Jev Cookbook 入门:什么是 System One 决策模型?Jev 中文完整指南

原创2026-11-13 18:44:341,840 阅读

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:

System One 决策模型训练路径:RLCD 面向校准决策的强化学习

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:

软件架构演进:传统软件、Agent 与 AI 驱动的决策架构对比

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):

Jev 置信度实验:不确定时放宽答案,正确率从40%提升到70%

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?"
    }
  }
}

更多请求与响应细节见 快速开始 和 API 参考。

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:

Jev 驱动的3D智能家居应用:语音指令经 Choice 与 Noul 原语判断后执行

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:

Jev 决策模型成本与准确率帕累托前沿:低成本高准确的过滤器定位

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。

登录后查看全文
jev-cookbook