Jev AI Dev · คู่มือนักพัฒนา

โมเดล AI System One คืออะไร? คู่มือนักพัฒนาสำหรับ Jev

System One คือคลาสโมเดล AI ของ TypeSafe สำหรับเปลี่ยนสถานะแอปที่ไม่มีโครงสร้างให้เป็นคำตอบแบบมีชนิดข้อมูลและค่าความน่าจะเป็น Jev คือการนำไปใช้รุ่นแรก: คอมโพเนนต์ตัดสินใจที่มีขอบเขตและออกแบบให้อยู่ในโค้ดแอปพลิเคชัน

อินพุต: ข้อความ, JSON หรืออาร์เรย์ข้อความ
เอาต์พุต: Choice, Score หรือ Noul
โฟลว์การควบคุม: อยู่ในการควบคุมของโค้ดคุณ

ดูวิธีเชื่อมต่อ Jev เปรียบเทียบกับ LLM

นี่คือคู่มือนักพัฒนาอิสระ รายละเอียดผลิตภัณฑ์และข้อความด้านประสิทธิภาพอ้างอิงจาก TypeSafe โปรดทดสอบ Jev กับข้อมูลของคุณก่อนใช้ในระบบจริง

System Onestate → decisions

state

“ฉันถูกเรียกเก็บเงินซ้ำและต้องแก้ปัญหานี้วันนี้”

choiceการเรียกเก็บเงิน0.96

noulเร่งด่วน0.88

scoreความไม่พอใจ1.7 / 2

if (confidence < threshold) → review

คลาสของโมเดล

โมเดล System One คือ primitive การตัดสินใจสำหรับโค้ดแอปพลิเคชัน

System One อ่านความหมายจากอินพุต แต่ไม่ดำเนินบทสนทนาต่อหรือเขียนคำตอบ คุณกำหนดคำถามและรูปแบบคำตอบที่อนุญาตไว้ก่อน แล้วโมเดลจะส่งคืนผลประเมินที่มีขอบเขตให้โปรแกรมตรวจสอบได้

เข้าใจสถานะ

โมเดลตีความภาษาธรรมชาติหรือข้อความที่มีโครงสร้าง เช่น ทิกเก็ตซัพพอร์ต ร่องรอยของ Agent ข้อมูลสินค้า หรือสถานะเกม

อยู่ภายในสัญญา

แอปกำหนดขอบเขตคำตอบก่อนเรียกโมเดล โมเดลจะเลือกตัวเลือก วางค่าบนสเกล หรือประเมินข้อความแบบใช่/ไม่ใช่

เปิดเผยความไม่แน่นอน

ทุกคำตอบมีสัญญาณความน่าจะเป็น และ Choice กับ Score ยังสรุปการกระจายเป็นค่า confidence

ประกอบเข้ากับโค้ด

ค่า threshold การตรวจนโยบาย side effect การลองใหม่ fallback และการตรวจโดยมนุษย์ยังคงอยู่ในโค้ดปกติ

Jev ใน workflow

นักพัฒนาเชื่อมต่อ Jev กับโค้ดแอปอย่างไร

Jev เปลี่ยนการเรียกโมเดลหนึ่งครั้งเป็นชุดสัญญาณตัดสินใจ หน่วยที่มีประโยชน์ไม่ใช่หนึ่งรอบแชต แต่คือสัญญาขนาดเล็กแบบมีชนิดข้อมูลระหว่างโมเดลกับแอป

อินพุต

1. สร้างสถานะ

ส่งข้อมูลที่จำเป็นต่อการตัดสินใจ ปัจจุบัน Jev รองรับอินพุตแบบข้อความ รวมถึง string, ออบเจ็กต์ JSON และอาร์เรย์ข้อความ

ข้อความลูกค้า + ข้อมูลบัญชี

สัญญา

2. กำหนดคำถาม

ตั้งชื่อคำถาม เลือก primitive และอธิบายตัวเลือกหรือสเกลที่อนุญาต สามารถส่งหลายคำถามอิสระใน request เดียวได้

แผนก · ความเร่งด่วน · ความไม่พอใจ

โมเดล

3. Jev ประเมิน

Jev ส่งคืนคำตอบแบบมีชนิดข้อมูลและสัญญาณความน่าจะเป็นสำหรับทุกคำถาม โดย Choice และ Score มีค่า confidence เพิ่มเติม

การเรียกเก็บเงิน · 0.93 · confidence สูง

แอป

4. โค้ดใช้นโยบาย

รวมผลลัพธ์โมเดลกับการตรวจแบบกำหนดแน่นอน ทำงานอัตโนมัติเมื่อกรณีชัดเจนและเสี่ยงต่ำ ส่วนกรณีคลุมเครือหรือมีผลกระทบสูงให้ส่งต่อมนุษย์หรือ reasoning model

จัดเส้นทาง · ถาม · ตรวจ · หยุด

คำตอบสามรูปแบบ

Choicebilling

ทีมใดควรจัดการเรื่องนี้?

