Jev 概述

定义

Jev 是 TypeSafe AI 推出的、面向「决策」的 AI 模型。它与 GPT / Claude 这类传统大语言模型（LLM）的差别不在于「谁更聪明」，而在于两者从一开始就在解决不同的问题：

传统 LLM 主要负责生成内容，而 Jev 主要负责做判断。

所以 Jev 的定位不是面向用户聊天的 AI 助手，而是供软件调用的「智能判断器」——可以理解为隐藏在系统内部的一个「智能 if 语句」。

	传统 LLM 的典型任务	Jev 关注的判断
任务	写文章、写代码、回答问题、总结内容、生成方案	这是什么？选哪个？要不要？风险多高？是否需要人工？下一步走哪个流程？
输出形态	自然语言 / JSON 文本	结构化决策（附带置信度）
主要消费方	人	程序

核心理念：Decisions, not strings

传统做法是「让模型生成一段文字，再由程序解析」；Jev 主张不要让 AI 生成字符串，而是直接让 AI 给出决策。

传统 LLM：输入 → 模型生成自然语言 → 程序解析文本 → 得到业务结果
Jev：    输入状态 → Jev → 直接得到结构化决策 → 程序执行

以「客户要求退款」为例：

• 传统 LLM 可能输出「从客户的描述来看，其核心诉求是退款，同时存在物流问题……因此建议将该工单分配给退款部门」，程序仍需从中解析出 category = refund；
• Jev 直接返回 {"category": "refund", "confidence": 0.94}，程序可以立即使用。

为什么需要 Jev

很多软件内部其实既不需要一篇文章，也不需要几十行推理，只需要一个「是/否」或一个类别：

实际需求	真正需要的结果
这封邮件是不是退款申请？	Yes
应该调用搜索工具还是数据库工具？	database
客户紧急程度是多少？	4 / 5

如果这些高频、边界明确的判断全部交给大型生成式模型，就会额外付出：延迟、Token 消耗、推理成本、输出解析工作、格式错误风险。Jev 的思路是把这类「智能判断」从通用 LLM 中拆出来，交给专门的决策模型。

延伸阅读

• Jev-决策调用模型：State + Question → 结构化决策
• Jev-三大决策原语：Noul / Choice / Score
• Jev-与传统LLM的区别
• Jev-适用场景与局限

（内容由AI生成，仅供参考）