SYSTEM-ONE-MODELL · JEV
Kein Chat. Urteilsvermögen.
Ein Wahrscheinlichkeitsmodell, das Software direkt nutzen kann.
Jev erhält einen Kontext und mehrere Fragen und liefert typisierte Antworten, Wahrscheinlichkeiten und Konfidenz zurück. Statt Absätze zu erzeugen, macht es kleine Entscheidungen in Agenten und Workflows zu Werten, die dein Code direkt verwenden kann.
EINE ANFRAGE · PARALLELE ANTWORTEN
state
Drei Deployments sind fehlgeschlagen. Die Produktion liefert 500-Fehler.
noul
Soll das jetzt an einen Menschen gehen?
Konfidenz
0.97
state
in
questions
parallel
output
typed
70–500ms
gemeldete Ende-zu-Ende-Spanne
3
Choice · Score · Noul
Typed
Ausgabeformat vorab festlegen
WAS JEV TATSÄCHLICH IST
Gib den schwierigsten If-Anweisungen ein Modell, das auch seine Unsicherheit angibt.
Klassische LLMs erzeugen hervorragend Sprache und lassen sich zur Ausgabe von JSON auffordern. In einer echten Automatisierungsschleife erhöhen jedoch jedes generierte Token, jeder Parser und jede Schema-Prüfung die Latenz und schaffen eine weitere mögliche Fehlerquelle.
Jev geht einen anderen Weg: Der Kontext wird zur Eingabe, die Fragen bilden die Programmschnittstelle und die Antworten bleiben innerhalb des von dir festgelegten Formats. Jede Antwort enthält Wahrscheinlichkeit und Konfidenz, damit dein Code entscheiden kann, wann er automatisiert und wann er einen Menschen hinzuzieht.
MASCHINENORIENTIERTE INTELLIGENZ
Ein Modell für Software, nicht für das Chatfenster.
TypeSafe bezeichnet Jev als erstes System-One-Modell: eine Modellklasse für die direkte Kommunikation zwischen Maschinen. Ziel ist nicht, jede Antwort angenehm lesbar zu machen, sondern eng umrissene Entscheidungen beobachtbar, testbar und in größeren Systemen nutzbar zu machen.
Auf menschliche Präferenzen optimiert
Chat-orientierte Modelle
- —Nützliche, natürlich klingende Antworten verfassen
- —Eine Folge von Nachrichten und generierten Tokens
- —Flexible Zeichenfolgen, die fast alles ausdrücken können
- —Präferenzen, Nützlichkeit und überprüfbare Ergebnisse
Auf kalibrierte Entscheidungen optimiert
System-One-Modelle
- Jeweils eine gezielte Entscheidung treffen
- Ein Kontext plus typisierte Fragen
- Eingeschränkte Werte und Wahrscheinlichkeitsverteilungen
- Genauigkeit, Kalibrierung, Geschwindigkeit und Konsistenz
ZWEI MODELLE, ZWEI AUFGABEN
Jev ergänzt ein LLM, statt es zu ersetzen.
Überlasse offene Schlussfolgerungen und Textgenerierung einem LLM. Routing, Schutzprüfungen, Bewertung und Triage kannst du einem Modell übertragen, dessen schnelle Entscheidungen Software direkt verarbeiten kann.
Antworten für Menschen
Klassisches LLM
- 01Sequenzielle Token-für-Token-Generierung
- 02Zeichenfolgen oder JSON, das noch geparst werden muss
- 03Konfidenz muss meist erst erfragt werden
- 04Chat, Schreiben und offene Schlussfolgerungen
Entscheidungen für Software
System One · Jev
- Mehrere Fragen werden parallel beantwortet
- Vorab definierte typisierte Werte
- Wahrscheinlichkeit und Konfidenz mit jedem Ergebnis
- Routing, Schutzprüfungen, Bewertung und Triage
DREI GRUNDTYPEN
Formuliere die Frage so, dass dein Code sie versteht.
Ein Kontext kann mehrere Fragen enthalten. Du legst den Rahmen fest; Jev trifft die Entscheidung innerhalb dieses Rahmens.
Choice
Aus Optionen auswählen
Für Absichtsklassifizierung, Modell-Routing und Ticket-Triage. Liefert Wahrscheinlichkeiten für jede Option und eine Gesamt-Konfidenz.
route = [fast, powerful]Score
Auf einer Skala bewerten
Für Risiko, Dringlichkeit und Qualität. Liefert eine Bewertung, die Verteilung über die Stufen und die Konfidenz.
urgency = [low, medium, high]Noul
Eine Ja-Nein-Frage beantworten
Für Sicherheitsprüfungen und Eskalationen. Liefert die Wahrscheinlichkeit, dass eine Aussage zutrifft – einfach und direkt für Verzweigungen nutzbar.
needs_human = true?EINE GUTE FRAGE STELLEN
Die beste Jev-Frage fühlt sich wie eine kurze Einschätzung von Experten an.