เลือกหนึ่งตัวเลือกจากชุดที่กำหนดไว้และส่งคืนความน่าจะเป็นของทุกตัวเลือก

Score1.43 / 2

ปัญหานี้รุนแรงเพียงใด?

วางอินพุตบนสเปกตรัมที่อธิบายด้วยระดับเรียงลำดับ โดยคะแนนอาจอยู่ระหว่างระดับ

Noul0.95

คำขอนี้ต้องการคืนเงินหรือไม่?

ประเมินข้อความใช่/ไม่ใช่ และส่งคืนความน่าจะเป็นของคำตอบ “ใช่”

สถาปัตยกรรมและการฝึก

ภายในแตกต่างอย่างไร?

TypeSafe อธิบายว่า Jev ใช้สถาปัตยกรรมที่สร้างเฉพาะทาง parallel sampler และวิธีฝึก Reinforcement Learning for Calibrated Decisions (RLCD) แทนการเขียนลำดับโทเคนแบบ autoregressive Jev ถูกปรับให้ประเมินผลลัพธ์ที่กำหนดไว้ร่วมกัน

ข้อความเกี่ยวกับสถาปัตยกรรม ความเร็ว ราคา และ benchmark มาจาก TypeSafe ควรใช้เป็นสมมติฐานเพื่อทดสอบ ไม่ใช่การรับรองโดยอิสระ

อ่านเอกสาร System One อย่างเป็นทางการ

เหตุผลเบื้องหลัง

ทำไม TypeSafe จึงสร้างอินเทอร์เฟซโมเดลสำหรับซอฟต์แวร์

โมเดลเชิงกำเนิดถูกสร้างมาเพื่อผลิต string ที่ยืดหยุ่นให้มนุษย์ แนวคิดของ TypeSafe คือซอฟต์แวร์ต้องการปัญญาที่มีขอบเขตแคบกว่า: อยู่ในโค้ด ทำงานซ้ำได้ แสดงความไม่แน่นอน และทำให้โฟลว์การควบคุมมองเห็นได้

String ยืดหยุ่นแต่ปลายเปิด

เอาต์พุตอาจเป็นข้อความ โค้ด JSON การปฏิเสธ หรือรูปแบบผิด แอปจึงมักต้อง parse ตรวจสอบ และจัดการข้อผิดพลาดก่อนลงมือ

ระบบอัตโนมัติต้องมีขอบเขต

เมื่อโมเดลทำงานเบื้องหลัง โปรแกรมควรรู้ผลลัพธ์ที่เป็นไปได้และการกระทำที่แต่ละผลลัพธ์อนุญาตไว้ล่วงหน้า

ความไม่แน่นอนต้องเปลี่ยนเส้นทาง

การกระจายความน่าจะเป็นทำให้กรณีชัดเจนทำงานอัตโนมัติ และส่งกรณีคลุมเครือไปยังเส้นทางที่ปลอดภัยกว่า

การตัดสินใจเล็กต้องประกอบกันได้

workflow ซับซ้อนสามารถแบ่งเป็นการประเมินเชิงความหมายที่เจาะจง แล้วรวมด้วยตรรกะแบบกำหนดแน่นอน แทนการซ่อนทุกอย่างใน prompt ขนาดใหญ่

ข้อเสนอของ TypeSafe

“คำสั่ง if ที่ฉลาด” เป็นแบบจำลองความคิดที่มีประโยชน์

Jev ให้ผลประเมินเชิงความหมายแบบคลุมเครือซึ่งเงื่อนไขทั่วไปอธิบายได้ยาก ส่วนโค้ดดูแลการคำนวณที่แม่นยำ สิทธิ์ ลำดับ และการตรวจสอบ เป้าหมายไม่ใช่เปลี่ยนทุกงานให้เป็น System One แต่คือให้อินเทอร์เฟซที่ออกแบบเพื่อซอฟต์แวร์แก่การตัดสินใจที่เกิดซ้ำ

อ่าน manifesto ของ TypeSafe

เหมาะกับงานใด

System One AI เหมาะกับ workflow นักพัฒนาแบบใด

งานที่เหมาะเกิดซ้ำบ่อย ต้องเข้าใจอินพุตที่ยุ่งเหยิง และนำไปสู่การกระทำจำนวนไม่มากที่แอปทำได้อยู่แล้ว

งานซัพพอร์ต

จัดประเภททิกเก็ต ระบุเจตนาและความเร่งด่วน ประเมินอารมณ์ และส่งกรณีไม่แน่นอนไปตรวจสอบ

การเรียกเก็บเงิน เทคนิค บัญชี หรืออื่น ๆ?

