什么是Jev?10分钟教你如何给Claude Code和Codex装上Jev实用指南

平时做技术实践时，很多问题不是概念不会，而是细节没串起来。拿“什么是Jev?10分钟教你如何给Claude Code和Codex装上J……”来说，它看着像小点，放到项目里常会牵出环境、配置、兼容性和维护成本。下面按实际采用顺序，把思路、关键写法和容易踩坑的地方讲清楚，便于大家直接对照操作。

先说清楚：Jev 是干什么的

在这个场景下，Jev（TypeSafe 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。

从实现思路看，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

在这个场景下，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 页面新建密钥：

https://console.typesafe.ai/keys

Key 只在新建时完整展示一次，当场存好。别粘进脚本或设置文件，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 ~/.bashrc
export TYPESAFE_API_KEY="你的密钥"

# Windows PowerShell（当前会话）
$env:TYPESAFE_API_KEY = "你的密钥"

理解这一步时，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。 理解这一步时，这一条直接决定了它的最佳用法——你能够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」为单位标注落到代码里，，横向换算下来，比同类模型便宜 40～400 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。只兼容文本输入，图片、音频、视频一律不认。

结合项目来看，最后这条限制需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，确认自己理解了得到结构

理解这一步时，在接入任何 Agent 之前，强烈建议先用 curl 手动打一次。原因很轻松——只有看过原始得到，你才知道后面 Skill 到底帮你封装掉了什么。

curl -X POST https://api.typesafe.ai/v1/systemone 
  -H "Authorization: Bearer $TYPESAFE_API_KEY" 
  -H "Content-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

得到长这样：

拆开看，这个请求体的设计思路其实很清楚：

得到里的 "noul": 0.82 是个置信度数值结合项目来看，，而不是轻松的 true/false。这一点在工程化的时候很有用：你能够自己设阈值，比如 0.9 以上才自动执行，0.6～0.9 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能够忽略不计。

第四步：装 Skill，把 API 细节交给官方封装

理解这一步时，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

理解这一步时，这个 Skill 本身不是轻松的 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）
• 建议的架构模式，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

在这个场景下，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」。这个差别在实际采用中很明显。

落到代码里，Skill 同时适用来 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 marketplace add typesafe-ai/skills
claude plugin install typesafe@typesafe-ai

落到代码里，执行过程会自动 clone 仓库、校验市场设置、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 skills add typesafe-ai/skills --skill typesafe-ai

实际处理时，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，不需挨个装。

第五步：真正用起来——两个有代表性的场景

理解这一步时，Skill 的触发方式和普通 Skill 一致：既能够自然语言说「用 TypeSafe 技能帮我判断……」，也能够直接敲斜杠命令 /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」。

落到代码里，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。

在这个场景下，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。

能够看到它的执行路径：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，随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。

最后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?从实现思路看，，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」，同时附上了原因：

• 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实际处理时，。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

在这个场景下，Codex 这边同样是 Skill 化调用，输入 /Typesafe 就会自动补全：

理解这一步时，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 typesafe@typesafe-ai

在这个场景下，更新完同样需重启 Claude Code 或执行 /reload-plugins。

在这个场景下，嫌麻烦的话能够开自动更新：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： 结合项目来看，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。这也是不建议手动安装的原因。

偷懒方案：一段提示词让 Agent 自己装

在这个场景下，若你懒得判断当前用的是哪个工具、该走哪条命令，能够把下面这段直接丢给任意兼容 Skills 的 Agent，让它自己识别环境同时完成安装：

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 typesafe@typesafe-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（得到置信度，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。 实际处理时，得到的是 0～1 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结合项目来看，。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。

理解这一步时，总的来说，Jev是什么适合结合实际项目边做边理解。先抓住核心思路，再逐步补上细节和边界处理，最后效果会更稳定，也更容易复用。