TypeSafe 的 Jev 是一种可集成到应用中的 AI，用于判断、分类和评分文本。本文将介绍 Jev。
Jev 不是聊天对象，而是应用中的判断助手
理解 Jev 的捷径，是先想清楚希望 AI 返回什么。不是“解释这段文字”，而是“这段文字是不是广告”“属于工作还是私人用途”“与搜索结果的相关程度有多高”。它处理的是这类可以预先确定答案形式的问题。
人们熟悉的通用对话式 AI，通常是通过文字回答问题。相比之下，Jev 面向开发者，供其在软件内部使用。与其说用户会直接和 Jev 对话，不如说它在日常使用的应用后台负责信息分类和流程分支。
两者之间的连接点是 API。API 是应用向其他服务请求处理并接收结果的接口。应用向 Jev 发送文本和问题，接收判断结果，再据此执行下一步操作。
返回的内容是判断结果、选项或分数
资料介绍的用法大致分为三类：判断某项内容是不是广告，从保存文件夹等候选项中进行选择，以及为搜索结果的相关度等内容评分。由于这类 AI 模型负责作出判断，因此被称为“判断模型”。
例如，整理邮件的应用可以输入邮件正文，让 Jev 从“工作”“私人”和“其他”等候选项中选择分类。这只是用于说明其机制的例子。它的思路不是先阅读一段冗长的说明，再从中提取分类结果，而是直接获取应用所需的答案。
普通的大型语言模型也能进行分类，或按指定格式输出。区别不在于能不能分类，而在于 Jev 是以这类判断为主要用途来设计和提供的。不过，仅凭现有资料，无法确认 Jev 的内部结构，也无法了解它与通用语言模型之间的性能差异。
减少搜索和观看视频时的小麻烦
资料列举的开发案例包括：跳过 YouTube 视频赞助商片段的扩展程序、从聊天内容中移除负面评论的功能、根据用户意图搜索 Gmail，以及筛选任务等。资料还介绍了改变复制粘贴、拖放和页面内搜索操作方式的尝试。
这些案例的共同点在于，重点不是生成新文本，而是从已有信息中进行筛选：保留想看的部分，找到要找的邮件，缩小需要处理的项目范围。可以说，AI 的应用正从聊天界面延伸到日常操作中。
不过，资料介绍的开发案例与稳定的产品功能并不是一回事。例如，移除“负面评论”时，如何区分骚扰与合理批评，会影响处理结果的含义。引入这类功能时，需要明确想排除什么，并检查包括误删案例在内的实际效果。
AI 的工作不只是生成文本
一份日期为 2026 年 10 月 10 日的资料介绍称，多家企业正在提供与 Jev 类似形式的判断模型。这类模型会返回软件能够直接处理的答案，例如条件成立的概率、从候选项中作出的选择，以及分阶段的评估结果。
其背景是，AI 执行多项任务时，并非每个阶段都需要长篇文字。在决定下一步采用哪种处理方式、判断结果是否满足条件等流程分支中，只要有选项或判断值，就能继续处理。
Jev 的切入点，不是把 AI 当作一个聊天对象，而是在应用中配置判断功能。不过，答案形式简单，并不代表判断本身就简单。同一份资料还列出了初步评估：判断模型在一致性和复杂决策方面仍存在问题。
引入时，应先确定判断边界，而非优先追求速度
如果要实际使用，比较务实的做法是先分别考虑“要让它判断什么”和“判断错误会造成什么后果”。给邮件添加标签，与自动隐藏评论，误判造成的影响并不相同。也应考虑将难以判断的情况交由人工处理。
答案简短，并不意味着整个系统的费用一定会降低。资料还指出，将 Jev 用于压缩编程辅助 AI 的对话历史，可能会破坏一种通过重用先前输入来降低费用的机制。
现有资料没有提供 Jev 的具体价格表、独立的准确率验证，也没有说明数据的保存和使用条件。在处理工作邮件或客户评论时，还需要另外确认这些条件，并核实模型对实际输入的误判率。
コメント