การควบคุม Agent

เลือกโมเดลหรือเครื่องมือ ตัดสินว่าต้อง retrieval หรือไม่ ตรวจความครบถ้วนของผลลัพธ์ หรือประเมิน tool call ที่เสนอ

Agent ควรทำต่อ ลองใหม่ หรือส่งต่อ?

การจัดอันดับและความเกี่ยวข้อง

ให้คะแนนว่าตัวเลือกตรงกับ query โปรไฟล์ นโยบาย หรือบริบทเพียงใด แล้วรวมสัญญาณกับกฎธุรกิจ

ตัวเลือกนี้เกี่ยวข้องกับคำขอเพียงใด?

ความปลอดภัยและการยืนยัน

ประเมินข้อความ เอาต์พุต trace หรือการแก้โค้ดตามเกณฑ์ชัดเจน และคงกรณีเสี่ยงสูงไว้หลัง gate แบบกำหนดแน่นอน

สิ่งนี้ละเมิดกฎที่กำหนดหรือไม่?

การโต้ตอบแบบ real-time

เลือกการกระทำที่อนุญาตสำหรับเกม การจำลอง UI หรืออุปกรณ์ โดยไม่ต้องรอคำตอบเชิงกำเนิดที่ยาว

การกระทำใดเหมาะกับสถานะนี้ที่สุด?

งานข้อมูล

เปลี่ยน record จำนวนมากเป็นหมวดหมู่ คะแนน flag และ feature สำหรับระบบถัดไป

record นี้อยู่หมวดใดและมีระดับความเสี่ยงเท่าไร?

เหมาะสม

ทราบตัวเลือกแล้ว อินพุตซับซ้อนเชิงความหมาย การตัดสินใจเกิดซ้ำ latency สำคัญ และโค้ดมีการกระทำหรือ fallback สำหรับทุกผลลัพธ์

ไม่เหมาะ

ต้องสร้างข้อความหรือโค้ดใหม่ ใช้การให้เหตุผลหลายขั้นเชิงลึก วิจัยกว้าง อธิบาย ใช้อินพุตหลายสื่อ หรือไม่สามารถกำหนดผลลัพธ์ล่วงหน้าได้

System One กับ LLM เชิงกำเนิด

System One และ LLM เชิงกำเนิดมีบทบาทต่างกันใน AI stack

ทั้งสองเข้าใจภาษา และ LLM สามารถถูกจำกัดด้วยเอาต์พุตแบบมีโครงสร้างได้ ความต่างที่ลึกกว่าคือโมเดลถูกออกแบบให้ผลิตอะไรและซอฟต์แวร์นำผลนั้นไปใช้อย่างไร

หัวข้อ	Jev / System One	LLM เชิงกำเนิดทั่วไป
งานหลัก	ประเมินผลลัพธ์ที่กำหนดไว้	สร้างข้อความต่อหรือคำตอบ
เอาต์พุตโดยธรรมชาติ	ตัวเลือกแบบมีชนิด คะแนน หรือความน่าจะเป็นของ “ใช่”	ลำดับโทเคน: ข้อความ โค้ด JSON หรืออื่น ๆ
ขอบเขตคำตอบ	กำหนดก่อนเรียกโมเดล	โดยพื้นฐานปลายเปิด แม้ schema จะจำกัดรูปแบบสุดท้าย
ความไม่แน่นอน	ความน่าจะเป็นทุกคำตอบ และ confidence สำหรับ Choice กับ Score	อาจมีความน่าจะเป็นของโทเคนหรือ confidence ที่โมเดลบอกเอง แต่มักไม่ใช่สัญญาณงานที่สอบเทียบแล้ว
Sampling	TypeSafe ระบุว่าคำถามและเอาต์พุตถูกประเมินพร้อมกัน	โดยทั่วไปทำตามลำดับ ทีละโทเคน
จุดแข็ง	กิ่งการตัดสินใจเชิงความหมายที่เกิดซ้ำ scoring, routing และการตรวจสอบ	การเขียน สนทนา โค้ด สังเคราะห์ และการให้เหตุผลแบบปลายเปิด
ความล้มเหลวหลัก	การตัดสินใจมีชนิดถูกต้องแต่ผิดเชิงความหมาย	เนื้อหาผิด รูปแบบผิด ไม่มีหลักฐาน หรือหลุดประเด็น
บทบาทในระบบ	คอมโพเนนต์ตัดสินใจที่มีขอบเขตในโค้ดที่มองเห็นได้	ตัวสร้างหรือ reasoning model ที่ยืดหยุ่น มักต้องมี orchestration กว้างกว่า

