最近，Jev 在开发者社区里被反复讨论。看它的演示，第一反应很容易是：它一会儿玩游戏，一会儿在虚拟城市里开车，一会儿又去操作网页，像是一个什么都能接手的智能体。
Jev 有意思的地方，是它把任务收得很窄。程序先整理当前环境，再列出几个合法选项，Jev 只回答一个问题：下一步选哪个？
这种分工很窄，反而方便接入不同系统。社区已经有人把 Jev 放进游戏、浏览器、模拟器、机器人和客服工作流。
先看懂 Jev 是怎么运行的
Jev 的一次调用通常包含两部分：一份 state，以及针对这份状态提出的问题。
例如，浏览器 Agent 可以把当前页面整理成这样的状态：页面上有“搜索”“下一页”“购买”三个按钮，还有一个搜索框。然后提出问题：“下一步应该操作哪个元素？”候选答案可能是 click_search、type_query、next_page 和 done。
Jev 读完这些状态后返回选择、概率和置信度，动作仍由外围代码执行。TypeSafe AI 把这类模型称为 System One Model，返回的是程序能直接读取的 Choice、Score 和 Noul。
Choice 用来从候选集合中选一个，例如下一步调用哪个工具或往哪个方向移动。Score 用来按照有序标准评估风险、紧急程度或质量。Noul 则回答一个命题成立的概率，例如这次操作是否需要人工确认。
一、从网页到无人机
1. Browser Use：把网页变成一张“动作菜单”
Browser Use 的 jev-ultrafast 把这种接入方式讲得很清楚。它先读取网页上的可见控件，把按钮、输入框、链接和滚动区域整理成编号列表，再让 Jev 返回操作类型和目标元素。浏览器执行后，程序还会检查页面是否真的发生了预期变化。
需要填写自然语言时，项目调用小型语言模型生成文字。点击、选择、滚动和结束等动作，都由 Jev 的结构化选择驱动。项目 README 记录了一次 Google Flights 搜索演示，报告用时约 7.1 秒；README 也列出了 iframe、canvas、上传控件等限制。
2. JevPilot：让程序先生成路线，Jev 再挑一条
JevPilot 是一个 Three.js 驾驶模拟器。程序先采样几条候选路径，计算道路边界、附近车辆、信号灯、目的地和碰撞预测，再把这些信息整理给 Jev；Jev 不需要从零计算方向盘角度。
Jev 从候选路径中选择一条，并给出速度和转向倾向。路径采样、碰撞检查和安全刹车仍由代码完成。模型比较“哪条路线更合适”，确定性代码确认“这条路线能不能执行”。
3. 无人机模拟器：一次调用回答六个控制问题
Jev Autopilot 让无人机在随机生成的城市中从 A 点飞到 B 点。模拟器负责计算高度、速度、航向、障碍物和目标距离，Jev 则在一次请求中回答油门、偏航、俯仰、横滚、是否降落、是否切断电机等问题。
这些问题彼此独立，却都针对同一份飞行状态。代码拿到每个答案的概率后，把它们转换成摇杆偏移，同时保留硬性的安全限制。这说明，Jev 也可以同时处理几项窄而明确的判断。
4. RoboJEV：模型决定技能，物理引擎负责碰撞
在 MuJoCo 的 RoboJEV 中，场景会被转换成机械臂姿态、物体位置、夹爪宽度和接触关系等结构化状态。Jev 先判断当前应该执行接近、抓取、抬升还是释放，再判断移动方向；Cartesian controller 和 MuJoCo 负责把决策变成连续运动。
项目明确写道，它没有使用图像输入。模拟器先提供可审计的事实，Jev 再从中选择接近、抓取、抬升或释放等技能；机械臂的连续运动仍由控制器和 MuJoCo 完成。
二、游戏：最直观的决策
5. Super Mario Bros.：Jev 看到的是 RAM 状态
typesafe-mario 把模拟器遥测和 RAM 解析成结构化数据，包括角色速度、跳跃阶段、附近敌人、地形、剩余生命和关卡进度。Jev 从 noop、向右、跑、跳跃等合法动作中选择一个，模拟器推进几帧后，再把新状态送回来。
相比每帧截图交给视觉模型，这种方式更容易观察决策循环：输入内容明确，动作也能由程序验证。项目本身不包含游戏 ROM，运行者需要自行准备本地环境。
6. Doom：测试高频决策
