So verwendest du das Jev-AI-Modell: Schritt-für-Schritt-Anleitung für Entwickler

Wenn du wissen möchtest, wie man das Jev-AI-Modell verwendet, beginne mit einer praktischen Idee: Jev soll Entscheidungen treffen, die Software direkt verarbeiten kann – keine Chatoberfläche ersetzen. Du übergibst einen State, stellst eine oder mehrere typisierte Fragen und erhältst strukturierte Antworten mit Wahrscheinlichkeitssignalen.

Damit eignet sich Jev unter anderem zum Klassifizieren von Supporttickets, Weiterleiten von Anfragen, Bewerten von Risiken, Entscheiden über eine notwendige Prüfung oder Auswählen des nächsten Modells in einem Agent-Workflow. Die Jev-AI-Startseite beschreibt Jev als Entscheidungsebene für Softwareteams.

Diese Anleitung führt dich vom ersten Experiment bis zur serverseitigen API-Integration.

Was das Jev-AI-Modell macht

Bei herkömmlichen Sprachmodellen geht es meist darum, Text zu erzeugen. Jev konzentriert sich auf eine engere, stärker operative Frage: Welche strukturierte Entscheidung sollte die Anwendung auf Grundlage dieses States als Nächstes verwenden?

Eine grundlegende Interaktion besteht aus drei Teilen:

1. State – der Text, das JSON-Objekt oder das Textarray, das den Kontext liefert.
2. Questions – die Entscheidungen, für die deine Anwendung eine Antwort benötigt.
3. Answers – typisierte Ergebnisse, anhand derer dein Code verzweigen, sortieren, weiterleiten oder eine Prüfung auslösen kann.

Ein Support-Workflow könnte zum Beispiel ein Ticket als State senden und Jev nach Abteilung, Dringlichkeit und notwendiger menschlicher Prüfung fragen. Alle Fragen lassen sich gemeinsam anhand desselben States auswerten.

Am nützlichsten ist Jev, wenn der mögliche Antwortbereich klar umrissen ist. Brauchst du eine offene Erklärung, einen kreativen Entwurf oder eine längere Unterhaltung, eignet sich ein generatives LLM meist besser. Jev kann trotzdem vor oder nach einem LLM eingesetzt werden, um Routing und Ausführung zu steuern.

Schritt 1: Eine Entscheidung mit klarem Ergebnis wählen

Der erste Schritt bei der Verwendung von Jev AI ist nicht das Schreiben eines Prompts. Definiere zuerst, welche Entscheidung dein Produkt treffen muss.

Gute erste Entscheidungen sind zum Beispiel:

• Welches Team soll diese Supportanfrage erhalten?
• Ist die Anfrage dringend genug für eine priorisierte Warteschlange?
• Muss dieser vorgeschlagene Tool-Aufruf von einem Menschen genehmigt werden?
• Wie schwerwiegend ist das Problem auf einer festgelegten Skala?
• Welches Modell soll den nächsten Schritt übernehmen?

Beginne nicht mit einer vagen Bitte wie „Verstehe diesen Kunden“. Formuliere stattdessen eine klar begrenzte Frage wie „Welches freigegebene Supportteam soll dieses Ticket bearbeiten?“. Eine eng gefasste Frage lässt sich leichter bewerten, anhand historischer Beispiele testen und sicherer mit der Anwendungslogik verbinden.

Schritt 2: Den State vorbereiten

Der State ist der Kontext, den alle Fragen gemeinsam auswerten. Jev unterstützt derzeit drei nützliche Eingabeformen:

Text-State

Verwende einen String für eine Nachricht, ein Ticket, eine E-Mail oder ein kurzes Dokument.

{
  "state": "My payout has failed three times and I need help before payroll runs tomorrow."
}

JSON-Objekt als State

Verwende ein Objekt, wenn die Entscheidung von mehreren benannten Feldern abhängt. So bleibt wichtiger Kontext explizit, statt in einem langen Prompt versteckt zu sein.

{
  "state": {
    "message": "My payout has failed three times.",
    "account_age_days": 420,
    "recent_failures": 3,
    "requested_action": "retry payout"
  }
}

Array als State

Verwende ein Array, wenn der Kontext natürlicherweise aus mehreren Textelementen besteht, zum Beispiel mehreren Nachrichten oder Notizen. Beschränke das Array auf Belege, die für die Entscheidung relevant sind.

Sende nicht mehr Daten, als die Frage benötigt. Ein kleiner, relevanter State macht den Workflow verständlicher und hilft dir nachzuvollziehen, welche Belege die Antwort beeinflusst haben.

Schritt 3: Den passenden Fragetyp auswählen

Jev bietet drei zentrale Fragetypen. Wähle den Typ passend zur Entscheidung, statt jede Aufgabe in eine Ja-Nein-Frage zu pressen.

