企业官网建设流程全解析

2026年10月，报名参加了Datawhale当月组队学习里的共学，从0开始入门、了解jev

【教程地址】https://github.com/datawhalechina/jev-cookbook

Day 1 环境配置以及快速上手

在第一章 认识Jev 中，我觉得解答了我之前对它的疑惑之处：当今llm大模型如此盛行，为什么 Jev 反而出现了，并且独树一帜？为什么它可行？

从前只是粗浅地阅读了几篇文章，知道它相比普通 llm ，输出的是结构化数值的概率来帮助进行判断，也全然不知它是如何运作，为什么许多人开始选择它。

这一章围绕这个问题对 Jev 展开介绍：当答案本来就在有限选项里时，是否有必要让模型先生成一段文字，再把文字解析回标签？

1. Jev = System One 模型：输入是 state（证据/状态）+ 一组类型化问题，输出类型化答案 + 概率分布——没有文本生成，也没有解析这一步。模型负责读懂自然语言并给出那几个数，程序负责"拿数做决策"。
2. 三种原语 choice、score、noul就是全部词汇：Choice 回答的是 哪一类？ 输出选项 + 各选项概率；Score 回答 打几分 的问题，输出有序分值（概率的加权期望）；Noul 回答 某个陈述有没有/是否为真， 输入 0～1 的概率。三种问题可在一次调用中并行混用，共享同一份 state，加问题几乎不增加延迟。
3. 原子提问纪律：每个问题只问一件"专家几秒内能下结论"的事。复杂判断拆成多个独立问题，加权组合交给代码——业务规则变了只改代码系数，不用动提示词。
4. 校准 ≠ 单次必对：Jev 用 RLCD（面向校准决策的强化学习）训练。给 0.8 概率的一组事件，长期发生频率应接近 80%，但组内单次仍可能错。因此概率适用于**群体决策**（路由、排序、抽检），高风险单点动作必须配阈值和人工兜底。
5. 适用边界：适合有限答案空间的判断、分类、打分、路由、筛选、校验；不适合长篇写作、开放式问答与推理——这些仍应交给生成式模型；铁律：安全、授权类规则写在确定性代码里，模型给高概率也不能省掉人工的流程。

快速入门实验

环境：Python 3.10+，typesafe-sdk ，模型固定为 jev-1.13.0 ，key 通过环境变量TYPESAFE_API_KEY 注入（Notebook 支持 live / offline / auto 三种模式，没 key 时用离线替身跑通代码路径），我这里去注册了typesafe账号，用的自己的api_key

① 一次调用三种原语

EXP_STATE = ("用户：我连续三天没能把 Stripe 账户连上，集成一直失败，" "每耽误一天都在丢订单，请尽快处理！") EXP_QUESTIONS = { "urgency": Noul(instructions="这条消息是否表达了紧迫性？"), "intent": Choice(instructions="用户的主要诉求是什么？", criteria={ "troubleshoot": "希望排查或修复连接问题", "refund": "要求退款或赔偿", "inquiry": "只是咨询，不要求立即处理"}), "frustration": Score(instructions="用户的受挫程度如何？", criteria=[ "平静，仅陈述事实", "有些不满", "强烈不满，有流失风险"]), } EXP_OFFLINE = { "urgency": _FakeAnswer("noul", noul=0.94), "intent": fake_choice({"troubleshoot": 0.82, "refund": 0.03, "inquiry": 0.15}, 0.8), "frustration": fake_score({0: 0.05, 1: 0.35, 2: 0.6}, ["平静", "有些不满", "强烈不满"], 0.87), } resp_a = ts.call(EXP_STATE, EXP_QUESTIONS, EXP_OFFLINE, "实验A·三原语一次调用") show(resp_a)

这是书中的一个实验，用离线模型模拟一条客服工单处理，当用户提出要求state："连续三天连不上 Stripe，每天在丢订单……"，在工程师这边会将同一次请求里捆绑三个问题——是否紧急（Noul）、主要诉求（Choice）、受挫程度（Score）。对此，实验模拟了真实返回：

urgency: noul = 0.98
intent: choice = "troubleshoot", p = 1.0
frustration: score = 1.99（0=平静，2=强烈不满）

返回的意思就就是，98%是紧急的，用户诉求希望排查或修复问题，几乎强烈不满。之后就可以对这份结果进行分类以及后续处理，比如if noul > 0.7 ，转人工~ 上述调用中，一次网络往返，耗时 0.28s ，输入 478 / 输出 78 token；三份答案相互独立。

② 20 条数据理解"校准"

RLHF把模型变成聊天机器人；RLVR造出会推理但更慢更贵的模型；RLCD（面向校准决策的强化学习）是 Jev 走的第三条路——训练模型返回决策和校准概率，而不是文本。用 RLCD训练的目标是让概率对齐真实频率：预测概率 0.2 的 10 条 → 实际发生 20%，组内仍有 8 次没发生；预测概率 0.8 的 10 条 → 实际发生 80%，组内仍有 2 次没发生。

校准的含义：按一组预测衡量。给 0.8 概率的事件，长期发生频率应接近 80%；校准是群体性质，它不保证任何单次预测正确。所以概率适合路由、排序、抽检这类群体决策，高风险单点必须配阈值 + 人工兜底。

③ 综合实验：赛事指挥台

在这里，书中模拟了三条夜跑赛事现场消息（跑者扭伤 / 补水站缺杯 / T 恤领取咨询），并且每条问三个捆绑问题：事件类型（Choice）、处理时效（Score）、是否需要人工到场（Noul）。由 Python 逐条调用并按阈值分流得到了以下结果。

• runner_injury → 现场负责人 / 医疗人员（转人工）
• water_station → 补给组（优先处理）（转人工）
• shirt_pickup → 自动回复赛事 FAQ

三次调用耗时 0.28 / 0.26 / 0.34s。模型只用回答几个数，而后续的规则 "noul ≥ 0.7 就转人工"这条规则完全写在代码里，改阈值不用重跑模型、不用改提示词；像医疗类永远转人工这种不可妥协的规则，也必须留在确定性代码中。

所以回到我的疑问，为什么会有许多人选择 Jev 呢？

Jev 在有限选项的判断类任务上，它把答案做成了程序原生的契约化概率，是更适配代码的工程化选择：将规则留在代码里（易于维护），直接输出是字段与具体数字（免解析、省 token、低延迟），还自带可用于路由和抽检的不确定性度量。至于判断准不准，仍需在自己的业务数据上评测，更适配不同场景下的不同问题——它是工程师手里更趁手的"判断零件"，与 llm 分工与使用范围并不相同。

总的来说，Jev 把 LLM 的语义理解能力压缩成了程序可直接消费的"概率化判断接口"：模型管判断，代码管策略；问得原子、用得克制、高风险有兜底，是用好它的三个前提。

后续 Day 笔记直接在本贴持续更新~ 多多期待，感谢支持！