TypeSafe 将 AI 智能拆分为可像编程原语一样使用的小单元：这些小型判断可以组合成更大的能力。其 System One 模型返回快速、聚焦的判断，软件可直接消费。Jev 是 TypeSafe 的旗舰产品，也是首个 System One 模型，它理解自然语言并返回类型化答案和概率，而不是生成文本或推理说明。代码负责工作流，模型在普通代码需要语义理解的地方提供可编程的常识。
用途
TypeSafe 适用于需要在软件中嵌入语义判断的场景。它不是用来生成文本，而是让模型回答“属于哪个选项”“条件是否成立”“程度如何”等结构化问题。开发者可以将这些判断作为构建块，组合出路由、选择、排序、评分、验证等能力。
主要能力
- Choice 原语：从定义好的集合中选择一个选项，其分布可用于比较竞争选项。
- Noul 原语：判断某个条件是否成立，返回“是”的概率；没有单独的置信度。当多个标签可能同时适用时，每个标签使用一个 Noul。
- Score 原语：沿描述的维度返回程度，给出在有序级别上的概率加权位置；对每个条目使用可比较的 Score 可进行分级排序。
- 支持将多个独立问题对同一状态并行提问，包括推测性问题；它们并行运行，彼此看不到对方的答案。
- 提供 HTTP API、Python SDK 和 JavaScript SDK，以及文档索引和 cookbook 示例。
使用方式
- 阅读实时文档：TypeSafe 实时文档是事实来源，包含当前概念、提示指南、API 契约、SDK 用法、模型、限制和示例。从文档索引开始，按需定向阅读，避免加载整个站点。
- 理解编程模型：先了解 System One 和构建指南。
- 设计判断：根据答案含义选择原语（Choice、Noul、Score），为每个问题提供足够的相关状态，将判断写入指令，在 criteria 中定义可能答案。每个问题只问一个狭窄、连贯的判断。
- 组合与验证：对同一状态并行提问独立问题；使用概率和置信度指导行为，阈值需在用户数据上评估；保持策略显式，原始判断可复用；测试代表性案例并检查失败原因。
- 编写 API 代码：阅读当前的 HTTP API、Python SDK 或 JavaScript SDK 页面。
- 更新旧集成：查阅 SDK 变更日志和已安装 SDK 的当前参考。
适用场景
- 路由与填充已知参数：请求可选择处理器及其类型化参数，提前询问有用的分支特定问题，只消费相关答案。
- 选择而非生成：在代码中找到候选值或源片段，用判断选出目标，然后复制或规范化。
- 查找并判断证据：检索候选，比较其与查询的相关性，选择有用上下文。
- 将判断转为可复用数据：对维度评分一次，让代码或用户控件改变权重、阈值、排名和视图；有标签结果时可成为经典机器学习特征。
- 验证与升级：针对证据检查特定声明或字段，将不确定或失败案例交给人工或推理模型。
- 响应变化状态：代码保留目标和观察，新鲜判断指导下一步有界行动；保持推断状态与观察事实分离。
限制
- 类型化输出保证接口，不保证真值；System One 模型为校准决策训练，需在目标领域验证其表现。
- Choice/Score 的置信度仅总结分布集中度，不代表整体工作流正确性或行动许可；Noul 接近 0.5 表示“是”与“否”概率相近，而非中等强度。
- 额外问题仍消耗 token，需测量实际请求预算、成本和端到端延迟。
- 若实时文档不可用，应使用本地文档或已安装 SDK 类型，并说明限制，避免编造版本相关细节。
- Web 应用中，API 凭证应保留在服务端。
- cookbook 阈值和演示结果仅作评估示例，不是通用规则或永久模型限制。