為軟體提供判斷的決策模型
Jev 是 TypeSafe AI 開發的 AI 模型，用來在軟體中做出結構化判斷。只要提供資訊與一組定義清楚的問題，應用程式就能取得答案，用來選擇下一步。TypeSafe 將這個模型系列稱為 System One。官方介紹
想像收件匣裡有數百則客戶訊息。在任何人開始回覆前，往往就得先判斷：問題由哪個團隊負責、看起來有多緊急，以及是否需要人工檢視。這正是 Jev 設計上希望協助處理的工作。
實際採取什麼行動，仍由應用程式決定。模型建議將案件交給工程團隊，本身不會建立工單、聯絡客戶，也不代表已核准退款。
查看技術細節
三種提問方式
| 基本類型 | 適用需求 | 問題範例 |
|---|---|---|
| Choice | 從自行定義的選項中選出一個答案 | 這則訊息應該送進哪個處理佇列？ |
| Score | 依照有順序的描述給予評分 | 這篇文章與我們的主題有多相關？ |
| Noul | 判斷某個敘述為真的機率 | 客戶是否明確要求回電？ |
你可以在同一個請求中，針對相同輸入提出多個問題。Jev 會獨立評估各個問題，再由你的程式碼整合答案。問題類型
區分問題類型很重要：「這件事有多緊急？」需要先定義尺度；「內容是否提到期限？」則是範圍較窄的是非題。選擇合適的問題，也是應用程式設計的一部分。
Jev 負責什麼，你需要提供什麼
Jev 目前處理的是文字，也包含以 JSON 物件或陣列表示的文字。它不能直接接收圖片、音訊或影片，也不會產生電子郵件、文章、解釋或程式碼。System One 文件
相關脈絡、可選項目、評分規準，以及處理結果的規則，都需要由你提供。以文件流程為例，可以先擷取文字，請 Jev 判斷相關性，再使用其他工具摘要篩選出的文件。
你可以先閱讀實際應用情境，或透過 Jev 與 LLM 的比較，判斷工作流程中的各個環節適合交給哪一種工具。
查看技術細節
機率為什麼重要
TypeSafe 將其訓練方法稱為用於校準決策的強化學習（Reinforcement Learning for Calibrated Decisions），簡稱 RLCD。目標是讓模型回報的機率，在大量預測中與實際結果相符。例如，在校準良好的系統中，一組條件相近、預測機率為 70% 的事件，實際發生的比例應約為 70%。這是一種統計性質，並非對單一答案的保證。TypeSafe 的 AI 入門說明
對開發者而言，這提供了一種實用的設計選擇：明確的案例可以採取行動，模糊的案例可以補充脈絡，困難的案例則交由人工處理。不過，門檻仍須依照你真正關心的任務進行評估。
接下來可以看什麼
- **開發者：**先從一項語意檢查開始，並將執行與權限控制保留在程式碼中。
- **客服團隊：**分開判斷處理佇列、緊急程度，以及是否需要人工介入。
- **搜尋與 RAG 團隊：**先找出相關證據，再請另一個模型撰寫答案。
- **資安團隊：**探索可供審查參考的訊號，同時保留既有控制措施與分析人員的判斷。
應用情境指南依照這些角色展開，並提供完整的官方文件搜尋示範。限制指南則說明介面、證據與運作假設的適用範圍。
常見問題
Jev 是聊天機器人嗎？
不是。它的輸出限於你定義的決策。它可以協助聊天應用程式選擇處理路徑或評估回覆，實際措辭則由另一個模型或範本提供。
輸出是結構化的，就表示答案正確嗎？
不是。回應即使符合預期型別，仍可能選錯類別。請將格式保證與決策準確度視為兩個不同的性質。比較指南會進一步說明這項差異。
現在就能試用嗎？
可以從本站 Playground 開始，載入範例或撰寫自己的問題。即時檢查取決於網站當前可用狀態和使用限額。需要自己的 API 整合或官方 Playground 時，請閱讀入門指南 並造訪 TypeSafe 官網；官方帳戶和產品存取資格與本站體驗分開管理。
費用是多少？
定價指南與計算機提供公開的輸入 Token 費率、實用的估算方式，以及估算未涵蓋的項目。
本站的語言選單代表 Jev 支援哪些語言嗎？
不是。網站提供的 12 種閱讀語言，指的是本指南的翻譯版本。這不是模型能力清單、準確度聲明，也不能證明同一個問題在各種語言下都同樣有效。請評估你自己工作流程使用的語言與術語。
這是 Jev 的官方網站嗎？
不是。What is Jev 是獨立的教學指南，與 TypeSafe AI 沒有隸屬關係。我們提供第一手來源連結，並依據證據性質標示範例。請參閱編輯方針。
來源與延伸閱讀
本指南以官方文件及附有連結的社群回報為依據。社群觀察均註明原作者。
我們如何查核來源