之前我们介绍过 Laya：一个不负责长文本生成，而是专门处理分类、选择、评分等任务的 System 1 决策模型。 最近，这条路线又多了一个值得关注的名字——Jev。 TypeSafe AI 将 Jev 定位为 System One Model。它和 Laya 属于非常接近的一类模型：与其让大语言模型一边推理一边生成答案，不如把大量简单但高频的“判断”单独交给决策模型。 例如一个 Agent 收到：
检查这个代码仓库，定位测试失败原因并修复。
真正执行之前，其实存在很多判断：
这是代码任务吗？
→ Yes / No
任务复杂度是多少？
→ 1～5
应该使用哪个模型？
→ Codex / DeepSeek / Local
是否需要调用工具？
→ Yes / No这些任务并不需要生成几千字内容，只需要一个可靠的决策结果。这正是 Jev 要解决的问题。
Jev怎么做决策？
Jev 的核心使用方式可以概括成：
State
+
Questions
↓
Jev
↓
Typed Decisions + Probability目前常见的决策原语主要包括三种：
Noul：判断 Yes / No。
例如：
这个任务是否需要联网？Choice：从多个候选项中选择。
任务类型：
coding
research
writing
otherScore：进行等级或连续评分。
任务复杂度：
低 → 高一个重要特点是：多个问题可以针对同一个 State 一次提交，因此特别适合 Agent 前置判断和工作流路由。
Jev实际上怎么用？
目前最直接的是通过 TypeSafe SDK 调用。Python 安装：
pip install typesafe-sdk
# 配置 API Key
export TYPESAFE_API_KEY="你的Key"然后定义 State 和问题：
from typesafe_sdk import (
TypeSafeClient,
Choice,
Noul,
Score
)
state = {
"task": "检查Python项目并修复测试失败"
}
questions = {
"task_type": Choice(
instructions="判断任务类型",
criteria={
"coding": "代码开发、调试或测试",
"research": "资料搜索与研究",
"writing": "内容创作",
"other": "其他任务"
}
),
"need_tool": Noul(
instructions="这个任务是否需要调用工具？"
),
"complexity": Score(
instructions="评估任务复杂程度",
criteria=[
"简单",
"一般",
"复杂"
]
)
}
with TypeSafeClient() as client:
result = client.system_one(
state=state,
questions=questions
)最终得到的重点不是一篇自然语言分析，而是类似：
task_type → coding
need_tool → Yes
complexity → high
confidence / probability → ...也就是说，程序可以直接继续执行下一步，而不用再解析 LLM 生成的一大段 JSON 或解释文字。
最适合它的其实是Agent Router
Jev 真正值得关注的地方，是把它放到 Agent 前面。传统方式：
任务
↓
大模型
↓
大模型判断用什么模型
↓
大模型判断用什么工具
↓
执行加入决策模型后则可以变成：
任务
↓
Jev / Laya
↓
任务类型
复杂度
工具需求
风险
↓
Model Router
↓
Codex / DeepSeek / Local Model
↓
执行例如用户只是要求：
修改README中的一个错别字决策层可以选择：
轻量模型
+
Low Reasoning但如果任务变成：
分析整个仓库，
寻找并发Bug，
修改代码并运行完整测试则可以自动选择：
Coding Model
+
High Reasoning于是模型选择本身也开始自动化：
Model：Auto
Reasoning：AutoJev和Laya有什么区别？
二者最值得注意的并不是谁“更强”，而是代表了两种实现路线。
所以二者完全可以被抽象成统一的：
Decision Engine
├── Laya Backend
├── Jev Backend
└── Other Decision Model上层 Agent 根本不需要知道下面到底运行的是哪个模型。
从“选模型”走向“选AI资产”
再进一步，决策层以后决定的可能不只是：
使用哪个Model？而会扩展成：
哪个Model？
什么Reasoning？
哪个Skill？
需要什么MCP？
调用哪些Tool？
失败以后升级到谁？最后形成：
User Task
↓
Decision Model
↓
AI Asset Router
↓
Model + Skill + MCP + Tool
↓
Dynamic Agent