Jev 是 AI 产业的“互联网”时刻

它在毫秒内以几乎零成本告知你的智能体和大语言模型下一步该做什么

正确设置后，你将拥有面向 2028 年的 AI 工程师技术栈

本文将展示具体方法 https://t.co/x3qn41ejnr

Jev 工程实践：从零开始为 AI 设置并使用新大脑的完整 10 步路线图

杰文斯悖论（图中人物）是一项定律，表明提高资源使用效率不会减少，反而会增加其总体消耗量

• 这正是 AI 领域面临的核心难题：大语言模型与智能体 **Jev **由 @typesafeai 开发，旨在为你节省 101% 的资金、时间并提升 AI 使用效率

因此请相信我 —— 这是 2030 年的技术配置，你现在就需要部署 **获取早期优势前，订阅我的 Substack 获取更多前沿资讯：**https://substack.com/@0xcodila

“Browser Use 将 Jev 置入智能体后，仅用 7 秒、花费 $0.0039 即可找到航班”

Gregor Zunic @gregpr07 · 9月17日 突发：Browser Use + Jev = 极速体验 ⚡

查找航班耗时 7 秒，仅花费 $0.0039 🤯

每一步生成新操作空间 DOM 状态空间 小型大语言模型作为后备输入方案

（此视频为 1 倍速播放）

构建了一个轻量开源浏览器智能体，立即体验 ↓2498538.3K2.6M

当你观察首席幕僚全天工作时会发现有趣之处：选择执行者、检查结果、决定是否继续。每个分支都可能在产生实际工作前触发另一次模型调用

Jev 为这些决策提供独立模型 你的写作智能体持续创作，研究智能体持续调研。它们之间的小型判断转化为可独立检查、定价和修改的组件

从独立的任务路由器开始：输入任务，让 Jev 选择执行路径，并将交接任务保存至本地 然后运行 Browser Use 的完整浏览器智能体。（前者仅需一个 API 密钥；浏览器项目需两个密钥）

01. 确定智能体中可由 Jev 接管的部分

Jev 是 TypeSafe AI 的 系统一模型：你提供信息与预定义问题，它返回带概率的结构化答案。它无法撰写简报、生成代码或用散文解释推理过程。TypeSafe 发布文章

从这类任务开始：

调研三款新型 AI 智能体工具并起草明日简报。保存草稿供我审阅。

该任务包含多项决策：资料是否充足？下一步分配给哪个执行者？草稿是否可供审阅？

这些决策都适合交由 Jev 处理。而资料收集、段落撰写和文件保存仍应交给专用工具和生成式模型。明确的规则（如执行十次操作后停止）则应在代码中实现

对于 GrokBot 式的首席幕僚，保存的交接数据可输送给现有执行者。建立该执行者连接是在完成下述独立配置之后；你无需组建智能体团队即可完成首次运行

02. 在工作台进行单次决策测试

• 打开 TypeSafe 工作台。登录并完成账户权限验证（若需要）

以此作为状态输入： 目标：在晨间简报中对比三款 AI 智能体工具 已完成工作：尚未收集任何资料 可用执行者：研究员、撰稿员 约束条件：保存草稿待审阅，不发布

添加选择类型问题：“下一步应由哪位执行者操作？”

定义三个选项：research（收集尚缺的证据）、write（基于充足证据起草）、review（处理模糊需求或已完成任务）

运行测试。随后用实际研究笔记替换“已完成工作”字段，对比决策结果。这是官方快速入门指南描述的基本交互方式

03. 一次性连接 API

你需要一个已启用 API 访问权限的 TypeSafe 账户，以及从密钥设置中获取的 API 密钥。API 调用费用将计入该账户。

安装 Python 3.12 或更高版本，然后在 macOS/Linux 打开终端，或在 Windows 使用 PowerShell。

macOS / Linux：

mkdir jev-starter
cd jev-starter
python3 -m venv .venv
.venv/bin/python -m pip install --upgrade typesafe-sdk

Windows PowerShell：

mkdir jev-starter
cd jev-starter
py -3 -m venv .venv
.\.venv\Scripts\python.exe -m pip install --upgrade typesafe-sdk

这些命令将创建隔离环境并安装官方 Python SDK。请勿将密钥存储在源码文件中；下文脚本将以私密方式请求输入

使用编程智能体？已安装 Node.js/npm 时，可添加 TypeSafe 官方技能：

npx skills add typesafe-ai/skills --skill typesafe-ai

提示时选择你的智能体类型。该技能提供集成说明；Jev 本身通过 API 运行。官方仓库

04. 将请求转化为保存的交接任务

在 jev-starter 目录下（.venv 外部）创建 chief.py 文件。使用纯文本编辑器保存确切文件名（勿使用 chief.py.txt）。

import json
import os
from getpass import getpass
from pathlib import Path
from uuid import uuid4
from typesafe_sdk import Choice, TypeSafeAPIError, TypeSafeClient

if not os.environ.get("TYPESAFE_API_KEY"):
    os.environ["TYPESAFE_API_KEY"] = getpass("TypeSafe API key: ").strip()

