认识 Jev
面向软件的 System One 模型
传统 LLM 主要生成给人阅读的文本。Jev 专注于做出软件可以直接消费的判断：把一份 state 和一组 typed questions 发给模型，得到可分支、排序和路由的结构化结果。
类型化结果
一次请求并行判断
概率与置信度
快速开始
先在测试台验证一个判断
从 Playground 开始最容易理解 Jev 的输入与输出。确认问题定义合理后，再创建 API key 接入产品。
- 1
打开测试台
登录后进入 Jev AI 测试台，输入一段真实业务状态。
- 2
准备 state
可以是一段文本、JSON 对象或文本数组；先把判断所需的上下文放在一起。
- 3
添加问题
根据目标选择 choice、score 或 noul，也可以在一次调用中混合使用。
- 4
连接到代码
在工作区创建 API key，通过 SDK 或 REST 请求调用正式接口。
输入
让 state 包含判断所需的上下文
state 是所有问题共同读取的内容。简单场景使用字符串；需要同时参考工单、订单和规则时，使用 JSON 对象更清晰。
text一段自然语言、工单或消息
object结构化记录与嵌套字段
array多段文本组成的上下文
当前输入边界：Jev 接受文本、JSON 对象和文本数组，暂不支持图片、音频和视频。
问题类型
用最小问题组合出业务判断
每个 question 最好只问一个具体、边界清晰的问题。多个问题会针对同一份 state 并行评估，不需要为了拆分判断而串联多次请求。
Choice
Choice 用于从预先定义的选项中选择一个答案。为每个选项提供名称和可选描述；当可能存在未知情况时，加入 other 或 none-of-the-above。
Score
Score 用于有序的描述性等级，例如严重程度或满意度。等级按低到高排列，返回值是概率加权后的分数，因此可能落在两个等级之间。
Noul
Noul 用于 yes / no 判断。返回的 noul 是答案为 yes 的概率，不是另一个 confidence 字段；需要时可以用 criteria 说明 true 和 false 的含义。
输出
响应为代码准备了什么
result.answers 会沿用你发送的 question ID。类型化输出保证字段形状，但业务系统仍应根据风险设置阈值，并在必要时保留人工复核。
- answers： Choice 返回选择、概率和 confidence；Score 返回 score、legend、各等级概率和 confidence；Noul 返回 noul。
- usage： 包含 input_tokens 和 output_tokens，部分响应还会提供美元计价的 cost。
- elapsedMs： 从发送请求到收到结果的耗时，包含校验，不等同于纯模型推理时间。
概率与置信度是自动化决策的信号，不是业务正确率的保证。高风险动作应设置更高阈值或转人工。
接入
通过 API 把判断放回你的服务
在控制台验证工作流后，从工作区创建 API key。正式请求使用 state、model 和 questions 三个顶层字段。
curl -X POST https://thejevai.com/v1/systemone \
-H "Authorization: Bearer <API_KEY>" \
-H "Content-Type: application/json" \
-d '{
"model": "typesafe/jev-1.13",
"state": "A customer has tried to connect Stripe for three days.",
"questions": {
"urgent": {
"type": "noul",
"instructions": "Does this message express urgency?"
}
}
}'请把 API key 保存在服务端环境变量中，不要写入浏览器代码或提交到版本库。完整字段说明、SDK 与最新模型信息请以官方文档为准。