OpenRouter 集成 TypeSafe Jev：构建概率驱动的自动化审核系统
OpenRouter 近日发布了关于集成 TypeSafe Jev 模型的最新教程，旨在帮助开发者利用其强大的决策能力构建更智能的自动化系统。Jev 并非传统的生成式聊天模型，而是一个专注于输出类型化判断和校准概率的“系统一”（System One）决策模型。
核心架构：代码控制流程，模型负责判断
在典型的软件架构中，Jev 扮演着一个关键的“决策网关”角色。
- 代码层（System Two）：负责处理控制流、确定性规则和副作用。它首先执行“硬规则”检查（如图片数量、价格范围、文本长度），过滤掉明显违规的内容。
- Jev 层（System One）：接收经过预处理的结构化状态（State），针对预设的“问题集”（Questions）进行并行评估。它不生成自然语言，而是返回精确的概率分布。
这种分离确保了业务逻辑的严谨性，同时利用 AI 的语义理解能力处理复杂的语义判断。
关键技术特性
1. 三种核心问题类型
Jev 支持三种标准化的问题类型，每种类型都有明确的输出结构：
- Choice（选择题）：从用户定义的选项中选出最佳匹配。输出包含获胜选项、各选项概率及置信度（Confidence）。
- 亮点：置信度不仅反映获胜概率，更反映整个概率分布的集中程度，帮助开发者判断结果的确定性。
- noul（真值判断）：判断陈述是否为真。输出单一概率值，无需置信度计算。
- Score（评分）：将主体置于用户定义的有序等级上。输出加权平均分数、各等级概率及置信度。
2. 结构化输入与输出
- 输入（State）：支持字符串、JSON 对象或字符串数组。对于复杂对象，Jev 支持通过反引号引用的字段路径（Field Path）直接访问特定属性（如
listing.description）。 - 输出：纯数值或枚举值，无文本生成。这使得结果可以直接被代码进行阈值比较、路由分发或组合运算。
实战案例：商品上架审核流水线
教程以构建一个二手商品交易平台为例，演示了如何将 Jev 嵌入到发布流程中：
- 硬规则过滤：代码首先检查图片数量、价格区间等硬性指标，不合格直接拒绝。
- 状态构建：将卖家提交的标题、描述、分类及上传的照片元数据组装成 Jev 可理解的 JSON 状态。
- 并发判断：向 Jev 发起请求，同时提出 5 个关键问题，例如：
- 该商品是否属于禁止类目？
- 描述是否与标题矛盾？
- 是否包含要求私下交易的暗示？
- 描述是否准确反映了声明的条件？
- 是否遗漏了关键信息？
- 决策执行：根据 Jev 返回的概率分布，设定置信度阈值。若某项违规概率超过阈值且置信度高，则触发“保留（Hold）”或“拒绝（Reject）”机制。
开发者价值
- 可解释性：通过概率分布而非模糊的文本，开发者可以量化 AI 的不确定性，做出更理性的业务决策。
- 低延迟与高吞吐：作为决策模型，Jev 的响应速度快，适合高频的自动化审核场景。
- 无缝集成：通过 OpenRouter API，开发者只需几行 TypeScript 代码即可接入强大的决策能力。
“Jev 是一个决策模型，它接受非结构化输入，返回带有概率的 typed judgments，并将最终决策权交还给您的代码。” —— TypeSafe 团队
通过 OpenRouter 的集成，开发者无需重新训练模型即可利用 TypeSafe 的先进架构，快速构建具备自我审查能力的智能应用。
