Jev Cookbook 入门:什么是 System One 决策模型?Jev 中文完整指南
Jev Cookbook 入门:什么是 System One 决策模型?Jev 中文完整指南
Jev Cookbook 是一份适合中文学习者的 Jev 入门教程,手把手带你理解 System One 决策模型(判断模型):从 State(状态)、Choice / Score / Noul 三种问题原语,到 18 篇实战配方、语音智能家居、模型评测与本地微调,用 Jupyter Notebook 就能轻松上手,全面掌握 Jev 判断模型的开发范式。
如果你正在找「Jev 怎么用」「System One 是什么」「判断模型和生成式 LLM 有什么区别」这类问题的中文答案,这篇指南会从最基础的概念讲起,告诉你 Jev Cookbook 每一章学什么、如何开始第一次实验。
为什么生成式 LLM 做判断总差一口气 🤔
大模型应用里最常见也最脆弱的一环,是把模型生成的文本解析回程序能用的决策:慢、贵,而且随时会坏。
以「这张工单该转给哪个团队」为例,两条路径的差别一目了然:
| 路径 | 流程 | 风险 |
|---|---|---|
| 生成式 LLM | 工单 + prompt → 逐 token 生成文字 → 解析文本 / 校验 JSON → 代码分支 | 格式漂移、解析失败,结果不可直接校验 |
| Jev 决策模型 | 工单 + 类型化问题 → 直接返回答案与概率分布 | 输出天然结构化,代码直接 if 判断 |
工单:「充电器冒烟,刚买两天」
生成式路径
工单 + prompt → "这可能涉及安全问题,请转人工……"
→ 解析文本 / 校验 JSON → 代码决定后续动作
有限选项路径
工单 + Choice{安全问题, 退款, 普通咨询}
→ 概率分布{安全问题: 0.93, 退款: 0.05, 普通咨询: 0.02}
→ 代码检查策略 → 转人工处理
(上面这段完整推演在 第一章 README 中,概率仅作结构示意。)
什么是 System One 决策模型?
System One 模型是一类专为「软件可直接使用的快速结构化决策」而构建的 AI 模型:它评估一个状态(state),返回类型化答案 + 校准概率,而不是生成文本。Jev 是 TypeSafe 的旗舰模型,也是首个 System One 模型(当前版本 jev-1.13.0,别名为 jev-latest)。
「System One」这个名字源自卡尼曼《思考,快与慢》里的系统 1 思维——快速、直觉、聚焦的判断,正好对应这类模型的设计目标:毫秒级的聚焦判断,而不是长篇推理。
在 TypeSafe 的训练路径图中,决策模型走的是 RLCD(Reinforcement Learning for Calibrated Decisions,面向校准决策的强化学习)路线,与 RLHF(对话模型)、RLVR(推理模型)并列——这就是它敢直接输出「校准概率」的原因:
它不写回复、不产代码、不解释推理过程——你通过原语定义可能的答案,它只负责判断。软件架构从「一堆 if-else」「Agent 串联」走向「AI 驱动的决策分支」,正是这一步:
核心三概念:State、原语与概率 ⚡
1️⃣ State:交给模型判断的材料
状态(state) 是你要求模型评估的内容:一条客服消息、一段文字,或应用当前的状况。它可以是:
- 字符串:一段纯文本,如
"My card was charged twice." - JSON 对象:带字段名的上下文,如
{"message": "...", "order_id": "A-104"} - 文本数组:一系列消息或记录
大多数请求建议使用对象,让每部分信息都有名字。细节见 状态概念文档。
2️⃣ 三种原语:一题只问一件事
所有问题都是三种原语之一,一个请求里可以混用,且并行评估、几乎不增加延迟:
| 原语 | 回答什么 | 答案空间 | 示例输出 |
|---|---|---|---|
| Choice(选择题) | 属于哪个固定选项? | 选项集,如 billing / technical / account |
choice: "billing" + 各选项概率 |
| Score(评分题) | 在光谱上处于什么位置? | 有序级别,0=平静 1=不满 2=非常不满 | score: 1.4 |
| Noul(判断题) | 是/否问题,为「是」的概率 | 真 或 假 | noul: 0.95 |
官方概念页对三者有完整对比表:System One 文档,每种原语各有一篇详解:Choice、Score、Noul。
3️⃣ 置信度:模型自己的「把握度」
每个答案还附带一个 0~1 的 confidence(置信度),由概率分布形状计算:概率集中在单个选项上 → 高置信度;分散在多个选项 → 低置信度。你在代码里用它决定何时行动、何时升级给人工或推理模型。
教程中的实测对比:当模型「不确定」时主动放宽答案,正确率能从 40% 提升到 70%——这就是置信度门控的威力(实验详见 04_置信度 Notebook 与 基于置信度的分类配方):
三步跑起第一个 Jev 实验 🚀
第一步:克隆 Jev Cookbook 并建立环境
仓库要求 Python ≥ 3.10 和 Jupyter Notebook,克隆后一键建环境:
git clone https://gitcode.com/gh_mirrors/je/jev-cookbook
cd jev-cookbook/main
./setup_env.sh
.venv/bin/python -m pip install -r requirements.txt -c ../generators/constraints-foundations.txt
环境脚本见 setup_env.sh,依赖清单见 requirements.txt。
第二步:先离线跑第一章
没有 API Key 也能学——设置离线模式即可用内置示例响应走完全部代码路径:
JEV_RUN_MODE=offline .venv/bin/jupyter lab 01_认识Jev/01_认识Jev.ipynb
第三步:配置 API Key 后直连真实模型
在控制台免费注册获取 TYPESAFE_API_KEY 后,同一套代码直连真实 Jev(调用端点为 POST /v1/systemone)。最小请求结构只有三个顶层字段——state、model、questions:
{
"state": "This is the third time I'm writing in. Please help ASAP.",
"model": "jev-latest",
"questions": {
"urgency": {
"type": "noul",
"instructions": "Does this message express urgency?"