Fragetyp	Geeignet für	Typisches Ergebnis
Choice	Klassifizierung oder Routing	Eine Option aus einer vorgegebenen Auswahl sowie Wahrscheinlichkeiten und Konfidenz
Score	Schweregrad, Qualität oder Intensität	Eine Position auf einer geordneten Skala sowie Wahrscheinlichkeiten und Konfidenz
Noul	Eine konkrete Ja-Nein-Einschätzung	Eine Wahrscheinlichkeit von 0 bis 1 dafür, dass die Antwort Ja lautet

Choice für Klassifizierung verwenden

Choice eignet sich, wenn die Anwendung eine endliche Menge möglicher Ziele hat. Für ein Ticket könnten etwa Abrechnung, Technik und Vertrieb als zulässige Teams definiert sein.

Score für Abstufungen verwenden

Score ist nützlich, wenn es geordnete Stufen gibt, etwa einen niedrigen, mittleren und hohen Schweregrad. Ordne die Stufen von niedrig nach hoch. Der zurückgegebene Score ist wahrscheinlichkeitsgewichtet und kann daher auch zwischen den benannten Stufen liegen.

Noul für eine konkrete Aussage verwenden

Noul passt zu Fragen wie „Enthält diese Anfrage eine dringende Frist?“ oder „Soll ein Mensch diese Aktion prüfen?“. Das Ergebnis ist eine Wahrscheinlichkeit zwischen 0 und 1 dafür, dass die Aussage zutrifft.

Du kannst Choice, Score und Noul in einer Anfrage kombinieren. Vergib für jede Frage einen stabilen Schlüssel, denn über diesen Schlüssel findest du die zugehörige Antwort in der Rückgabe.

Schritt 4: Die Entscheidung in der Spielwiese validieren

Bevor du Zugangsdaten oder Produktivcode hinzufügst, teste die Frage mit realistischen Beispielen in der Jev-AI-Spielwiese.

Nutze diesen kurzen Validierungsablauf:

1. Füge einen repräsentativen State ein.
2. Ergänze eine klar eingegrenzte Frage.
3. Führe die Entscheidung aus und prüfe Antwort und Wahrscheinlichkeit.
4. Wiederhole den Test mit eindeutigen, ungewöhnlichen und mehrdeutigen Fällen.
5. Überarbeite Anweisungen oder Kriterien, wenn sich das Ergebnis schwer interpretieren lässt.

Ziel ist nicht, ein einzelnes Beispiel passend aussehen zu lassen. Erstelle einen kleinen Evaluierungssatz, der den tatsächlichen Datenverkehr deiner Anwendung abbildet. Berücksichtige auch Fälle, in denen die richtige Aktion darin besteht, zu pausieren, weitere Informationen anzufordern oder den Vorgang zur menschlichen Prüfung weiterzuleiten.

Schritt 5: Die Jev-API von deinem Server aufrufen

Sobald die Frage nützlich ist, erstelle einen API-Schlüssel und rufe den Produktiv-Endpunkt über einen serverseitigen Dienst auf. Der aktuelle Endpunkt lautet:

POST https://thejevai.com/v1/systemone

Sende den API-Schlüssel als Bearer-Token und übermittle state, model und questions im JSON-Body. Der aktuelle Modellname des Spitzenmodells in der API-Referenz lautet jev-latest.

curl -X POST https://thejevai.com/v1/systemone \
  -H "Authorization: Bearer $JEV_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jev-latest",
    "state": {
      "message": "My payout has failed three times.",
      "days_waiting": 3
    },
    "questions": {
      "department": {
        "type": "choice",
        "instructions": "Which team should handle this request?",
        "criteria": {
          "billing": "Payments, invoices, refunds, or payouts",
          "technical": "Bugs, outages, or integration failures",
          "sales": "Pricing, upgrades, or new accounts"
        }
      },
      "needs_human": {
        "type": "noul",
        "instructions": "Does this request require human review?"
      }
    }
  }'

Bewahre JEV_API_KEY in einer serverseitigen Umgebungsvariable auf. Hinterlege den Schlüssel weder im Browsercode noch in einem öffentlichen Artikel, Client-Bundle oder Repository.

Schritt 6: Die strukturierte Antwort im Anwendungscode verwenden

Die Antwort enthält für jeden Frageschlüssel ein Ergebnis. Eine vereinfachte Rückgabe könnte so aussehen:

{
  "model": "jev-1.13.0",
  "answers": {
    "department": {
      "type": "choice",
      "choice": "billing",
      "probabilities": {
        "billing": 0.94,
        "technical": 0.05,
        "sales": 0.01
      },
      "confidence": 0.92
    },
    "needs_human": {
      "type": "noul",
      "noul": 0.87
    }
  },
  "usage": {
    "input_tokens": 180,
    "output_tokens": 24
  }
}

Deine Anwendung entscheidet, was anschließend passiert. Zum Beispiel:

const department = result.answers.department.choice;
const humanProbability = result.answers.needs_human.noul;

if (humanProbability >= 0.8) {
  await queueForReview(ticket.id);
} else {
  await routeToTeam(ticket.id, department);
}

Wichtig ist die Grenze zwischen Einschätzung und Handlung: Jev liefert ein Signal, die Aktion liegt bei deinem Code. Jev sollte nicht unbemerkt Daten löschen, Zahlungen senden, Inhalte veröffentlichen oder sensible Tools aufrufen – jedenfalls nicht ohne eine Berechtigungsprüfung auf Anwendungsebene.

