Jev AI Dev · przewodnik dla programistów

Czym jest model AI System One? Przewodnik po Jev dla programistów.

System One to klasa modeli AI firmy TypeSafe, która zamienia nieustrukturyzowany stan aplikacji w typowane odpowiedzi i prawdopodobieństwa. Jev jest pierwszą implementacją: ograniczonym komponentem decyzyjnym dla kodu aplikacji.

Wejście: Tekst, JSON lub listy tekstu
Wyjście: Choice, Score lub Noul
Przepływ sterowania: Pozostaje w kodzie

Zobacz integrację Jev Porównaj z LLM

To niezależny przewodnik dla programistów. Informacje o produkcie i wydajności pochodzą z materiałów TypeSafe. Przed wdrożeniem sprawdź Jev na własnych danych.

System Onestate → decisions

state

„Obciążono mnie dwukrotnie. Proszę rozwiązać to dziś.”

choicerozliczenia0.96

noulpilne0.88

scorefrustracja1.7 / 2

if (confidence < threshold) → review

Klasa modelu

Model System One to prymityw decyzyjny dla kodu aplikacji.

Model System One rozumie znaczenie wejścia, ale nie prowadzi dalej rozmowy ani nie tworzy odpowiedzi. Najpierw deklarujesz pytanie i dozwolony kształt wyniku; model zwraca ograniczoną ocenę, którą program może sprawdzić.

Rozumienie stanu

Model interpretuje tekst naturalny lub ustrukturyzowany: zgłoszenie, ślad Agenta, rekord produktu albo stan gry.

Działanie w kontrakcie

Aplikacja definiuje przestrzeń odpowiedzi przed wywołaniem. Model wybiera opcję, ocenia na skali lub rozstrzyga twierdzenie tak/nie.

Jawna niepewność

Każda odpowiedź ma sygnał prawdopodobieństwa. Choice i Score podsumowują rozkład także jako confidence.

Łączenie z kodem

Progi, reguły, skutki uboczne, ponowienia, ścieżki awaryjne i kontrola człowieka pozostają w zwykłym kodzie.

Jev w przepływie pracy

Jak programiści integrują Jev z kodem aplikacji.

Jev zamienia jedno wywołanie modelu w zestaw sygnałów decyzyjnych. Użyteczną jednostką nie jest tura czatu, lecz mały, typowany kontrakt między modelem a aplikacją.

Wejście

1. Zbuduj stan

Przekaż dane potrzebne do decyzji. Jev obsługuje obecnie wejścia tekstowe: napisy, obiekty JSON i listy tekstu.

Wiadomość klienta + dane konta

Kontrakt

2. Zdefiniuj pytania

Nazwij pytanie, wybierz primitive i opisz dozwolone opcje lub skalę. Kilka niezależnych pytań może znaleźć się w jednym żądaniu.

dział · pilność · frustracja

Model

3. Jev ocenia

Dla każdego pytania Jev zwraca typowaną odpowiedź i prawdopodobieństwo. Choice i Score zawierają też confidence.

rozliczenia · 0,93 · wysoka confidence

Aplikacja

4. Kod stosuje politykę

Połącz wynik z kontrolami deterministycznymi. Automatyzuj jasne przypadki niskiego ryzyka, a niepewne lub istotne kieruj do człowieka albo modelu rozumującego.

przekieruj · dopytaj · sprawdź · zatrzymaj

Trzy formy odpowiedzi

Choicebilling

Który zespół powinien to obsłużyć?

Wybiera jedną opcję ze zdefiniowanego zbioru i zwraca prawdopodobieństwo każdej opcji.

Score1.43 / 2

Jak poważny jest problem?

Umieszcza wejście na opisanej skali porządkowej; wynik może wypaść między poziomami.

Noul0.95

Czy prośba dotyczy zwrotu?

Ocenia twierdzenie tak/nie i zwraca prawdopodobieństwo „tak”.

Uzasadnienie

Dlaczego TypeSafe zbudował interfejs modelu dla oprogramowania.

Modele generatywne tworzą elastyczne ciągi dla ludzi. Według TypeSafe oprogramowanie potrzebuje węższej inteligencji: osadzanej w kodzie, powtarzalnej, pokazującej niepewność i pozostawiającej widoczny przepływ sterowania.