}
}
}
十一章学习路线:从原语到本地微调 📚
Jev Cookbook 的 main/ 目录按「证据 → 问题 → 概率 → 策略 → 动作 → 评估」组织了 11 章可运行的中文教程:
| 章节 | 你将会 | 入口 |
|---|---|---|
| 01 认识 Jev | 说清有限选项判断与自由文本生成的差异 | 入门 Notebook |
| 02 核心概念 | 设计 state、选对原语、区分概率与校准 | System One Notebook |
| 03 架构模式 | 推测性扇出、置信度门控、复合评分、意图路由 | 架构模式 Notebook |
| 04 实战指南 | 重排序、语义搜索、函数调用等 18 篇官方配方逐篇复刻 | 18 篇目录 |
| 05 智能家居实验 | 在浏览器里说话指挥 3D 房间 | Notebook |
| 06 模型评测 | Laya vs Jev 四维基准(准确率/底线/Brier/ECE) | 评测 Notebook |
| 07 实战应用 | 12 个可运行游戏与应用项目 | 项目地图 |
| 08 前沿研究 | Jev-Mem 记忆与 JevHarness 控制流 | 研究地图 |
| 09 Agent 集成 | 在工具执行前加一层语义判断 | Pi Notebook |
| 10 本地模型 | 用 RLCD 微调开源同类模型 Laya | 章节说明 |
| 11 知识库 | 官方文档中译 + 社区项目快照(500+ 文件) | 资料索引 |
建议路线:第一次接触按 1 → 2 → 3 章建立完整图景;想动手做应用看第 4~7 章;想嵌入自己的 Agent 或微调本地模型,再看第 9~10 章。
真实应用长什么样:语音驱动的 3D 智能家居 🏠
第 5 章的实验把上面所有概念串了起来:对着一句语音「打开客厅的灯」,Jev 在单次调用里同时回答请求类别、房间、设备和操作等一串问题(推测式提示 + 串并行编排),3D 房间随之执行动作,右侧还能看到每次判断的 Choice / Noul 原语与耗时:
在「模型成本-质量权衡」这条经典曲线里,Jev 作为廉价第一道过滤器的位置非常典型——用极低的单次成本换取高准确率的初筛判断,把疑难样本再交给更强的推理模型:
此外,07 实战应用 还收录了 12 个可运行项目:21 点、斗地主、扫雷、贪吃蛇等游戏,迷宫闭环控制、网页智能体、数独求解器与模型评测实验——每个项目都标出了 state、判断、动作与反馈的边界,适合对照学习。
Jev 的边界:它能做什么、不能做什么 ⚖️
入门阶段,把边界记清楚比记功能更重要:
- 输入:Jev 目前只接受文本(字符串、JSON 对象、文本数组);图像、音频、视频暂不支持。
- 语言:英语是主要训练语言、准确率最高;中文、日语、韩语可以处理但效果不一,建议先在自己的数据上测试,并密切关注 Confidence。
- 计费:按输入 token 计费,输出 token 免费;
jev-latest单请求 64k 上下文。 - 分工:Jev 负责有限答案空间中的判断、路由、打分与筛选;长篇生成、开放式问答、创作仍应交给生成式 LLM。两者不是替代关系,而是「判断 + 生成」的组合。
这些细节可在 模型说明 中查证,教程对「公开接口事实 / 仓库实验快照 / 离线演示」严格区分,教程中的概率、延迟、token 与成本均来自可复核的实测输出。
🎯 下一步:从 01_认识Jev.ipynb 跑起第一个实验,然后带着自己的输入去 02_核心概念 拆解 state、原语、概率与置信度——亲手修改问题措辞再重跑、观察概率怎么变,是这套教程最有效的学法。