TypeSafe 官方发布时展示了 Doom 实时控制。游戏引擎负责产生当前位置、敌人、弹药和可行动作，Jev 在移动、瞄准和开火等选项中快速做决定。
7. Subway Surfers：同一个判断器，同时跑几十局
社区作者展示过让 Jev 同时控制多局 Subway Surfers。程序需要提供角色所在车道、前方障碍、当前速度和可用动作，Jev 在换道、跳跃和下滑之间选择。
8. Smash Bros：四个角色各自拥有一个决策循环
在另一个实验里，Jev 同时控制 Smash Bros. 的四个角色，让它们互相对战。每个角色都可以读取自己的位置、生命值、对手状态和当前可用动作，然后独立请求下一步选择。
这里已经有了一个简单的多智能体系统：四个角色各自运行受限的动作选择器，分别读取状态、请求下一步动作。作者报告使用了超过 2200 万 token，成本只有几美分。
9. Tetris：先把所有合法落点列出来
俄罗斯方块很适合展示“代码和模型如何分工”。代码先计算当前方块的旋转方式、落点和碰撞结果，Jev 不需要自己推演每一格物理过程，只需要在这些合法落点中选择一个。
10. 2048、贪吃蛇和小恐龙：适合自己动手的入门项目
这些小游戏的状态简单，动作有限，失败也容易复现。2048 可以先由程序模拟四个方向的结果，再让 Jev 选择；贪吃蛇可以把食物、蛇身和危险格转成 JSON；小恐龙则可以把障碍物距离和跳跃窗口变成几个问题。
做这类 Demo 时，不要把“按键”交给模型。让代码维护游戏规则，让 Jev 只返回 up、down、left、right 之一，再由程序执行并记录概率分布。
11. Chess、Shogi 和 Gomoku：只在合法着法里选
棋类项目通常不会让 Jev 直接写棋谱。棋规引擎先生成所有合法着法，Jev 再根据棋盘状态从其中选一个；执行后，棋盘引擎负责验证着法并推进局面。
这样便于做可视化实验：把每个候选着法的概率画出来，或者比较 Jev、传统引擎和其他模型在相同候选集合中的选择。
12. Slay the Spire 2：把回合策略拆成选择题
卡牌 Roguelike 的每一步都包含手牌、能量、敌人意图、生命值和路线选择。社区实验让 Jev 根据这一整套回合状态选择出牌、结束回合或路线方向。
三、Jev 也能参与生成，只是方式不同
13. 实时关卡生成：每次只决定下一小段地形
Sprite Fusion 做过一个跑酷游戏实验。程序把玩家位置、速度、当前地形和冲刺状态整理出来，Jev 只负责选择下一段平台、缺口或障碍的组合，游戏引擎随后把选择放进场景。
14. Jevinci：把概率分布变成像素
Jevinci 的做法很直接：程序把画布拆成像素或颜色位置，询问 Jev 每个位置更可能属于哪种颜色，再把这些概率组合成绘画结果。模型没有输出 PNG，也没有写绘画提示词，只提供大量局部选择。
15. Wikiracing：从眼前的链接里继续走
Wikiracing 从一个 Wiki 页面开始，只能点击当前页面里已经出现的链接，目标是抵达另一篇指定文章。程序负责抓取页面和生成候选链接，Jev 负责从候选集合中选择下一站。
这个项目把 Choice 的用途表现得很直观：候选数量可能很多，但每个选项都是真实存在、可以被程序执行的链接。
四、在 Agent 后台处理几个小判断
16. Jev Codex Router：先判断任务，再选择模型
一个 Coding Agent 不需要每个请求都使用最强、最贵的模型。Jev Router 会读取用户任务，判断它是简单修改、普通开发还是复杂调试，再把请求路由到不同模型或不同 Agent 配置。
Jev 只负责路由，主 Agent 仍然接收原始任务、读取文件、运行工具并验收结果。
17. 工具调用前的安全闸门：允许、确认，还是拦截
Agent 准备执行 Shell、删除文件、发送邮件或修改线上数据时，可以把工具名称、参数、权限范围和当前任务一起交给 Jev，询问这次操作是否安全、是否需要人工确认。
真正执行前，操作还要经过宿主程序的硬规则和权限系统。Jev 只负责判断文本语义，不能替代沙箱、权限、审批和审计。LangChain 的 AutoModeMiddleware 展示了如何把 Jev 放在工具执行之前。