Ciągi są elastyczne, ale otwarte

Wynikiem może być tekst, kod, JSON, odmowa albo zły format. Przed działaniem aplikacja często musi parsować, walidować i obsłużyć błąd.

Automatyzacja potrzebuje granic

Gdy model działa w tle, program musi wcześniej znać możliwe wyniki i działania, które każdy z nich może uruchomić.

Niepewność powinna zmieniać przebieg

Rozkład prawdopodobieństwa pozwala automatyzować jasne przypadki i wysyłać niejednoznaczne bezpieczniejszą ścieżką.

Małe decyzje powinny się składać

Złożony proces można rozbić na skupione oceny semantyczne i połączyć logiką deterministyczną zamiast ukrywać wszystko w jednym dużym prompcie.

Gdzie pasuje

Gdzie System One AI pasuje do przepływów deweloperskich.

Najlepsze zadania zdarzają się często, wymagają zrozumienia nieuporządkowanego wejścia i prowadzą do kilku działań, które aplikacja już potrafi wykonać.

Obsługa klienta

Klasyfikuj zgłoszenia, wykrywaj intencję i pilność, oceniaj nastawienie i kieruj niepewne przypadki do kontroli.

Rozliczenia, technika, konto czy coś innego?

Sterowanie Agentem

Wybieraj model lub narzędzie, oceniaj potrzebę wyszukiwania, kompletność wyniku lub planowane wywołanie narzędzia.

Czy Agent ma kontynuować, ponowić czy eskalować?

Ranking i trafność

Oceniaj zgodność kandydata z zapytaniem, profilem, polityką lub kontekstem i łącz sygnał z regułami biznesowymi.

Jak trafny jest ten kandydat dla żądania?

Bezpieczeństwo i weryfikacja

Oceniaj wiadomości, wyniki, ślady i zmiany kodu według jawnych kryteriów; wysokie ryzyko zatrzymuj deterministycznymi bramkami.

Czy to narusza podaną regułę?

Interakcja w czasie rzeczywistym

Wybieraj dozwolone działania dla gier, symulacji, interfejsów lub urządzeń bez generowania długiej odpowiedzi.

Które dozwolone działanie najlepiej pasuje do stanu?

Operacje na danych

Zamieniaj duże zbiory rekordów w kategorie, wyniki, flagi i cechy dla dalszych systemów.

Jaka kategoria i poziom ryzyka dotyczą tego rekordu?

Dobre dopasowanie

Opcje są znane, wejście jest semantycznie złożone, decyzja się powtarza, liczy się opóźnienie, a kod ma działanie lub ścieżkę awaryjną dla każdego wyniku.

Słabe dopasowanie

Potrzebny jest oryginalny tekst lub kod, głębokie wieloetapowe rozumowanie, szerokie badanie, wyjaśnienie, wejście multimodalne albo wyników nie da się zdefiniować wcześniej.

System One i generatywne LLM

System One i generatywne LLM pełnią różne role w stosie AI.

Oba rozumieją język, a LLM może otrzymać schemat wyjścia. Głębsza różnica dotyczy tego, co model ma natywnie zwracać i jak używa go otaczające oprogramowanie.

Aspekt	Jev / System One	Typowy generatywny LLM
Główne zadanie	Ocena zdefiniowanych wyników	Generowanie kontynuacji lub odpowiedzi
Natywne wyjście	Typowany wybór, wynik lub prawdopodobieństwo tak	Sekwencja tokenów: tekst, kod, JSON lub inne
Przestrzeń odpowiedzi	Zadeklarowana przed wywołaniem	Z natury otwarta, nawet gdy schema ogranicza format końcowy
Niepewność	Prawdopodobieństwo każdej odpowiedzi; confidence dla Choice i Score	Może zwracać prawdopodobieństwa tokenów lub deklarowaną pewność, zwykle nie jest to skalibrowany sygnał zadania
Próbkowanie	Według TypeSafe pytania i wyniki oceniane równolegle	Zwykle sekwencyjnie, token po tokenie
Mocne strony	Częste rozgałęzienia semantyczne, scoring, routing i kontrole	Pisanie, dialog, programowanie, synteza i otwarte rozumowanie
Główna porażka	Poprawnie typowana, lecz błędna semantycznie decyzja	Błędna, źle sformatowana, niepoparta lub nietrafna treść
Rola systemowa	Ograniczony komponent decyzji w widocznym kodzie	Elastyczny generator lub model rozumujący, często z większą orkiestracją

Dla programistów oceniających System One poza Jev poniżej znajduje się ten sam moduł społeczności co na stronie Projects. Oddziela niezależnie trenowane modele od interfejsów podobnych do Jev opartych na istniejących wagach.

