jev是专为毫秒级结构化决策设计的ai工具，输出仅限choice、score、noul三类校准型原语，不生成文本，杜绝幻觉，通过类型安全json接口实现可信赖的ai路由。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你想在软件系统里嵌入毫秒级、带概率校准的“智能判断”，而不是等大模型吭哧吭哧吐出一段解释性文字再手动解析——Jev 正是为这个需求而生，它不生成文本，只输出结构化决策，把每个 if 分支都变成可信赖的 AI 路由点。
为什么Jev不做文本生成
它根本没被设计成对话工具。Jev 的输入可以是一段用户投诉日志、一个 Git diff 补丁、甚至《毁灭战士》当前帧的内存状态 JSON，但它从不尝试续写、润色或编造理由。
它的输出永远是三类预定义原语之一：Choice（多选概率分布）、Score（连续数值评分）、Noul（布尔真/假概率）。这三者全部类型安全，【数学上不可能出现类型错误】，也彻底绕开了 LLM 最顽固的幻觉问题。
Diogo Almeida 在发布博客中明确写道：“Chat 框或许根本不是软件实现大规模自动化的理想形态。”——这句话不是修辞，而是工程选择：放弃语言建模，就等于砍掉推理链中最烧电、最慢、最不可控的一环。
Jev 的三种核心输出原语
方法一：Choice（选项概率）
适用于客服意图分类、API 路由、权限指令判定等场景。例如输入一条命令 git push --force，Jev 可直接返回 { "safe": 0.12, "review_required": 0.85, "block": 0.03 }，无需任何正则或关键词匹配。
方法二：Score（校准评分）
在 0–1 区间内给出风险、优先级、置信度等连续值，并附带该分数本身的校准置信区间。比如客户流失风险评分为 0.67 ± 0.04，表示模型不仅给出数值，还告诉你这个数字有多稳。
方法三：Noul（布尔概率）
从零搭建飞书机器人。支持 MiniMax/MiMo 等模型、工具调用（搜索/天气/百科/记忆）、Skill 架构。一站式交付可上线运行的飞书群聊 bot。基础版本，后续可自行升级能力
专为 yes/no 类判断设计，输出形如 { "yes": 0.92, "no": 0.08 }。这不是简单阈值切分，而是经 RLCD 训练后严格校准的结果：当 Jev 返回 yes=0.7，真实为 yes 的样本中约 70% 确实成立。
如何接入 Jev 做一次真实决策调用
第一步：准备结构化输入
把原始信息转为 JSON 格式，字段名必须与你注册时定义的 schema 完全一致。例如路由任务需包含 "command"、"user_role"、"context_hash" 三个键，缺一不可。
第二步：发起 HTTP POST 请求
向 https://api.typesafe.ai/v1/decide 提交，Header 中携带 Authorization: Bearer
第三步：解析响应体
返回是纯 JSON，不含任何 wrapper 字段或元数据。如果定义的是 Choice 类型，响应就是 {"option_a": 0.41, "option_b": 0.59}；如果是 Noul，则是 {"yes": 0.88, "no": 0.12}。这一步操作起来很简单，直接用 json.loads() 解析即可，不用写正则提取。
第四步：根据置信度执行分支逻辑
检查最高概率值是否 ≥ 预设阈值（如 0.75）。若达标，直接触发对应动作；若不达标，转入人工审核队列或降级调用 GPT-4.5 Turbo 做二次确认——【置信度阈值的责任完全由开发者承担】，Jev 不替你做兜底决策。
