]
end
input -- "one request" --> model
model -- "one response" --> answers["typed answers<br/>+ probabilities<br/>+ confidence<br/>(Choice and Score)"]
answers --> code["<b>your code</b><br/>branch, sort, and route"]TypeSafe 原语
TypeSafe 提供三种 AI 原语。与软件原语类似，我们的 AI 原语模块化、可组合、结构化、可靠且快速。每种原语询问不同类型的问题，并返回不同类型的答案。
| 问题类型 | 目标 | 返回 |
|---|---|---|
| Choice | 从列表中选择一个选项 | choice, probabilities, confidence |
| Score | 按量规为状态打分 | score, probabilities, confidence |
| Noul | 这句话是真的吗？ | noul (0–1) |
三种问题类型可以在一次 API 调用中混用。每个问题都在一次请求中针对同一个状态并行且相互独立地评估。增加问题几乎不会改变响应时间。每个问题都是独立评估的，因此增加更多问题不会造成上下文腐化（context-rot）。
原子问题，在代码中组合
当每个问题只询问一件具体、边界清晰的事情时，System One 模型工作得最好。把每个问题看作一次直觉判断：即一个学识渊博的人在给定恰当上下文时，几秒钟内就能做出的那种判断。
如果你想问的问题需要长时间推理，或同时衡量多个独立因素，就把它分解。将每个因素作为单独的问题来问，然后在代码中用逻辑组合结果。这样既能保证每次单独评估的可靠性，也让你完全掌控各维度的权重。
例如，不要问“给这个创业路演打分”，而是分别询问市场规模、技术可行性和差异化。用你自己的公式组合这些分数。当优先级变化时，只需修改代码中的一个系数，而无需重写提示词。