JeecgBoot AI专题研究| 把判断类任务从通用大模型里剥离出来用 Jev Skill 的方式接入 Claude Code、Codex 等 Coding Agent 的低成本落地路径先说清楚Jev 是干什么的JevTypeSafe AI 出品不写代码、不写文案只做一件事——在给定上下文里给出结构化的判断结果是 / 否、选哪个、打几分。所以它不是用来替代 Claude Code、Codex 的而是给它们打配合Coding Agent 负责写Jev 负责判断。Jev 已经取消 waitlist注册即用控制台入口https://console.typesafe.ai新账号送 5 美元额度官方口径约 1.2 亿 Token目前还没开放充值入口。下面五步走完就能用。第一步拿到 API Key进入控制台的 API keys 页面创建密钥https://console.typesafe.ai/keysKey 只在创建时完整展示一次当场存好。别粘进脚本或配置文件设成环境变量TYPESAFE_API_KEY后面 curl 和 Agent 都从环境里读# macOS / Linux写进 ~/.zshrc 或 ~/.bashrcexportTYPESAFE_API_KEY你的密钥# Windows PowerShell当前会话$env:TYPESAFE_API_KEY你的密钥这样 Agent 自动跑命令时看到的是变量名而不是明文不会把密钥顺手提交上去。第二步先看懂价格表再决定怎么用Jev 不是免费模型但它的定价结构和常规模型完全不是一个逻辑几个值得单独拎出来的点输出侧免费只按输入计费。这一条直接决定了它的最佳用法——你可以毫无顾虑地把大段上下文塞进去反正贵的是输入而判断类任务的输出本来就只有几个字节。单价以「每十亿 Token」为单位标注横向换算下来比同类模型便宜 40400 倍。这个区间的下限和上限差距很大取决于你原本拿什么模型来做判断。速率限制相当宽松每秒 250,000 Token、每分钟 1,200 次请求足够支撑批量场景。上下文上限 64K Token其中state加上最长的那个问题合计不超过 32K。只支持文本输入图片、音频、视频一律不认。最后这条限制需要在设计调用方式时就纳入考虑如果你的判断依据是一张架构图或者一段录屏Jev 帮不上忙得先由别的环节转成文字描述再喂进来。第三步用 curl 打通链路确认自己理解了返回结构在接入任何 Agent 之前强烈建议先用 curl 手动打一次。原因很简单——只有看过原始返回你才知道后面 Skill 到底帮你封装掉了什么。curl-XPOST https://api.typesafe.ai/v1/systemone\-HAuthorization: Bearer$TYPESAFE_API_KEY\-HContent-Type: application/json\-d-EOF { state: 我的 Claude 账号被封号了一直没有解封用不了麻烦帮我看下, model: jev-latest, questions: { urgency: { type: noul, instructions: 这个问题和登录有关系吗? } } } EOF返回长这样拆开看这个请求体的设计思路其实很清楚字段作用state待判断的非结构化上下文可以是一段话、一份日志、一段代码model模型版本jev-latest表示跟随最新questions你要问的问题集合可以一次问多个每个问题独立命名type问题类型决定了返回值的形态示例中的noul表示「是否成立」instructions对这个问题的自然语言说明返回里的noul: 0.82是个置信度数值而不是简单的 true/false。这一点在工程化的时候非常有用你可以自己设阈值比如 0.9 以上才自动执行0.60.9 之间转人工确认0.6 以下直接否决。用一个布尔值是做不到这种分级的。usage字段也值得看一眼——这次调用输入 305 Token、输出 21 Token。结合「输出免费」的规则这一次判断的实际成本几乎可以忽略不计。第四步装 Skill把 API 细节交给官方封装手动拼 JSON 显然不是长久之计。官方提供了一个即插即用的 Skill仓库地址https://github.com/typesafe-ai/skills这个 Skill 本身不是简单的 API 封装它往 Agent 的上下文里塞进了三样东西三种问题类型的完整定义Choice 封闭选择 / Noul 是否成立 / Score 有序打分推荐的架构模式也就是什么该交给模型、什么该留在代码里组织评估的最佳实践怎么把多个判断组合成一次有意义的决策换句话说装上它之后Agent 不只是「会调这个接口」而是「知道什么时候该调、该怎么问」。这个差别在实际使用中很明显。Skill 同时适用于 Claude Code、Codex 以及其他主流 Coding Agent但两类工具的安装方式不同下面分开说。在 Claude Code 中安装Claude Code 走插件市场两条命令claude plugin marketplaceaddtypesafe-ai/skills claude plugininstalltypesafetypesafe-ai执行过程会自动 clone 仓库、校验市场配置、装好插件。装完之后建议重启一次 Claude Code或者直接执行/reload-plugins让插件生效。在 Codex 及其他 Agent 中安装非 Claude Code 系的工具走 skills.sh 这条通用链路npx skillsaddtypesafe-ai/skills--skilltypesafe-ai它会先列出一批默认勾选的通用 Agent——Codex、Cursor、Gemini CLI、OpenCode、Cline、GitHub Copilot、Zed 等都在内往下翻还能自己加选其他目标。确认后回车即可完成安装。这里有个小细节默认写入的是.agents/skills这个通用目录多数现代 Agent 都会去读它所以一次安装基本能覆盖你机器上的大部分工具不需要挨个装。第五步真正用起来——两个有代表性的场景Skill 的触发方式和普通 Skill 一致既可以自然语言说「用 TypeSafe 技能帮我判断……」也可以直接敲斜杠命令/typesafe:typesafe-ai主动调用。