Jev Cookbook：System One 判断模型实战教程

本书源自开源项目 datawhalechina/jev-cookbook（⚡适合中国宝宝的 Jev 入门教程），由 Datawhale 社区整理而成（CC BY-NC-SA 4.0）。

关于这本书

这是一本判断型 AI 的实战教程书。它围绕 Jev——一个以"判断"为核心的 AI 模型——展开，从 System One 心智模型讲起，带你建立一整套关于"AI 如何做出可信判断"的概念体系，再通过 18 个可直接运行的 Cookbook 把概念落到工程实践。

这本书的读者是：有 Python 基础、想让 AI 判断变得可靠、可解释、可评测的工程师与研究者。读完这本书，你不仅能熟练使用 Jev 的原语（Choice、Score、Noul）与置信度体系构建真实应用，还能掌握模型评测（JevBench）、记忆机制研究（Jev-Mem）、Agent 集成与本地模型微调（RLCD）等进阶能力。

一句话论点

在生成式 AI 大行其道的今天，Jev 选择把"判断"这件事做到极致：用状态让判断连续可追溯，用原语把判断拆成可组合的积木，用置信度让概率可信——这是 System One 心智模型对 AI 工程的全新回答。

全书结构（48 章十一章）

全书分为十一章：第一至三部分建立概念体系（认识 Jev → 核心概念 → 架构模式），第四部分用 18 个 Cookbook 完成实战训练，第五至九部分覆盖智能家居实验、模型评测、应用实战、前沿研究与 Agent 集成，第十部分深入本地模型微调，第十一部分提供延伸知识库。

章节导航

第一部分：认识 Jev（第 1 章）

• 第 1 章 认识 Jev：模型、上手与场景：Jev 是什么、能做什么，环境安装与第一个判断应用

第二部分：核心概念（第 2-7 章）

• 第 2 章 核心概念总览：System One 体系的全景图——状态、原语、置信度如何协同
• 第 3 章 System One：判断的核心心智模型：从直觉系统到可工程化的判断框架
• 第 4 章 状态：让判断连续可追溯：判断不是一次性的，状态管理让每次判断有据可查
• 第 5 章 原语：Choice、Score 与 Noul：把判断拆成可组合的最小积木
• 第 6 章 置信度：让概率可信：AI 说"大概率"时到底多大概率？
• 第 7 章 应用构建：从原语到完整系统：把概念串起来，构建完整的判断应用

第三部分：架构模式（第 8 章）

• 第 8 章 架构模式：判断系统的常见架构与设计取舍

第四部分：实战指南 · 18 个 Cookbook（第 9-27 章）

• 第 9 章 实战指南总览：18 个 Cookbook 的地图——每个模式解决什么问题、何时使用
• 第 10 章 自一致性 · Noul：用多次判断的一致性提升结果可靠性（Noul 版）
• 第 11 章 自一致性 · Choice：用多次判断的一致性提升结果可靠性（Choice 版）
• 第 12 章 并行提问：把复杂问题拆成并行子问题，提高判断质量
• 第 13 章 重排序：用判断能力对候选结果重新排序
• 第 14 章 逐行语义搜索：以行为粒度做语义匹配的判断式搜索
• 第 15 章 结构恢复：从非结构化文本中恢复出结构化数据
• 第 16 章 函数调用：用判断驱动函数选择与参数抽取
• 第 17 章 技能推荐：为任务匹配合适的能力或工具
• 第 18 章 实体对齐：跨数据源的实体匹配与消歧
• 第 19 章 RAG 段落分类：为检索段落做精细分类，提升 RAG 质量
• 第 20 章 引用核查：让每个结论都能追溯到依据
• 第 21 章 LLM 防护栏：用判断为 LLM 应用加上安全护栏
• 第 22 章 SDE 级联：级联式判断架构，平衡成本与质量
• 第 23 章 日期抽取：从自然语言中抽取规范化日期
• 第 24 章 预解析值抽取：结合预解析信息的抽取模式
• 第 25 章 层级分类：多级标签体系下的判断分类
• 第 26 章 自动研究特征发现：让 AI 自动发现并验证特征
• 第 27 章 基于置信度的分类：把置信度作为分类决策的一等公民

第五部分：智能家居实验（第 28 章）

• 第 28 章 智能家居实验：用 Jev 驱动真实场景的判断系统实验

第六部分：模型评测（第 29-32 章）

• 第 29 章 模型评测总览：怎么科学地评判断模型——指标、方法与常见陷阱
• 第 30 章 模型评测实验：动手跑一次完整的模型评测流程
• 第 31 章 Laya vs Jev 对比基准：两个模型的正面对比实验与结论
• 第 32 章 JevBench：LLM 评测体系：JevBench 的设计思路与使用方法

第七部分：实战应用（第 33 章）

• 第 33 章 智能家居应用实战：从实验到应用——完整的智能家居 walkthrough，含 13 张运行截图

第八部分：前沿研究 · Jev-Mem（第 34-36 章）

• 第 34 章 Jev-Mem 研究总览：判断模型的记忆机制研究全景
• 第 35 章 Jev-Mem 缩放实验：记忆容量与判断质量的缩放关系
• 第 36 章 Jev-Mem 完整走查：端到端跑通 Jev-Mem 的每个环节

第九部分：Agent 集成（第 37-39 章）

• 第 37 章 Agent 集成总览：Jev 与 Agent 框架结合的方式与边界
• 第 38 章 Pi 集成实验：Jev 在 Pi Agent 体系中的集成实践
• 第 39 章 DSH 决策协作：多角色决策协作中的判断分工

第十部分：本地模型（第 40-47 章）

• 第 40 章 本地模型总览：为什么要本地化、路线图与资源清单
• 第 41 章 本地模型介绍与对比：可选的开源模型横向对比与选型建议
• 第 42 章 中文数据集构建方案：面向中文判断任务的数据集设计
• 第 43 章 微调指南：从准备到训练的完整微调流程
• 第 44 章 RLCD 原理与实验优化：基于对比学习的偏好优化方法与实验迭代
• 第 45 章 中文数据集构建实验：数据集构建方案的落地实验
• 第 46 章 中文 Head 微调实验：轻量级 Head 微调的实验记录
• 第 47 章 全量 v2 微调实验：全量微调 v2 的完整实验与结果分析

第十一部分：知识库（第 48 章）

• 第 48 章 知识库：外部研究文章与延伸阅读索引