ARTICLE · 1056938
Jev 全网刷屏,但你的 AI 助手还不会用它|我开源了一个自部署网关
这两天，AI 圈被一个"不说人话"的模型刷屏了。
它叫 Jev，出自 TypeSafe AI——创始人 Diogo Almeida 是前 OpenAI 研究员、ChatGPT 的共同发明人之一。你不能跟它聊天，不能让它写文章，问它"这封邮件紧急吗"，它连一句完整的话都懒得说，只回你一段 JSON：
{ "is_urgent": { "noul": 0.95 } }翻译过来就是：是，95% 的把握。
按照 TypeSafe 官方自测的数据，这东西响应只要 70–500 毫秒（传统大模型是 3–329 秒，最快差了近 200 倍），输入价格 $0.042 / 百万 token，输出免费，结构化输出错误率 0%。
Playground 里玩两把，谁都会说一句真香。但问题来了——怎么让你每天干活用的 Codex、Claude Code，在真实工作流里自动用上它？
这篇文章先花两分钟讲清 Jev 为什么火，再给你一个我刚开源的答案：一个跑在 Cloudflare Workers 上、部署一次所有客户端共用的自部署 MCP 网关。
一分钟搞懂 Jev：AI 里的"系统一"
这个概念来自诺奖得主卡尼曼的《思考，快与慢》：大脑里有两套系统，系统一负责直觉快判断（一眼看出对方在生气），系统二负责深度推理（心算 17 × 24）。ChatGPT、Claude 们一直都在干系统二的活——一个字一个字地"写"答案；而 Jev 是第一个把系统一做成产品的模型：不写字，直接输出判断结果的概率分布。
它只会三种题，官方叫"AI 原语"：
Noul · 判断题——是或否，返回 0–1 的概率。代码里 if (noul > 0.8) 自动处理 就能直接跑。
Choice · 选择题——从你给的选项里选一个，还告诉你每个选项的概率分布，最多 255 个选项。
Score · 打分题——在你定义的 2–10 个等级上打分，分数可以落在两个等级之间。
因为底层是并行采样而不是逐字生成，一次请求里问 1 个问题和问 10 个问题，速度几乎没差别；又因为用了 RLCD 校准训练，它说"九成把握"，在海量预测里就真的有约 90% 是对的——这个概率可以直接拿去驱动自动化。
所以官方给它的定位是一句很妙的话：一个智能的 if 语句。工单消息分类、Agent 每一步该调哪个工具、内容审核风控、给贵的大模型输出做质检，甚至实时玩游戏，全是它的战场。社区有人拿它给 1018 篇论文分类，只花了 0.08 美元。
爽完之后，缺一个"变速箱"
Jev 的接入方式官方给了三种：Playground、API/SDK、第三方平台，另外还有一个官方 Skill 能装进 AI 编程工具。但真在日常工作里用起来，会撞上几个很现实的工程问题：
· 官方 Skill 默认装在当前项目下，换个项目就得重来；
· API Key 要配进每一个客户端的环境变量，Key 散落在各种本地环境里；
· 多个 Key 想轮着用、想看每个 Key 烧了多少 token，全得自己搭；
· Agent 失败后自动重试，还可能让你重复扣费。
Jev 是发动机，但你还缺一个变速箱和离合器——一个统一的网关：Key 收在服务器上、所有客户端连同一个地址、判断能力封装成标准 MCP 工具开箱即用。
所以我把自己跑了一段时间的网关开源了：jev-mcp-open-source，MIT 协议，部署在 Cloudflare Workers 上，免费额度内基本零成本。
开源地址（含中英双语文档）：github.com/baize7815/jev-mcp-open-source
四个工具，把三种原语变成工作流
网关在标准 MCP 协议下暴露四个工具，AI 助手在该判断的节点直接调用，拿到结构化结果就继续干活，不写一句废话：
① route_intent · 意图路由（Choice）
"把那个整理一下"指的是哪份文件？该搜本地、搜知识库还是直接回答？它在多个路径之间做选择并给出置信度；拿不准时明确返回 needs_review，绝不硬猜。
② rerank_candidates · 检索重排（Score）
文件或知识库搜回来 10 条结果，它按语义相关性逐条打 0–1 分排序，助手只读排在前面的原文，不用把十条全塞进上下文烧 token。
③ batch_judge · 批量判断（三种原语）
同一组判断题批量套到多条记录上——给工单分部门、判断是否紧急、情绪打几分，一次搞定。每条独立评估，失败互相隔离。
④ system_one · 原始直通
前三个覆盖不了的自定义判断，直接传 state 和 questions 给 System One，等价于原生 API。
Key 不出服务器，是这个网关最重要的设计
加密存储。TypeSafe API Key 用 AES-GCM 加密后存在 Cloudflare D1 数据库，管理台只显示后四位。任何 MCP 客户端连上来都不需要持有 Key——你的助手进程里没有明文密钥。
多 Key 轮询、用量可查。启用的 Key 按游标轮询，每个 Key 的调用次数、错误数、输入输出 token 逐 Key 统计，内置 /admin 后台直接看。
失败不重试。请求失败绝不自动重发，从根上避免重复扣费；批量任务里失败的条目标记为"未判断"，而不是被当成"无关"悄悄丢掉。
边界清晰。每批最多 10 条、总输入 128 KB、服务端并发 3。所有判断都只是建议、不构成授权——你说"先看看原因别改代码"，它不会把讨论变成修改。
AI 助手 (Codex / MCP 客户端) │ JSON-RPC over HTTP ▼ Cloudflare Worker ──► D1：AES-GCM 加密的 API Key（轮询） │ │ Authorization: Bearer <轮换中的 Key> ▼ api.typesafe.ai / v1 / systemone (jev-latest)六步部署，十分钟跑起来
需要 Node.js 24.11+、一个 Cloudflare 账号和你自己的 TypeSafe API Key：
npm ci cp wrangler.example.jsonc wrangler.jsonc # 填入自己的 database_id npx wrangler login npx wrangler d1 create jev-mcp npx wrangler d1 migrations apply jev-mcp --remote npx wrangler secret put ADMIN_TOKEN npx wrangler secret put KEY_ENCRYPTION_SECRET # 64 位 hex npm run deploy部署后打开 Worker 的 /admin 添加 TypeSafe Key，再把 /mcp 地址配进任意 MCP 客户端即可——Codex、Claude Desktop、Cursor，一次部署，全部通用。
还附赠一个会"主动用 Jev"的 Codex Skill
仓库自带 skills/jev-workflows，复制到 ~/.codex/skills/ 就能用。它不是拦截每条消息的 Hook，只在三个决策点主动触发：意图有歧义时、检索回来要排序时、多条记录要批量分类时。工具不可用会如实说明，继续独立完成工作。
源码、数据库迁移、管理台、Skill、测试全部在仓库里，README 有完整的中英文部署文档和四个工具的调用示例。
Jev 负责判断，剩下的交给这个网关
趁这波系统一模型的热潮，给你的 AI 助手装上"直觉"
查看 GitHub 仓库Copyright © 2026 baize7815 · MIT License