System One

Społecznościowy ekosystem System One

Te modele i eksperymenty z interfejsem powstały z inspiracji Jev lub badają podobne sposoby podejmowania ustrukturyzowanych decyzji. Nie są oficjalnymi wersjami Jev od TypeSafe i nie należą do rankingu projektów GitHub powyżej.

Model społecznościQwen3.5-9B

Bespoke Nimble

Adapter LoRA inspirowany Jev wraz z przepisem na trening odpowiedzi wyboru i tak/nie. Działa lokalnie; na razie przyjmuje tylko tekst.

GitHub

Model społecznościQwen3-0.6B

NanoJev

Mały model z głowicami decyzyjnymi, opublikowanym kodem treningowym i demonstracjami wyboru ruchów w grach.

GitHub

Model społecznościQwen3.5-2B

decider

Dostrojony model zwracający rozkłady prawdopodobieństwa dla pytań o określonym formacie w jednym przebiegu. Obecnie obsługuje tylko angielski.

GitHub

Model społecznościModernBERT 151M

Verdict

Mały model decyzyjny oparty na enkoderze, z udostępnionymi wagami i przeglądarkowym demo WebGPU.

GitHub

Model społecznościQwen3.5-0.8B

Dohnuts

Multimodalny model decyzyjny 0,8B z opublikowanymi wagami, kodem treningowym i wynikami testów. Obsługuje tekst i obrazy w jednym przebiegu; wagi są przeznaczone do badań niekomercyjnych.

GitHub

Eksperyment z interfejsemDiffusionGemma 26B-A4B

OpenJev

Korzysta z istniejącego modelu DiffusionGemma, by odpowiadać na pytania o określonym formacie przez API podobne do Jev. Nie publikuje nowych wag modelu.

GitHub

Eksperyment z interfejsemOpen-model logits

Simple Jev

Ocenia dozwolone odpowiedzi istniejącymi otwartymi modelami przez interfejs podobny do Jev. Nie udostępnia wag nowego modelu.

GitHub

Eksperyment z interfejsemSpark-X2.5-4B

Rizzo Flow

Lokalny serwer zgodny z Jev, który odczytuje logity odpowiedzi modeli Spark-X2.5. Pytania współdzielą jeden prefill stanu; projekt zawiera też playground i benchmarki.

GitHub

Eksperyment z interfejsemAny causal LLM

AnyJev

Zestaw narzędzi, który bez treningu zmienia przyczynowe modele językowe w typowane modele decyzyjne, z korektą wpływu kolejności opcji, opcjonalną kalibracją i odtwarzalnymi testami.

GitHub

Eksperyment z interfejsemQwen3.5 / DeBERTa

local-jev

Działający offline serwer zgodny z Jev dla modeli Qwen lub DeBERTa, sprawdzony z oficjalnym SDK i z opublikowanymi wynikami JevBench.

GitHub

To niezależne projekty społeczności, a nie oficjalne wersje Jev.

Źródła pierwotne

Czytaj twierdzenia w kontekście.

Ten przewodnik Jev AI Dev objaśnia ramy TypeSafe własnymi słowami. Szczegóły API, twierdzenia produktowe, metody oceny i aktualizacje sprawdzaj w źródłach oficjalnych.

01Dokumentacja System One 02Premiera Jev i twierdzenia techniczne 03Manifest Composable AI 04Oficjalna mapa zastosowań

Sprawdź formę, nie tylko ideę

Zacznij od jednej decyzji, którą aplikacja już podejmuje.

Zdefiniuj odpowiedzi, zbierz reprezentatywne przykłady, ustal obsługę niepewności i porównaj Jev z obecnymi regułami lub modelem. Nie automatyzuj bezpośrednio decyzji o dużym wpływie.

Wypróbuj Jev w Playgroundzie Zobacz projekty Jev