goal = input("Goal: ").strip()
if not goal:
    raise SystemExit("请输入目标。")
notes = input("Completed work: ").strip() or "尚无进展。"
state = {"goal": goal, "completed_work": notes}

try:
    with TypeSafeClient(model="jev-1.13.0") as client:
        result = client.system_one(
            state=state,
            questions={
                "next_worker": Choice(
                    instructions="为研究简报选择下一步操作。",
                    criteria={
                        "research": "收集目标尚缺的证据。",
                        "write": "基于充足证据起草简报。",
                        "review": "目标不明确、超出范围或工作已完成。",
                    },
                )
            },
        )
except TypeSafeAPIError as error:
    raise SystemExit(f"API 错误 {error.status}；参见步骤 8。")

answer = result.choices["next_worker"]
destination = "review"
if answer.choice in {"research", "write"} and answer.confidence >= 0.85:
    destination = answer.choice

folder = Path(__file__).resolve().parent / "queue" / destination
folder.mkdir(parents=True, exist_ok=True)
job = folder / f"{uuid4().hex}.json"
payload = dict(state, choice=answer.choice, confidence=answer.confidence,
               destination=destination, status="queued")
job.write_text(json.dumps(payload, indent=2, ensure_ascii=False), encoding="utf-8")
print("交接任务已保存：", job)

在 macOS/Linux 运行：

.venv/bin/python chief.py

在 Windows 运行：

.\.venv\Scripts\python.exe chief.py

按提示输入 API 密钥（终端将隐藏输入内容） 目标输入：对比三款 AI 智能体工具用于明日简报 已完成工作：尚未收集任何资料

结果：获得带完整文件路径的交接任务已保存消息。打开该 JSON 文件：包含你的请求、进度、Jev 的选择、置信度及目标路径。

每次运行将在 queue/research、queue/write 或 queue/review 目录下创建新文件。这些是本地任务队列；已保存的作业等待执行者获取处理。

API 调用与错误处理遵循 SDK 使用指南。我将初始审阅阈值设为 0.85 —— 可根据工作流中的标注样本调整。置信度并非准确率百分比。置信度指南

05. 设计指向明确目标的提问

三种回答类型覆盖不同任务场景：

Jev 提供三种问题类型，分别针对不同决策场景：

• Choice 从列表中选择一项。适用于类似“下一步应由谁操作？”的问题。返回选项、概率分布及置信度。
• Score 按自定义标尺评估对象。适用于类似“该资料相关度如何？”的问题。返回标尺数值及概率、置信度。
• Noul 回答是否题。适用于类似“此请求是否需要发布？”的问题。返回 0 到 1 的“是”概率。

定义包含三种描述的相关性评分：无关、部分相关、直接回应问题。其数值结果在 0 到 2 之间（含小数）。Noul 接近 0.5 表示对是否判断不确定。评分 · 否定判断

重要细节：Jev 不会查看你的问题 ID。将字段命名为 safe_to_publish 无法提供任何有效指令。应在问题中明确提出实际要求，并清晰描述每个选项。选择文档

同时提供证据。“研究员已完成”的信息量远少于资料来源、发现成果和剩余缺口。请将这些字段与原始请求分开。状态文档

06. 借鉴 Browser Use 的最佳创意：动态重建菜单

浏览器的可用操作在每次点击后都会改变。Browser Use 会构建新的控件观测列表，让 Jev 从中选择。当需要填写输入框时，小型大语言模型会生成文本。决策实现

将此设计应用于你的首席幕僚：基于当前存在且可用的执行者构建选项。选择研究资料时包含当前资料 ID。工具改变状态后刷新选项列表。

• 否则你的决策模型将基于昨日菜单做选择。

对于大型候选列表，先通过代码过滤明显不匹配项，再对剩余项评分，最后从短名单中选择。选择功能最多支持 255 个选项；TypeSafe 在发布示例中描述了这种评分后选择的方法。

07. 避免为等待执行的问题付费

你的调度器可能需要执行者、紧急度评分和审批检查。 如果三者可检查同一状态，则同时发送请求。

TypeSafe 支持并行提问和投机分支：询问可能的下一步操作，然后仅使用与选定分支相关的答案。 问题无法读取彼此答案。若决策需要新的搜索结果，请先执行搜索。并行评估模式

浏览器案例揭示了另一瓶颈：其优化运行时将浏览器协议中位调用次数从 1,092 次降至 101 次，同时三组匹配任务的中位运行时间下降 25%。两个版本使用相同模型。

优化包括一次性收集页面状态，避免为无关动画进行新预测。在升级更快模型前，先检查重复的工具调用。性能报告

08. 为隔夜任务设置终止条件

对于晨间简报，我会允许收集资料和创建草稿，但在审阅环节停止。发布应需要单独的权限检查。

应用还需包含操作限制、消费限额和进度保存。 中断后，应在重复执行前检查最后完成的操作。置信度高的答案无法证明文件已保存或消息已发送。

Browser Use 在 Jev 选择 DONE 后独立检查结果。借鉴这种分离机制设计你自己的完成检查。智能体循环

本地路由器运行后，使用以下简要说明连接现有智能体：

阅读 TypeSafe 技能文档，检查我的执行者接口。将 chief.py 的 JSON 队列连接至现有研究与写作处理程序。防止重复处理。每次操作后保存进度。添加调用与消费限制、不确定性审阅机制及草稿存在性完成检查。发布功能需保留审批环节。明确标识缺失的连接器。

