Jev 知识地图
Jev 是 TypeSafe AI 推出的、面向决策的 AI 模型。它的核心主张是 Decisions, not strings——不生成自然语言让程序去解析，而是直接返回结构化决策（含置信度）。定位上，它是 AI 应用里位于 LLM 与 Code 之间的智能判断层，适合高频、低延迟、边界明确的判断任务。
概述
理解 Jev 的最短路径是三句话：
text
LLM 负责生成，Jev 负责判断
Jev 的输入是 State + Question，输出是带类型的决策
AI 应用 = Code + Jev + LLM知识全景
text
Jev/
├── 定位/ 是什么、与 LLM 的分工、Decisions not strings
├── 调用/ State + Question → Typed Decision
├── 能力/ Noul（是/否）、Choice（选哪个）、Score（打几分）
└── 落地/ 置信度兜底、Agent 协作架构、场景与边界知识点
定位 — 它解决什么问题
- Jev-概述：定义、Decisions not strings、为什么需要把高频判断从 LLM 中拆出来
- Jev-与传统LLM的区别：十维对比、为什么更快（自回归 vs 并行采样）、分析师 vs 决策引擎
调用 — 怎么用它
- Jev-决策调用模型：State（现在发生了什么）+ Question（要判断什么）→ Typed Decision
- Jev-三大决策原语：Noul / Choice / Score 的定义、示例与能力速查表
落地 — 怎么用得稳
- Jev-零幻觉与置信度：零幻觉只保证类型与结构，语义仍可能错；置信度阈值 + 业务规则 + 人工兜底
- Jev-与Agent的协作架构：Code / Jev / LLM 三层分工、客服 Agent 拆解、含质检环节的工程架构
- Jev-适用场景与局限：客服路由、内容审核、工具选择、RAG 过滤、风控等场景；不适合的任务；对官方指标的理性认识
学习路径
text
定位层：Jev 概述 → Jev 与传统 LLM 的区别
调用层：Jev 决策调用模型 → Jev 三大决策原语
落地层：Jev 的零幻觉与置信度 → Jev 与 Agent 的协作架构 → Jev 适用场景与局限关联专题
- AI 应用核心范式-MOC：RAG、Agent、Function Call、LLM 产品化
- AI Agent 概述：Agent 的核心组成与工作流程
- Function Call 概述：LLM 侧的工具调用协议（与 Jev 的「工具选择」互补）
- RAG 概述：Jev 可作为 RAG 检索后的过滤层
官方公布的延迟 / 成本数据均为官方测试环境下的评测结果，参考时请结合自身任务规模与上下文长度判断。
（内容由AI生成，仅供参考）