Jev 实战：用类型化决策重构软件

本书基于 Jev 官方文档（docs.typesafe.ai）与 awesome-jev 社区项目库（github.com）整理撰写，覆盖官方 use-case-map 的全部 5 大类、19 个行业用例与 10 种决策形态。

关于这本书

这不是一本讲"提示词技巧"的书，而是一本讲如何把语义判断从生成式模型里拿出来，交给一个类型化决策层的工程书。

Jev（TypeSafe System One）是一种与 chat 模型完全不同的模型：它不生成自由文本，而是接收「非结构化 state + 类型化 questions + instructions」，返回类型化的决策——多选（Choice）、有序评分（Score）或布尔判断（Noul）。这意味着一件事：控制流留在你的代码里，模型只负责做语义判定。分类、路由、检测、评分、检索、排序、验证、特征抽取——这些"软件一直在做、却长期靠 if-else 和正则硬撑"的判断，正是 Jev 的主场。

这本书的读者是：正在构建 AI 应用、Agent 系统或数据管道的工程师与产品负责人。如果你已经受够了"让模型生成一段 JSON 再祈祷它不出错"，或者正在为 LLM 调用的成本、延迟和不稳定性发愁，这本书会给你一套不同的思路。

一句话论点

生成式模型负责"写出各种可能"，决策层负责"在具体这一步选哪一个"。把后者从前者里剥离出来，代码重新掌握控制流，判断变得便宜、快速、可验证——软件没有变简单，而是变得可推理了。

全书结构（24 章五个部分）

全书分为五个部分。第一部分（第 1-3 章）建立认知：为什么需要决策层、三种类型化输出、十种决策形态。第二部分（第 4-8 章）逐一拆解这十种形态，是全书的方法论骨架。第三部分（第 9-15 章）进入 AI Automation Software，用七个行业用例讲真实系统怎么搭。第四部分（第 16-21 章）覆盖垂直领域与实时场景：法律合规、电商广告、内容审核、游戏、150 毫秒实时应用、科学发现。第五部分（第 22-24 章）讲规模化的三件事：大数据上的 AI Map Reduce、通用验证、以及把决策织进智能体骨架的 Harness Engineering。

每一章都遵循同一套写法：先说清"这个场景的判断难在哪""为什么生成式模型解决得不好"，再给出 Jev 的解法与代码，最后落到一个真实项目（高 star 优先，没有则用官方示例）的完整实现与实测数据。

章节导航

第一部分：基础（第 1-3 章）

• 第 1 章 为什么需要决策层——从"生成一切"到"只做判定"：生成式模型的控制流困境、决策层的位置、Jev 与 chat 模型的本质差异
• 第 2 章 三种类型化输出——Choice、Score、Noul 与调用契约：POST /v1/systemone 请求结构、三种输出类型、概率语义与调用范式
• 第 3 章 十个决策形态——什么时候该把判断交给 Jev：Classification、Detection、Scoring、Routing、Search、Retrieval、Ranking、Verification、ML Feature Extraction、Structured Data Extraction 总览与选型

第二部分：十种决策形态（第 4-8 章）

• 第 4 章 Classification 与 Routing——把分诊做成一等公民：Classification 与 Routing 的差异、标签集设计、Routing 的成本—能力权衡，代表项目 inbox-zero、paca
• 第 5 章 Detection 与 Scoring——二元判断与有序评分：Detection 的阈值与召回、Scoring 的 score = Σ i·p_i、校准与置信度，代表项目 Dub 恶意链接检测、Watchlist
• 第 6 章 Search 与 Retrieval——在候选集里找相关：Search 与 Retrieval 的区别、query 改写、召回与重排的分工，代表项目 OpenViking、jevsearch
• 第 7 章 Ranking 与 Verification——排序与校验：Ranking 的相对次序、Verification 的"逐条核实"，代表项目 Vector Graph RAG、citation-verifier
• 第 8 章 ML Feature Extraction 与 Structured Data Extraction——把文本变特征与结构化数据：特征抽取喂给下游模型、结构化抽取的 schema 约束，代表项目 jevextract、jev-table-import-mapper

第三部分：AI Automation Software（第 9-15 章）

• 第 9 章 检索与知识图谱——Search and retrieval / Graphs and knowledge graphs：检索增强、知识图谱构建与遍历，代表项目 LlamaIndex Jev、Milvus bootcamp
• 第 10 章 模型路由与 LLM 护栏——Model routing / LLM guardrails：把请求分给最合适的模型、给生成加上前置与后置护栏，代表项目 eve、claude-code-templates
• 第 11 章 语义代码检查——Semantic code linting：超越正则的代码规则、CI 集成，代表项目 fx、semcheck
• 第 12 章 特征提取与需求预测——Feature extraction / Demand forecasting：预测模型的特征工程、销量与需求预测，代表项目 typeful-triage、jev-curate
• 第 13 章 招聘与线索生成——Recruiting / Lead generation：简历分诊、线索打分与去重，代表项目 jev-resume-disqualifier、Switchboard
• 第 14 章 客户支持——Customer support：工单分类、情绪与紧急度、回复草拟的护栏，代表项目 jev-oncall、Notra
• 第 15 章 理赔、金融犯罪与风险评估——Insurance claims / Financial crime / Risk assessment：理赔材料核验、可疑交易线索、多维风险打分，代表项目 Jevinik、jev-guard

第四部分：垂直领域与实时场景（第 16-21 章）

• 第 16 章 法律与合规——Legal and compliance：法规条款匹配、合同条款抽取、Policy-as-Code，代表项目 Jev Policy Engine、LegalForecast-MTD 与官方要点
• 第 17 章 电商市场与广告——E-commerce marketplaces / Advertising：商品归类与属性对齐、广告创意审核与定向，代表项目 jev-table-import-mapper、实时出价
• 第 18 章 内容审核与信任安全——Moderation and trust and safety：分级审核、逃逸对抗、成本控制，代表项目 mastra-jev-moderation、Jev Moderation Bot
• 第 19 章 游戏——Gaming：NPC 决策、游戏内判定与模拟，代表项目 jev-torneo-animales、Jev Plays Pokémon
• 第 20 章 实时应用——150 毫秒预算：延迟预算拆解、本地小模型、流式场景，代表项目 Jev Ultrafast、json-render、Eliza
• 第 21 章 科学发现——Scientific discovery：文献筛选、假设排序、实验取舍，以官方 use-case-map 要点与官方示例为主

第五部分：规模化与工程（第 22-24 章）

• 第 22 章 大数据上的 AI Map Reduce：为什么便宜 100 倍、分块—判定—聚合模式、2.3K 论文 14 美分的案例，代表项目 Jev Deep Research、GroundingJev
• 第 23 章 通用验证——Universal Verification：把"验证"抽象成可复用能力、Verifier 与 Judge、评测基准，代表项目 Vals AI、jev-regress-bench、Can Jev Be a Better Agent Evaluator
• 第 24 章 Harness Engineering——把决策织进智能体骨架：Agent 循环中的决策点、工具选择与权限、落到生产，代表项目 AutoGPT、Pydantic AI、eve