TypeSafe AI Skill：让 Coding Agent 自己接入 Jev 决策模型

Skill超级捕获手 技术创作者 2026-09-24 12 阅读

刚刚刷屏 X/Twitter 的 TypeSafe AI 在 9 月 15 日正式开放 System One 决策模型 Jev，紧跟着 9 月 17 日就把配套的官方 Skill 推到 GitHub。Jev 不写文本，只输出带概率的结构化判定（Choice / Score / Noul 三种问题原语），号称比前沿聊天模型最快快约 194 倍、成本仅 1/445。这套 Skill 把 Jev 的 API、SDK、路由/分流/打分模式教给 Claude Code / Codex / Cursor 等编程 Agent，让”AI 帮你写 AI 决策代码”成为默认动作——两周内累计 1,800+ Star、登顶 skills-rank #2141、Smithery 与 SkillsLLM 多市场同步上架，是 9 月下旬绝对不能错过的”新晋爆款”。

功能与原则

核心能力：把任何 Coding Agent（Claude Code、Codex、OpenCode、Cursor、Copilot 等）变成”懂 Jev 的工程师”——自动按 schema 拼装 Choice / Score / Noul 问题、按置信度阈值做自动执行 / 转人工 / 二次复核的 if-else 分流，并生成 TypeScript / Python SDK 客户端代码。Skill 内部硬编码了三种问题原语的设计范式、路由/分流/评分/提取/验证五大场景模板，以及官方 docs.typesafe.ai 的”现读现用”工作流——Agent 一边写代码一边查文档，避免凭印象猜 API。

设计原则：Decisions, not strings。Jev 拒绝生成自然语言推理过程，只返回固定 schema 的答案与校准概率，让代码可以像读 JSON 一样读模型输出。这套 Skill 的存在意义，就是让 Agent 写出的代码天然符合这套契约，而不是把聊天模型当分类器用、再写正则解析。

认可度

  • GitHub Stars：约 1,805（截至 2026-09-22）
  • 安装量：8.8K（skills-rank 截至 2026-09-23）
  • 市场覆盖：SkillsLLM、Smithery、Skills-Rank #2141、OpenRouter (~typesafe/jev-latest)
  • 社媒讨论：X/Twitter 9-17 起连续刷屏，@ctatedev / @OpenRouter / @dabit3 / @iannuttall 等技术 KOL 轮番推荐；中文圈 CSDN / 腾讯云 / 央广网均做专题报道
  • 趋势评级：GitHub 当周新建 5 天内即进入 skills-rank 前 3000，属”刚开源即爆”型项目
  • 配套商业化：TypeSafe AI 获 DCVC 4000 万美元种子轮（估值约 2 亿美元），创始人 Diogo Almeida 是前 OpenAI 研究员、InstructGPT / RLHF 共同发明人

链接

  • GitHub: https://github.com/typesafe-ai/skills
  • 官方文档: https://docs.typesafe.ai/agent-skill
  • SKILL.md 原文: https://raw.githubusercontent.com/typesafe-ai/skills/main/skills/typesafe-ai/SKILL.md

原作者

TypeSafe AI 团队。创始人 Diogo Almeida——前 OpenAI 研究员、InstructGPT 论文作者之一、RLHF 人类反馈强化学习的共同发明人，2026 年 9 月创办 TypeSafe AI 并发布 System One 决策模型 Jev；联合创始人 Erik Gafni、Sasha Sheng。Jev 之名取自 19 世纪经济学家 William Stanley Jevons（杰文斯），暗合”杰文斯悖论”：智能成本暴跌会带来智能用量暴涨。

介绍

Jev 是一种只输出决策、不写文本的 AI 模型——给定 state（任意文本/JSON）和一组带类型的问题，它在前向一次同时评估所有问题，直接返回 Choice 选项概率分布、Score 加权等级值或 Noul 是/否概率，端到端延迟 70-500 毫秒、单次成本约 0.0004 美元。官方基准比前沿聊天模型快约 194 倍、成本低约 1/445，专门解决”客服工单路由、文档打标、评分校准、工具调用选择、越狱内容筛查、抽取结果复核”这一类 Agent 流水线里的高频原子决策。

这套 typesafe-ai/skills 仓库是 Jev 的官方 Agent 接入层。它以 SKILL.md 形式给 Claude Code / Codex / Cursor 等 agent 注入三层知识：(1) 三种问题原语的精确语义与 schema；(2) 路由 / 分流 / 评分 / 提取 / 条件分支 / 验证 / 实时应用七大场景的参考实现；(3) docs.typesafe.ai 的”现读现用”读取规则，避免过期文档误导。安装后，Agent 不再需要你复制粘贴 SDK 文档——只要你一句”用 TypeSafe 给客服工单做部门路由，置信度低于 0.7 转人工”，它自己出代码、自己选 Noul 还是 Choice、自己定阈值。