Wahrscheinlichkeiten und Konfidenz sicher einsetzen

Wahrscheinlichkeit und Konfidenz helfen beim Routing, Priorisieren und Eskalieren. Sie garantieren jedoch nicht, dass eine geschäftliche Entscheidung richtig ist. Behandle sie als Signale, anhand derer dein System einen passenden Ablauf wählen kann.

Eine praktische Richtlinie könnte so aussehen:

• hohe Wahrscheinlichkeit bei geringem Risiko → automatisch fortfahren;
• mittlere Wahrscheinlichkeit oder unbekannter Fall → weiteren Kontext einholen;
• hohes Risiko oder geringe Konfidenz → menschliche Freigabe verlangen;
• nicht unterstützte oder ungültige Eingabe → Fehler zurückgeben oder auf einen sicheren Fallback ausweichen.

Lege Schwellenwerte anhand historischer Beispiele fest und überwache nach dem Start falsch positive und falsch negative Ergebnisse. Ein Schwellenwert, der für Support-Routing geeignet ist, muss nicht für Zahlungen, Kontozugriff oder destruktive Tools passen.

Checkliste für den Produktivbetrieb

Prüfe vor dem Produktivstart eines Jev-Workflows die folgenden Punkte:

• Der mögliche Antwortbereich der Entscheidung ist festgelegt.
• Der State enthält die für die Frage nötigen Belege und möglichst wenig irrelevante Daten.
• Jede Frage verfolgt genau einen klaren Zweck.
• Die Kriterien von Choice sind verständlich und vollständig.
• Die Stufen von Score sind von niedrig nach hoch geordnet.
• Die Anweisungen für Noul beschreiben genau eine überprüfbare Aussage.
• Der API-Schlüssel wird serverseitig gespeichert.
• Timeouts, Wiederholungsversuche und API-Fehler haben einen sicheren Fallback.
• Wahrscheinlichkeits- und Konfidenzschwellen wurden mit historischen Fällen getestet.
• Aktionen mit großen Auswirkungen erfordern weiterhin Anwendungsberechtigungen oder menschliche Prüfung.
• Protokolle erfassen Version von Eingabe und Frage, Ergebnis und finale Aktion, ohne Geheimnisse offenzulegen.

Für die aktuellen Anfragefelder, Antwortformate, Eingabegrenzen und das Fehlerverhalten ist die Jev-AI-API-Dokumentation maßgeblich.

Häufige Fragen zur Verwendung von Jev AI

Ist Jev AI ein Chatbot?

Nein. Jev ist für typisierte Entscheidungen gedacht, die Software verarbeiten kann. Es kann Teil eines größeren KI-Produkts sein, erzeugt aber nicht primär Chatverläufe.

Kann ich mehrere Fragen in einer Anfrage stellen?

Ja. Mehrere Fragen können denselben State verwenden und parallel ausgewertet werden. Das ist nützlich, wenn ein Workflow gleichzeitig Klassifizierung, Bewertung und eine Sicherheitsprüfung benötigt.

Sollte Jev mein LLM ersetzen?

Nicht automatisch. Nutze Jev für klar eingegrenzte Entscheidungen und ein generatives Modell für Texte, Zusammenfassungen oder offene Schlussfolgerungen. In vielen Systemen entscheidet Jev, welches Modell oder Tool als Nächstes ausgeführt wird.

Kann ich Bilder, Audio oder Video als State senden?

Die aktuelle API-Dokumentation nennt Text, JSON-Objekte und Textarrays als unterstützte State-Eingaben. Bilder, Audio und Video sind nicht als direkte Eingaben aufgeführt. Wandle diese Quellen daher in deiner Anwendung um oder fasse sie zusammen, bevor du eine Entscheidungsfrage stellst.

Fazit

Am einfachsten lernst du das Jev-AI-Modell kennen, indem du mit einer risikoarmen Entscheidung beginnst: Bereite den kleinstmöglichen sinnvollen State vor, definiere eine typisierte Frage, teste sie mit repräsentativen Beispielen und verbinde das strukturierte Ergebnis mit deinem Code. Wenn dieser Ablauf zuverlässig ist, kannst du parallele Fragen, wahrscheinlichkeitsbasierte Prüfungen, Modell-Routing und Berechtigungskontrollen ergänzen.

Jev ist besonders nützlich, wenn die Anwendung eine wiederholbare Entscheidung mit einer klaren nächsten Aktion benötigt. Lass die finale Aktion in deinem Code, bewahre Zugangsdaten auf dem Server auf und nutze Evaluierungsdaten, um festzulegen, wo Automatisierung endet und menschliches Urteilsvermögen beginnt.