Eine eng umrissene Frage gibt dem Modell einen klaren Auftrag. Eine Anfrage wie „Analysiere dieses Ticket und entscheide, was zu tun ist“ vermischt mehrere unabhängige Entscheidungen.
Zu allgemein
Bewerte dieses Startup-Pitch.
Darin stecken mehrere voneinander unabhängige Aspekte: Marktgröße, technische Machbarkeit, Differenzierung und möglicherweise Ausführungsrisiken.
Einzelne Fragen
Frage nach den einzelnen Aspekten.
Bewerte Marktgröße, technische Machbarkeit und Differenzierung getrennt. Dein Code kann die Antworten gewichten, Standardwerte festlegen und den nächsten Schritt bestimmen.
Wenn sich Prioritäten ändern, passe einen Koeffizienten oder einen Zweig in deinem Code an, statt einen riesigen Prompt neu zu schreiben.
WIEDER IN DEIN SYSTEM INTEGRIEREN
Vom Kontext zur Aktion: Behalte nur die Einschätzung, die du wirklich brauchst.
Jev übernimmt nicht deine Geschäftslogik. Es beantwortet klar eingegrenzte Fragen; Warteschlangen, Berechtigungen, Wiederholungen und endgültige Aktionen bleiben in deiner Kontrolle.
01
Eingabekontext
Ein Ticket, eine Nachricht, ein JSON-Objekt oder der strukturierte Kontext deines Agenten.
02
Fragen definieren
Formuliere die Entscheidung, die du mit Choice, Score oder Noul automatisieren möchtest.
03
Wahrscheinlichkeiten erhalten
Mehrere Fragen werden parallel und strukturiert beantwortet – direkt für deinen Code nutzbar.
04
Aktion ausführen
Leite weiter, blockiere, reihe ein oder frage bei unsicheren Signalen einen Menschen.
KONFIDENZ IST EIN STEUERSIGNAL
Die Antwort ist nur die halbe Entscheidung. Die andere Hälfte ist, wie sehr du ihr vertraust.
Choice und Score liefern die vollständige Wahrscheinlichkeitsverteilung sowie einen Konfidenzwert. Eine konzentrierte Verteilung deutet auf ein klareres Signal hin; bei einer breiten Verteilung ist mehr Vorsicht angebracht.
Automatisch handeln
Das Signal ist eindeutig und die Aktion umkehrbar oder risikoarm.
weiterleiten · anzeigen · fortfahren
Mit Prüfung fortfahren
Lass den Workflow weiterlaufen, fordere aber eine Bestätigung an, sammle mehr Kontext oder markiere den Fall zur Prüfung.
bestätigen · ergänzen · prüfen
Nicht raten
Lass die Unsicherheit des Modells das Systemverhalten beeinflussen: Frage einen Menschen, bitte um Klarstellung oder nutze einen Rückfallpfad.
eskalieren · klären · zurückfallen
Es gibt keinen universellen Schwellenwert. Eine Nur-Lese-Aktion verträgt einen niedrigeren Wert als eine Überweisung, Löschung oder andere irreversible Aktion.
EINSATZBEREICHE
Die kleinen Entscheidungen, die Software tausende Male am Tag trifft.
Modell-Routing
Nutze für einfache Aufgaben ein leichtgewichtiges Modell und reserviere teure Schlussfolgerungen für Anfragen, die sie wirklich benötigen.
Schutzprüfungen für Tools
Prüfe riskante Aktionen vor ihrer Ausführung. Halte Löschungen, Zahlungen und andere folgenreiche Vorgänge an.
Ticket-Triage
Klassifiziere Anliegen, Dringlichkeit und Übergabe an Menschen gemeinsam. Sortiere die Warteschlange anhand von Signalen statt einer Ansammlung von Schlüsselwörtern.
Echtzeitanwendungen
Wenn ein Produkt nicht auf eine lange Antwort warten kann, nutze eine schnelle, vorhersehbare Einschätzung für den nächsten Bildschirm.
KOMBINIERBARE MUSTER
Das Modell bleibt klein. Das System wird leistungsfähiger.
TypeSafes Dokumentation beschreibt Jev als kombinierbare Entscheidungen. Diese Muster machen aus den Grundtypen wiederverwendbare Workflows.
Spekulative Verzweigung
Stelle in einer Anfrage alle Fragen, die dein Code möglicherweise braucht – auch solche, die nur für bestimmte Eingaben relevant sind. Ignoriere die übrigen Ergebnisse.
Routing mit Konfidenzschwelle
Nutze die ausgewählte Option und ihre Konfidenz als getrennte Signale. Bei niedriger Konfidenz kann eine leistungsfähigere Alternative übernehmen.