场景一让它替你做一个「买不买」的决定先来个和代码无关的用来体会它的输出风格/typesafe:typesafe-ai Mac mini 我有必要买吗请直接给判断整个过程 12 秒出结果结论是「不必买」。注意它的输出结构——不是一段和稀泥的分析而是一张「问题 / 原语 / 结果 / 依据」四行表格结果那栏直接写着「否接近 0」。它甚至还给出了结论失效的条件只有当出现「需要一台一直开着、不带屏幕的机器」这种需求时才值得重新判断。这种「给结论 给依据 给反转条件」的三段式比通常那种列十条优点再列十条缺点最后说「取决于你的需求」的回答可执行性高出一个量级。场景二让它审一遍项目里的「弱代码」这个才是 Coding Agent 场景下的重头戏/typesafe:typesafe-ai 分析下这个项目判断有哪些可替代复杂的逻辑或弱代码。可以看到它的执行路径先去抓 TypeSafe 的文档llms.txt、how-to-build-with-system-one.md、use-case-map.md摸清判断原语的适用边界然后才开始读项目结构。这就是前面说的「Skill 提供上下文」的价值——它不会上来就瞎判断。最终产出是这样一张对照表表格比常规的代码审查多出了最右边一栏TypeSafe?逐条回答「这段逻辑该不该交给模型判断」。而且结论几乎全是「否」并附上了原因DesktopOwnerProbe.knownHijackers写死 bundle ID ——精确身份匹配不是读含义该留在代码里DesktopOwnerProbe.hijackerIDs()——死循环式冗余删掉即可ClickRegion按visibleFrame判位置 ——纯几何计算DesktopService.reveal()的重试节奏 ——时序问题模型解决不了竞态两套拖拽排序手势 —— 几何 重复代码该抽公共组件不是该调模型这个结果初看有点反直觉花钱装了个判断引擎结果它告诉你「这些地方都不需要我」。但这恰恰是它最该被称赞的地方——一个愿意说「这里别用我」的工具比一个哪儿都想插一脚的工具可信得多。文档里也明确列出了禁区日期差、状态位、白名单、几何命中、bundle ID、文件路径这些确定性计算一律不要交给模型。在 Codex 里的调用方式Codex 这边同样是 Skill 化调用输入/Typesafe就会自动补全对同一个 Mac mini 问题Codex 侧用时 14 秒结论一致「不买」理由是「属于想买不是有必要买」。不同宿主 Agent 之间结论稳定说明判断主要由 Jev 本身完成宿主只负责组织上下文。维护怎么保证 Skill 是最新的Skill 还在迭代跟进更新的方式按安装渠道区分。Claude Code 插件方式claude plugin marketplace update typesafe-ai claude plugin update typesafetypesafe-ai更新完同样需要重启 Claude Code 或执行/reload-plugins。嫌麻烦的话可以开自动更新打开/plugin→ 选 Marketplaces → 选 typesafe-ai → 启用自动更新之后就不用管了。skills.sh 方式npx skills update手动复制 Skill 目录的方式没有增量更新机制只能用 GitHub 上的最新版本整个替换掉原来的 skill 目录。这也是不推荐手动安装的原因。偷懒方案一段提示词让 Agent 自己装如果你懒得判断当前用的是哪个工具、该走哪条命令可以把下面这段直接丢给任意支持 Skills 的 Agent让它自己识别环境并完成安装安装 TypeSafe 技能。如果你在 Claude Code 中请运行 claude plugin marketplace add typesafe-ai/skills然后运行 claude plugin install typesafetypesafe-ai。如果你在其他 Coding Agent 中请运行 npx skills add typesafe-ai/skills --skill typesafe-ai 并选择你的 Coding Agent。请使用其中一种安装方式。你可以直接阅读该技能的说明文档https://github.com/typesafe-ai/skills/blob/main/skills/typesafe-ai/SKILL.md原始版本https://raw.githubusercontent.com/typesafe-ai/skills/main/skills/typesafe-ai/SKILL.md。之后在开发此项目时即可使用 TypeSafe 技能。它会自己识别当前环境该走哪条命令比你先搞清楚环境再敲要省事。什么时候该用它什么时候别用实操下来这条边界比安装教程本身更值得记住。适合交给 Jev 的对非结构化文本做封闭选择从固定几项里挑一个判断某件事是否成立返回置信度自己设阈值对模糊标准做有序打分优先级、风险等级、严重程度需要高频、大批量判断且每次输入很长、输出很短的场景不适合交给 Jev 的任何确定性计算日期差、数值比较、几何命中、白名单匹配精确身份识别bundle ID、文件路径、主键查找——这些是查表不是读含义时序与并发问题竞态条件不是靠「判断」能绕过去的需要生成内容的任务它压根不干这个输入包含图片、音频、视频的场景接口只收文本还有两条工程上的注意事项上下文 32K 的隐性约束。总上限是 64K但state 最长问题只有 32K。如果你打算把整个文件塞进去判断先估算一下长度超了要做切片或摘要。置信度别当布尔值用。返回的是 01 的浮点数直接if (result 0.5)会丢掉最有价值的那部分信息。建议至少分三档高置信自动执行、中置信转人工、低置信直接否决。总结整套流程其实就三件事建 Key、装 Skill、敲/typesafe:typesafe-ai。官方把 Skill 做好了不用自己封装 API接入成本基本为零。上手建议别一上来就接进生产流程。先让它审一遍你手头项目的代码看看它判定哪些逻辑「不该交给模型」——这份清单比它给出的任何一个「是」都更有价值。新用户 5 美元、约 1.2 亿 Token 的额度够把真实场景跑一遍再下结论。