企业官网建设流程全解析

做过 Agent 的都有体会：Agent 干活的本质是一个循环：LLM 决策、工具执行、模型评估、再继续，直到任务完成。问题是，这个循环里每一次「决策」都要完整调一次大模型，又慢又贵。

LangChain 官方博客刚发了一篇文章，介绍了一个新解法：把循环里「做判断」的环节拆出来，交给一个专门做结构化决策的模型 Jev。官方报告的数据相当夸张：分类任务上推理速度快 200 倍，成本只有同等 LLM 的 1/400。

这篇我把原文编译 + 拆解给你：Jev 到底是什么、三种提问方式怎么用、怎么接进 LangChain，以及两个最值得抄的落地场景。文中的 JSON 和 Python 代码都可以直接抄走改。

1.打开 AITutor 新一代 AI 原生学习伙伴：www.aiaitutor.com 2.在首页输入"Jev” 就能看到更详细更丰富案例。 3.包含了图文、视频、播客、闪卡、代码、测验等9种学习模态。

一、先把问题说准：Agent 循环慢在哪、贵在哪

Agent 和 LLM 刚出来的时候，很难接进软件系统，因为软件要的是结构化数据和可预测的接口。后来两个原语解决了这个问题：

• Tool calling：让模型发出结构化请求、拿到结构化结果；
• Structured outputs：让模型返回结构化结果。

但就算这两个都有了，Agent 循环依然又慢又贵，原因很简单：每一次决策，都要再调一次完整的聊天大模型。路由一下请求要调一次，判断一个工具调用危不危险要调一次，每一步都在烧 token、烧延迟。

一句话：LLM 是个全才，但你让它干的很多活，其实只是「做个判断」。让一个全才反复做判断题，就是现状里最大的浪费。

二、Jev 是什么：不生成文字的「System One」模型

先说清楚，Jev 不是传统意义上的 LLM，它根本不生成文字。TypeSafe AI 团队把它叫做 System One 模型：

📖 System One 模型是一类专为「快速、结构化、软件可直接消费的判断」而生的 AI 模型。它评估一个状态（state），返回带类型的答案和概率。

它的训练方式也不一样，用的是 RLCD（Reinforcement Learning for Calibrated Decisions，面向校准决策的强化学习）。你的代码拿到这些概率结果，直接决定 Agent 下一步怎么走，全程不需要为每个决策调一次完整的聊天 LLM。

调用方式也很直接：给它一个状态（上下文），再给它一组关于这个状态的问题。看官方文档里客服工单的例子：

{ "model": "jev-latest", "state": "Hi, I've been trying to connect my Stripe account for 3 days and it keeps failing. I'm losing sales. Please help ASAP.", "questions": { "is_urgent": { "type": "noul", "instructions": "The message conveys urgency or time-sensitivity" } } }

返回结果长这样：

{ "is_urgent": { "type": "noul", "noul": 0.999 } }

99.9% 的概率是紧急工单，你的应用拿这个数直接做优先级排序就行。没有废话，没有寒暄，没有多余的 token。

三、三种问题类型：Choice、Score、Noul

Jev 一共支持三种提问方式，覆盖大部分「判断」场景：

注意每种类型都带置信度。这意味着你的代码可以设定阈值策略：置信度高的自动放行，置信度低的转给大模型或者人工。工程上这一点非常关键，判断题最怕的就是「模型瞎蒙还特自信」，校准过的概率就是干这个的。

四、一次请求，并行问多个问题

这是 Jev 一个很妙的设计：同一次请求里可以问多个问题，而且是并行评估的。

💡 System One 模型会并行评估一次请求中的所有问题。加问题几乎不影响响应时间，成本也只增加那几个问题本身的 token，非常便宜。

对比一下传统做法：用 LLM 同时判断「紧不紧急、分给谁、客户情绪如何」，要么调三次，要么在一个 prompt 里塞三个任务再费劲解析输出。Jev 这边就是一次请求、三个字段、三份概率，干净利落。

一句话：LLM 是顺序生成文字的，天生串行；Jev 不生成文字，天然并行。这就是结构性优势。

五、接入 LangChain：一个 TypeSafeClassifier 搞定

LangChain 的提供商无关架构接 Jev 很自然，集成暴露出来的接口是 TypeSafeClassifier：把状态和问题传给 .invoke()，拿到的是分类结果而不是聊天回复。