Kombinierte Bewertung
Kombiniere unabhängige Score-Fragen wie Schweregrad, Frustration und Vollständigkeit mit expliziten, von deiner Anwendung kontrollierten Gewichtungen.
Routing nach Absicht
Ordne die Anfrage einem bekannten Handler zu, bevor der teure oder spezialisierte Folge-Workflow startet.
EINE ANFRAGE, VIELE ENTSCHEIDUNGEN
Definiere das Schema in der Anfrage. Behalte das Ergebnis in deinem System.
Jev arbeitet mit Kontext und Fragen. Fragen können parallel ausgewertet werden, und das Format jeder Antwort ist vorab festgelegt.
{
"model": "jev-latest",
"state": "Deploy failed twice; prod is returning 500s.",
"questions": {
"urgent": {
"type": "noul",
"instructions": "Needs attention now?"
},
"route": {
"type": "choice",
"options": ["fast", "powerful"]
}
}
}{
"urgent": {
"noul": 0.999
},
"route": {
"choice": "powerful",
"probabilities": {
"fast": 0.08,
"powerful": 0.92
}
}
}IM AGENT-WORKFLOW
Ergänze das generierende Modell um eine schnelle Entscheidungsebene.
LangChain stellt Jev über TypeSafeClassifier bereit. So kann eine Jev-Entscheidung in einem Node, einem Middleware-Hook oder einem Tool-Workflow liegen.
LangChain-Leitfaden lesenfrom langchain_typesafe import Noul, TypeSafeClassifier
classifier = TypeSafeClassifier()
response = classifier.invoke({
"state": "The deploy failed twice and prod is returning 500s.",
"questions": {
"urgent": Noul(
instructions="Does this need attention now?"
),
},
})
urgency = response.nouls["urgent"].noulDasselbe Muster schützt Tool-Aufrufe: Prüfe die geplante Aktion vor der Ausführung und blockiere oder pausiere riskante Aufrufe.
WARUM SYSTEM ONE
Eine Schnittstelle, die besser zu Automatisierung passt.
Kalibrierung statt bloßer Konfidenzbehauptung
TypeSafe bezeichnet seinen Trainingsansatz als RLCD: Reinforcement Learning for Calibrated Decisions. Im Mittelpunkt stehen Wahrscheinlichkeiten, die bei Entscheidungen helfen.
Parallel statt nacheinander generiert
Mehrere Fragen in einer Anfrage können parallel ausgewertet werden, statt für jede ein vollständiges Gespräch zu starten.
Typisiert statt nachträglich erraten
Mögliche Antworten werden im Voraus festgelegt. So verarbeitet Software das Ergebnis, ohne die Bedeutung eines Absatzes erraten zu müssen.
DIE GRENZEN KENNEN
Ein Entscheidungsmodell ist gerade deshalb leistungsfähig, weil es weniger tut.
Jev ergänzt generative Modelle und deterministischen Code. Es passt, wenn der Ausgaberaum bekannt ist und eine schnelle, typisierte Einschätzung gebraucht wird.
Brauchst du einen Absatz, Code, eine Erklärung oder einen offenen Plan? Nutze ein generatives Modell.
Brauchst du lange, mehrstufige Schlussfolgerungen? Zerlege die Aufgabe zuerst in atomare Signale und überlasse die Kombination deiner Anwendung oder einem Reasoning-Modell.
Kannst du mögliche Optionen oder die Bedeutung der Stufen nicht definieren? Kläre zuerst den Auftrag, bevor du Jev aufrufst.
Geht es um eine folgenreiche Entscheidung? Prüfe Genauigkeit und Kalibrierung mit eigenen Daten und behalte menschliche oder deterministische Kontrollen bei.
VON DER SPIELWIESE IN DEN PRODUKTIVBETRIEB
Ein Endpunkt, ein serverseitiger Schlüssel, eine schlanke Schnittstelle.
Der öffentliche Schnellstart verwendet einen einzelnen System-One-Endpunkt. Beginne in der Spielwiese und führe die Anfrage anschließend über dein Backend aus.
ENDPUNKT
POST https://api.typesafe.ai/v1/systemone
SCHLÜSSELVERWALTUNG
Speichere API-Schlüssel in Umgebungsvariablen und leite Browseranfragen über deinen eigenen Server weiter.
PYTHON-SDK
pip install typesafe-sdkMIT EINER ECHTEN FRAGE STARTEN
Lass deinen Agenten eine Sache weniger erraten.
Bring einen realen Kontext mit, definiere eine Choice-, Score- oder Noul-Frage und prüfe das Ergebnis in der Spielwiese, bevor du festlegst, wo es in deinen Workflow gehört.