สำหรับนักพัฒนาที่ประเมิน System One นอกเหนือจาก Jev ด้านล่างคือโมดูลชุมชนเดียวกับหน้า Projects ซึ่งแยกโมเดลที่ฝึกขึ้นเองออกจากอินเทอร์เฟซสไตล์ Jev ที่สร้างบน weights ที่มีอยู่

System One

ระบบนิเวศ System One จากชุมชน

โมเดลและอินเทอร์เฟซทดลองจากชุมชนเหล่านี้ได้แรงบันดาลใจจาก Jev หรือสำรวจแนวทางการตัดสินใจแบบมีโครงสร้างที่ใกล้เคียงกัน ไม่ใช่ Jev เวอร์ชันทางการจาก TypeSafe และไม่รวมอยู่ในการจัดอันดับโปรเจกต์ GitHub ด้านบน

โมเดลจากชุมชนQwen3.5-9B + diffusion drafter

Jeeves

โมเดลตัดสินใจขนาด 9B ในรูปแบบ Jev พร้อมขั้นตอนการให้เหตุผลแบบเลือกใช้ เปิดเผยน้ำหนัก โค้ดและข้อมูลฝึก รวมถึง API ในเครื่องที่เข้ากันได้

โมเดล AI System One คืออะไร? คู่มือนักพัฒนาสำหรับ Jev

โมเดล System One คือ primitive การตัดสินใจสำหรับโค้ดแอปพลิเคชัน

เข้าใจสถานะ

อยู่ภายในสัญญา

เปิดเผยความไม่แน่นอน

ประกอบเข้ากับโค้ด

นักพัฒนาเชื่อมต่อ Jev กับโค้ดแอปอย่างไร

1. สร้างสถานะ

2. กำหนดคำถาม

3. Jev ประเมิน

4. โค้ดใช้นโยบาย

คำตอบสามรูปแบบ

ทีมใดควรจัดการเรื่องนี้?

ปัญหานี้รุนแรงเพียงใด?

คำขอนี้ต้องการคืนเงินหรือไม่?

ทำไม TypeSafe จึงสร้างอินเทอร์เฟซโมเดลสำหรับซอฟต์แวร์

String ยืดหยุ่นแต่ปลายเปิด

ระบบอัตโนมัติต้องมีขอบเขต

ความไม่แน่นอนต้องเปลี่ยนเส้นทาง

การตัดสินใจเล็กต้องประกอบกันได้

System One AI เหมาะกับ workflow นักพัฒนาแบบใด

งานซัพพอร์ต

การควบคุม Agent

การจัดอันดับและความเกี่ยวข้อง

ความปลอดภัยและการยืนยัน

การโต้ตอบแบบ real-time

งานข้อมูล

เหมาะสม

ไม่เหมาะ

System One และ LLM เชิงกำเนิดมีบทบาทต่างกันใน AI stack

ระบบนิเวศ System One จากชุมชน

Jeeves

OpenJev-4B

Bespoke Nimble

NanoJev

decider

Verdict

Dohnuts

OpenJev

Simple Jev

Rizzo Flow

AnyJev

local-jev

AgentJev

LLM2Jev

Laya

OpenThai System One

Valen

Tev1

Ollaya

Intern-Decision

Mica

Jev-Style

Open-Jev

imajev

OpenDecider

jiwo

SearchJev

cleffa

Phocinae Largha

Laya Decision Engine

VegaML

laya-java

train-jev

saihai

Callosum

OpenVisualJev

BitSOne-s1

decision-toolkit

Fovea

Flide

Skejja

OpenChoice-9B

อ่านแต่ละข้อกล่าวอ้างในบริบท

เริ่มจากหนึ่งการตัดสินใจที่แอปของคุณทำอยู่แล้ว