装包、设好 TYPESAFE_API_KEY，然后这样调：

from langchain_typesafe import Noul, TypeSafeClassifier classifier = TypeSafeClassifier() response = classifier.invoke({ "state": ( "The deploy failed twice and customers are seeing 500s. " "Can someone look now?" ), "questions": { "urgent": Noul( instructions="Does this need attention right now?" ), }, }) urgency = response.nouls["urgent"].noul

state 可以是文本、结构化数据，也可以是 LangChain 的 messages。也就是说，在 Agent 的节点或 middleware 钩子里面，直接用现有的上下文就能调 Jev，然后把它包进自定义 middleware 或工具里。

六、两个最值得抄的落地场景

先划个边界：Jev 不是 LLM 的平替，它不生成文字。它的正确定位是做 LLM 的搭档：开放式推理和生成交给 LLM，沿途的快速结构化判断交给 Jev。在这个定位下，原文给了两个场景，都很实用。

• 场景 1：模型路由

简单查询和复杂调试不该用同一个模型。模型路由 middleware 让 Jev 先评估请求，再按你定的标准选模型：简单的活走便宜快速的模型，复杂的活才上更强的模型：

from langchain.agents import create_agent from langchain_typesafe.experimental.middleware import ( ModelChoice, ModelRouterMiddleware, ) router = ModelRouterMiddleware( choices={ "fast": ModelChoice( model="openai:luna", criteria="Direct lookups, extraction, and localized changes.", ), "powerful": ModelChoice( model="openai:sol", criteria="Architecture and high-stakes decisions.", ), }, instructions="Choose the least costly model that can complete the task.", ) agent = create_agent("openai:gpt-5.6-luna", middleware=[router])

路由器从最新一条用户消息里选出模型，整个 run 都用它。选模型的概率和置信度也会留在 agent state 里，随时可以查。

• 场景 2：Auto Mode，给危险操作装上「刹车」

Agent 本质上是不可信的：它可能收到坏指令（无意的，或者攻击者刻意注入的），被诱导执行你不想要的操作。

Claude Code、Codex、Cursor 这些 coding harness 都内置了某种「危险动作分类器」，在工具执行前先拦一道，正是这个东西慢慢建立起了大家对 Agent 的信任。但到现在为止，这个分类器一直锁在各家闭源的 harness 内部，你自己做的 Agent 用不了。

现在有了便宜又快的分类器模型，这个模式可以普及到所有 Agent 了：

from langchain.agents import create_agent from langchain_typesafe.experimental.middleware import ( AutoModeMiddleware, ) guardrail = AutoModeMiddleware(tools=["bash"]) agent = create_agent("openai:gpt-5.6-luna", middleware=[guardrail])

AutoModeMiddleware 用 Jev 检查工具调用里的风险决策，在工具真正执行之前就把危险调用拦下来。

题眼在这里：以前「权限弹窗」和「危险拦截」是大厂 harness 的专属能力，现在一个开源 middleware 加一个小模型就搞定了。自己搓 Agent 的同学，这条直接抄。

七、它不是什么：别拿 Jev 当 LLM 用

最后泼点冷水，防止有人上头。Jev 和 LLM 的分工边界很清晰：

生态里已经有人在用了：Browserbase 的 Kyle Jeong 拿它驱动浏览器 Agent，一次调用成本不到一分钱；Jarrod Watts 做了个实时交易 Agent；Ryan Vogel 在用它做大规模邮件分诊。

八、结语

每周都有新模型发布，但 Jev 这次的反响明显大一圈，我觉得原因是它指了一个方向：Agent 系统的下一步进化，不是换一个更大的模型，而是把系统拆得更细。

慢思考的大模型负责推理和创造，快思考的小模型负责判断和把关，这其实就是「System Two + System One」那套双系统理论在 Agent 工程里的落地。你的 Agent 循环里每一个「调大模型做判断」的地方，都是潜在的优化点。

与其等下一个更强的模型来拯救你的 Agent 延迟和账单，不如这个周末就把循环里的判断题抽出来，让专门的模型去答。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】