特点

  • 三原语 schema 完整：Choice（最多 255 个预设选项 + 概率分布）、Score（有序量表 + 加权等级值）、Noul（0-1 是/否值），单一请求可混合三种问题并并行评估
  • 校准概率：官方训练目标 RLCD（Reinforcement Learning for Calibrated Decisions）让 0.9 的置信度真的对应 90% 准确率，可直接驱动自动化阈值
  • Agent 友好：官方同时支持 claude plugin marketplace 与 npx skills add 两条安装路径，覆盖 Claude Code / Codex / Cursor / OpenCode / Hermes 等主流 harness
  • 官方文档现读现用：Skill 内置 docs.typesafe.ai 实时读取规则，避免 SDK 升级后 Agent 还停留在旧 API 上
  • MIT 许可 + 多端 SDK：Python 与 TypeScript / JavaScript 双 SDK 完整，0% 格式错误只保证 schema 合规，正确性仍需自有数据校准

使用方法

Claude Code 安装（一行两步）：

claude plugin marketplace add typesafe-ai/skills
claude plugin install typesafe@typesafe-ai

Codex / Cursor / 其他 Agent 安装：

npx skills add typesafe-ai/skills --skill typesafe-ai
# 加 -g 全局安装

配 API Key（注册 typesafe.ai 即送 $5 测试额度）：

export TYPESAFE_API_KEY="ts-xxxxxxxx"

最小示例——让 Agent 帮你接入：

Use the TypeSafe skill. Route incoming support tickets by department
(billing/technical/account), with human review for confidence < 0.7.

Agent 会自动按 schema 生成 Python 或 TypeScript 客户端代码、配置 confidence 阈值、把读到的 docs 类型契约写进项目里。

直接调用示例（Python）：

from typesafe_sdk import TypeSafeClient, Noul, Choice
client = TypeSafeClient()  # 自动读 TYPESAFE_API_KEY
r = client.system_one(
    state="用户：我的订单 #A1234 扣了两次款，请尽快退款",
    questions={
        "is_refund":   Noul(instructions="客户是否明确申请退款"),
        "department":  Choice(options=["billing", "technical", "account"]),
        "anger":       Score(scale=["calm", "frustrated", "very angry"]),
    },
)
# r.is_refund.p, r.department.choice, r.department.probs, r.anger.score

使用场景与人群

  • 客服工单路由 / 分诊：高并发把邮件/工单分到 billing / tech / account，低置信度直接转人工
  • 文档分类打标：合同、政策文件批量按口径分类，AI 抽取字段后用 Jev 做类型化复核
  • 评分校准：商品评价、客户 NPS、用户反馈按有序量表打分，结果稳定可解释
  • Agent 工具选择校验：在 Agent 调用工具前用 Jev 判断该不该调、调哪个，避免聊天模型选错工具
  • 越狱 / 违规内容筛查：实时过滤 X 信息流每条推文的”是不是提问 / 推广 / 情绪煽动”
  • 适合人群：在 Claude Code / Codex 里写 AI Agent 的工程师、做 RAG / 客服 / 内容平台的独立开发者、需要为高频决策降本提速的 AI 产品团队

输入与输出案例

案例 1：客服工单分流
– input：state="客户：我刚下单 #A-9821 但信用卡被扣了两次，请赶紧退款！"，questions={is_refund: Noul(...), department: Choice(["billing","technical","account"])}
– output：{"is_refund": {"p": 0.97, "conf": null}, "department": {"choice": "billing", "probs": {"billing":0.94,"technical":0.04,"account":0.02}}}
– 代码侧动作：if is_refund.p>0.9 and department.choice=="billing": execute_refund()

案例 2：实时 X 信息流过滤
– input：state=tweet 文本，questions={is_real_question: Noul, intent: Choice(["question","hot_take","promo","emotional","spam"])}
– output：每条推文获得 5 个决策分数，单条成本约 $0.0004；同批次用聊天模型需 20 秒，Jev 仅 2.3 秒（官方演示）
– 代码侧动作：客户端轮询中实时打分，按分数阈值折叠低质内容；前端只渲染 confident>0.8 的”真提问”

案例 3：会议记录 Agent 实时决策
– input：会议转写文本片段
– questions：is_addressing_assistant、has_finished_speaking、requests_action
– output：三种 Noul 概率组合，决定 Agent 该立即响应 / 等待 / 写入待办

整条链路跳过了聊天模型冗长的 chain-of-thought，直接拿可执行的结构化判定——这是 9 月下旬 Agent 工程层最值得收藏的”快慢分工”范式之一。

GitHub: https://github.com/typesafe-ai/skills

评论区

0 条评论

登录后可评论。

Skill超级捕获手 12 阅读