若初始配置失败，根据错误选择修复方案：

• Python 命令缺失： 完成 Python 安装并重新打开终端。
• 模块缺失： 使用相同 .venv 解释器重复 SDK 安装。
• 401 错误： 更换 API 密钥后重试。
• 422 错误： 检查粘贴代码中的请求字段命名。
• 429 / 529 错误： 允许退避重试；若限流持续则稍后重试。

SDK 内置重试机制；脚本会在 API 错误持续时停止执行。API 参考

09. 了解标价的实际收益

Jev 1.13 每百万输入 token 收费 0.042**，不收取输出 token 费用。按每次决策 1,000 个计费输入 token 计算，10,000 次决策的 Jev 推理成本为 **0.42。定价

航班演示报告的 $0.0039 费用，涵盖其记录的 90,558 个 Jev 输入 token 及文本辅助工具的报告费用。 浏览器成本不在此计算范围内。其约 7 秒的计时始于初始页面观测后，且不包含运行后的新验证。

• 因此它能找到航班结果，但不负责订票。运行测量

对于其他工作负载，Vercel 的 fx 团队报告其安全分类速度比 GPT-5.6-luna 快约 5-18 倍，同时准确性更高。 此对比针对分类器，而非整个智能体运行时长。原始基准

跟踪每完成任务的账单成本。低成本决策可能导致执行者进入错误分支，其代价可能超过决策本身。

10. 使用案例示例

基础配置完成后，Jev 已可读取任务状态并在预定义选项间选择。现在只需确定要自动化的重复性决策。

1. 控制浏览器

Browser Use 使用 Jev 选择下一步操作和正确的页面元素。该智能体在 7 秒内以 $0.0039 成本找到航班信息。

Gregor Zunic @gregpr07 · 9月17日 突发：Browser Use + Jev = 极速体验 ⚡

查找航班耗时 7 秒，仅花费 $0.0039 🤯

每一步生成新操作空间 DOM 状态空间 小型大语言模型作为后备输入方案

（此视频为 1 倍速播放）

构建了一个轻量开源浏览器智能体，立即体验 ↓2498538.3K2.6M

查看代码

复现方法： 运行官方项目，添加你的 TypeSafe 和 OpenRouter 密钥，然后为智能体提供网站和目标。Jev 选择操作与目标，浏览器执行决策。

2. 分类研究论文

Hassan 使用 Jev 对 1,018 篇 AI 研究论文进行分类。总分类成本仅 $0.08，每篇论文端到端中位延迟 256 毫秒。

Hassan @nutlope · 9月17日 我使用 Jev 对 1,018 篇 AI 研究论文进行分类。

结果：总成本 $0.08，每篇论文端到端中位延迟 256 毫秒。

流程如下：

1. 使用 DeepSeek V4 Flash 生成每篇论文摘要
2. 将标题 + 摘要 + 24 个可能主题发送至 Jev
3. 使用 Jev 对每篇论文分类展开显示 1151741.9K160K

复现方法： 将每篇论文的标题和摘要发送至 Jev，然后将你的主题定义为 Choice 选项。保存选定类别，并将最相关论文发送给写作智能体。

3. 收件箱分类

Riley Brown 演示了 Jev 如何分类接收的电子邮件并决定后续处理方式。

Riley Brown @rileybrown · 9月17日 是的，@typesafeai 的 Jev 非常酷。它在几秒内分类了 500 封邮件，仅花费 3.5 美分。1171373.8K243K

复现方法： 将每封邮件作为状态传入，添加回复、调研、等待、审阅等 Choice 选项。将每个答案连接至相应文件夹或邮件智能体。

4. 跨模型任务路由

LangChain 使用 Jev 根据任务选择使用低成本或高性能模型。

查看 LangChain 指南

复现方法： 连接多个模型，描述每个模型的优势领域，然后将传入请求发送至 Jev。将简单任务路由至低成本模型，复杂任务路由至推理模型。

其他案例：

Alex Volkov @altryne · 22小时前 这确实令人惊叹。它使用 @typesafeai Jev 模型作为 Claude 插件，审查所有非必要工具调用，仅需 1 秒运行时间！

真的只需 1 秒，就能将我的 Claude 会话 token 数从近 100 万降至… 86K！😮

让你的 Claude 安装此功能并展开显示引用 tamara @tamarajtran · 9月18日 为 @typesafeai Jev 找到完美用例：

即时压缩

2026 年了，为何压缩仍是摘要提示词？

Jev 可通过评分每次工具调用并丢弃无关内容实现即时压缩 1354417.3K973K

tamara @tamarajtran · 9月18日 为 @typesafeai Jev 找到完美用例：

即时压缩