18. pi-jev：把上下文压缩变成保留判断
长时间运行的 Agent 会积累大量工具调用、网页结果和旧日志。pi-jev 逐条判断某个工具结果是否保留、是否只保留开头，或者是否已经过时，不需要另一个聊天模型重写整段上下文。
判断不确定时，系统可以保守保留，或者回退到原来的压缩策略。每次保留和丢弃都有记录，也方便复查和恢复。
19. 工单和收件箱分流：一次请求回答多个问题
一封邮件或一张工单，通常不止需要一个标签。系统可能同时关心它属于哪个部门、是否紧急、客户是否要求退款、是否应该升级人工。
20. Jev-as-a-Judge：评价 Agent 是否完成任务
Agent 评测通常有两种极端：纯规则很稳定，但只能检查事先写死的条件；完整 LLM Judge 很灵活，但成本、延迟和输出格式都更难控制。
LangChain 的 Jev-as-a-Judge 实验把 Agent 轨迹、消息和结果作为 state，再用 Choice、Score 或 Noul 询问“是否完成”“是否泄露隐私”“质量处于哪个等级”。返回值可以直接进入回归测试和 LangSmith 评测流程。
看完这些项目，Jev 到底应该怎样接入？
先选一个接入入口
如果只是体验，可以打开官方 Playground，用一段文字作为 state，再添加一个 Choice、Score 或 Noul 问题。想做 Python 小工具，可以使用官方 SDK；已有后端、Agent 或模型聚合层，则可以直接调用 HTTP API，或者从 OpenRouter、Vercel AI Gateway 接入。
把任务翻译成 state 和问题
Jev 不需要知道完整业务，只需要这一次判断所需的状态。接着选择使用 Choice、Score 还是 Noul，并写清楚候选选项的含义。以贪吃蛇为例，程序读取蛇头、蛇身、食物和危险格，再把四个合法方向交给 Jev 选择。
让程序执行 Jev 的结果
Jev 返回选择、概率和置信度，点击、按键和业务动作仍由程序执行。程序先判断结果是否达到阈值，再决定转队列、点击按钮、推进游戏、调用工具或转人工。答案不确定时，就使用规则策略或人工审核。SDK、HTTP API 和模型聚合平台只是不同入口，执行权仍在你的程序里。
用一个工单分流例子理解完整接入
一条“订单三天没到，明天要出差，请尽快处理”的消息，可以先整理成一份状态。Jev 判断它属于哪个部门、是否紧急、是否涉及退款，业务代码再根据置信度把它送入物流队列、标记优先级，或者转给人工。和游戏 Agent 一样，变化的只是候选动作：这里是“物流、退款、其他、人工审核”，游戏里则是移动方向。
如果项目已经使用 OpenRouter，可以调用 ~typesafe/jev-latest；如果是 Vercel AI SDK，可以使用 typesafe-ai/jev 的 evaluate 接口。两者的鉴权、计费和参数形式略有差异，接入时以当前平台文档为准。
如果项目使用 LangChain，也可以使用Classifier，或者把 Jev 放进模型路由和工具安全中间件。
接入 Jev 的工作，就是在系统里增加一次可记录、可验证、可以回退的结构化判断。
写在最后
Jev 适合处理 Agent 工作流里的小判断。这些任务用通用大模型显得太重，完全靠规则又不容易写全。
在网页里，它选择下一个控件；在游戏里，它选择下一个动作；在机器人里，它选择当前技能；在 Agent 里，它可以选择模型、工具或是否继续。
接入前，把当前状态、候选动作和低置信度时的处理规则写清楚。这样，Jev 才能稳定地成为程序中的一个判断环节。
参考资料
-
TypeSafe AI：Introducing System One Models & Jev
-
TypeSafe AI 官方文档：Quick Start
-
Browser Use：jev-ultrafast
-
Made with Jev：Games and real time
-
Awesome Jev
-
Awesome TypeSafe Jev
-
LangChain：Building a Harness with Jev
-
LangChain：Jev is now available in LangSmith Evals