投稿
← 一起学应用专题 / JEV 01

先动手，再看原理 · 约 15 分钟

这条求助，
下一步该交给谁？

“解释概念”“排查代码”，还是“先问清楚”？
用一个学习场景，认识 Jev 怎样给程序提供判断。

先试三条求助 ↓

独立专题，不计入七节基础课的“通过验证”。资料核对：2026-09-21。

先分清：解释问题，和选择下一步

你要一段讲解

“请给我讲明白向量。”

这是生成文字的任务，适合由聊天模型或课程内容提供解释。

程序要一个选择

“这条求助应该去哪个入口？”

你先列出允许的选项，Jev 返回选择和不确定性信息，程序据此决定下一步。

Jev 是 TypeSafe 的结构化决策模型。聊天模型也能做分类；区别在于接口、输出方式和面向的任务。先学会把问题拆成一个明确的选择。官方说明 ↗

01 / 先跑通程序如何使用判断

本地模拟 · 未调用 Jev

换一句求助，看程序走哪条路

三份回包和置信度由课程作者编写，不是 Jev 实测。浏览器真正执行的是“读取回包 → 比较门槛 → 选择入口”的逻辑。

  1. 输入 / state
    Python 程序报了 NameError，我不知道哪里写错了。
  2. 教学回包 / Choice排查代码

    预设 confidence：0.95

  3. 本机程序决定下一步打开「排查代码」入口

    只展示分流结果，不发送消息，也不自动执行代码。

把门槛调到 0.96：第一条回包没变，但程序会改为先询问。模型给判断，程序决定是否采用。

专业层：看看这份教学 JSON 回包

choice 是选项，probabilities 是各选项的概率分布。confidence 是根据分布得到的另一个统计量，不要简单当成“答对概率”，也不要用最大概率冒充它。本页数值是预设示例；真实阈值需要结合任务数据验证。置信度文档 ↗

02 / 把三个词翻译成人话

你要它选、打分，还是判断真假？

Choice

从选项里挑一个

例如：解释概念 / 排查代码 / 先问清楚。选项要有清楚的边界，覆盖不到时应能选择“其他”或“需澄清”。

Score

按你给的标准评分

例如：笔记是“没有描述”“只写结论”，还是“说明了实验与原因”？先定义评分层级，才有可比较的分数。

Noul

判断一件事有多可能成立

例如：“求助里是否包含报错信息？”返回 0～1 的值，没有单独的 confidence 字段，别照搬 Choice 的读法。

一次请求可包含多个问题，但每个问题尽量只判断一件事。三种问题类型的官方说明 ↗

03 / 在自己的电脑上跑

先离线模拟，再接真实接口

下载脚本，保存为 jev_lab.py。Python 3.10 以上即可，使用标准库，无需第三方包。

下载本节 Python 实验 ↓

第一遍：不需要账号，先看分流逻辑

python jev_lab.py
python jev_lab.py --case vague
python jev_lab.py --threshold 0.96

默认读取内置的教学回包，结果与网页实验一致。改变门槛不会重新训练模型，也不会让预设回包更准确。

第二遍：我有 TypeSafe API 权限，要真正调用 Jev

按官方快速开始取得 API 权限，在本机环境变量 TYPESAFE_API_KEY 中配置自己的密钥，然后运行：

python jev_lab.py --live --case code

这会把所选教学情境发送到 TypeSafe 云端，并可能产生 API 费用。脚本在电脑上运行，模型推理在云端。不要在网页前端填写密钥。本教程未进行真实 API 调用；请求结构按官方文档核对，联网结果仍待实际账号验证。

脚本只发送内置的虚构求助，不读取学习笔记或学生资料。接口报错会停止，不会偷偷切回模拟结果。官方接入步骤 ↗

04 / 往深处学：如何检验实际效果

格式正确，不等于判断正确

返回允许的选项能减少接口格式问题，但仍可能分错类。官方宣传的速度、成本倍数有特定评测条件，不能直接当作我们平台的效果。官方评测及限制 ↗

  1. 先定义答案。准备虚构或已获使用许可的求助，由人标注该走哪条路；保留含糊、跨类别和不相关的情况。
  2. 比较三种办法。同一批题分别交给规则、聊天模型和 Jev，记录分错多少、询问多少，以及耗时和费用。
  3. 把调参和考试分开。用一部分样本调门槛，再用没参与调参的样本检查。提高门槛一般会减少直接采用判断的次数，但不保证错误消失。
专业层：Jev 和向量、训练课是什么关系？

向量与训练课研究模型内部的基本机制；这里研究程序怎样使用模型的判断。公开 API 示例不能复现 Jev 的模型结构或训练方法。TypeSafe 将其训练方法称为 RLCD；不能仅凭输入输出推断内部实现。

聊天模型可以继续生成解释，Jev 的判断可供路由逻辑参考。程序仍负责数据校验、权限与失败处理。这些组合起来才是应用。

合上教程，判断一句话

“返回值完全符合 JSON 格式，所以这次分类一定正确。”对吗？

选一个答案再看解释。本题不自动记录为“掌握”。

下一步：想把模型放到自己电脑上？

Laya 是另一个开源决策模型项目。沿用本节的求助案例，准备测试题，下载本地推理脚本，再看怎样评价结果。

继续学 Laya：本地运行与微调导读 ↗

资料从哪里来

原创导读与自制实验。以下为核对过的官方来源，接口内容可能更新。

Jev 官方入门 ↗Choice：选项与返回格式 ↗Confidence：置信度与阈值 ↗Python 与 HTTP 快速开始 ↗发布说明与评测范围 ↗