10.3 选型对比与生态资源
10.3 选型对比与生态资源
本节摘要：全书收拢为一张选型决策表：条件机器可计算用规则/代码；判据稳定 + 有标注 + 超大量用小分类器；需要推理或顺路生成用 LLM；语义判断 + 无标注 + 高频 + 要概率 + 判据常变用 Jev——而最优解常是分层组合：规则先挡一道（免费）→ Jev 做语义判断 → 低置信或高风险升到 LLM/人工。生态资源地图：官方（typesafe.ai / docs / console，模型 jev-1.13.0、jev-latest、jev-preview）、SDK（Python typesafe-sdk、Node @typesafe-ai/sdk）、框架集成（LangChain、Vercel AI SDK、Claude 技能包）、社区项目（浏览器/交易/邮件分诊等演示与清单）；以及三个开放问题（独立复现少、早期访问限速动态、图像输入未至）。文末是全书的结语。
学习目标
阅读完本节，你应当能够：
- 用决策表为一个真实需求定方案，并敢于得出"不用 Jev"的结论。
- 设计"规则 → Jev → LLM/人工"的分层组合。
- 知道去哪找官方文档、SDK、集成与社区项目。
一、选型决策表
| 判断特征 | 首选 | 理由回顾 |
|---|---|---|
| 条件机器可计算（长度/格式/精确匹配） | 规则 / 代码 | 零成本零延迟零风险（第 1.3、8.2 节铁律） |
| 判据稳定 + 有标注数据 + 日请求千万级 | 小分类器 | 单次成本最低、完全可控（第 1.3 节） |
| 判断需要推理（多跳/计算/长文综合）或顺路要生成 | LLM | 系统二的活（第 2.2、2.3 节） |
| 语义判断 + 无标注 + 高频 + 要概率 + 判据常变 | Jev | 声明即用、校准概率、近零成本（全书主题） |
决策树版（第 10 章支柱页的 mermaid）：可枚举？→ 可计算？→ 高频要概率？——三问走完，方案自明。
组合往往优于单选——分层流水线：
输入 ├─ 第 1 层 规则/代码：白名单黑名单、格式校验、可计算条件 （免费，挡掉大头） ├─ 第 2 层 Jev：语义判断、路由、评分、护栏 （~100ms，近零成本） │ └─ 低置信(0.3~0.6 中间带) ──┐ └─ 第 3 层 LLM/人工：复杂推理、高风险终审、生成任务 （贵而强） ↑ 只有余下的硬骨头才到这一层 ──┘
这个结构的精髓：每一层只让"下一层才处理得了"的流量通过——第 1 层挡 60%、Jev 层自动处理 35%、真正昂贵的第 3 层只剩 5%。Jev 在其中的价值，正是把第 3 层的负载与成本压缩一个数量级。
二、生态资源地图
官方
| 资源 | 地址 |
|---|---|
| 官网 / 控制台（申请 Key） | typesafe.ai · console.typesafe.ai |
| 文档与快速开始 | docs.typesafe.ai · docs.typesafe.ai/introduction/quickstart |
| 发布博文 | typesafe.ai/blog/introducing-system-one-models-and-jev |
| 模型版本 | jev-1.13.0（钉版本用）；jev-latest（稳定别名）/ jev-preview（尝鲜） |
SDK 与集成
| 环境 | 安装 | 备注 |
|---|---|---|
| Node ≥ 20 | npm install @typesafe-ai/sdk |
noul/choice/score 构造器 + TS 类型推断（第 4.2 节） |
| Python ≥ 3.10 | pip install typesafe-sdk |
TypeSafeClient / AsyncTypeSafeClient（第 4.2 节） |
| LangChain | langchain-typesafe |
TypeSafeClassifier、ModelRouterMiddleware、AutoModeMiddleware（第 4.3 节） |
| Vercel AI SDK 7（≥7.0.105） | ai + @ai-sdk/typesafe-ai |
experimental_evaluate；Noul 在此叫 boolean（第 4.3 节） |
| Claude / Agent 技能 | claude plugin marketplace add typesafe-ai/skills |
或 npx skills add typesafe-ai/skills --skill typesafe-ai；技能仓库在 GitHub 组织 typesafe-ai |
社区与项目
- LangChain 官方博文的 harness 案例：模型路由、Auto Mode 工具护栏、Browserbase 浏览器智能体、交易智能体、邮件分诊；
- GitHub 上已有多个 Jev 项目清单 gist（金融/交易类、通用 awesome 列表），收录社区实践；
- 官方演示：Doom 自动机器人（~$7/小时，10 查询/秒）、Wikiracing、论文批量打标（$0.08/1018 篇）；
- 独立评测与解读：Flavio Copes（最详尽的 API 实测）、DataCamp、dev.to、aihubmix、mindstudio、cloudraft、tensorplay、aisignal、pearpages、Anthony Maio（Substack）。
三个开放问题（保持关注）
- 独立复现少：性能倍数均为厂商自报 workflow 评测上界，第三方系统复现仍在早期；
- 早期访问：限速动态调整（当前 250K tokens/s、1,200 req/min）、模型行为随版本演进；
- 模态边界：仅文本——官方口径图像输入"暂未支持（但已在路上）"。
三、全书结语
回看第 1 章的出发问题——"模型聊天超越人类多年，自动化在哪里？"Jev 给出的答案是：把判断做成快、便宜、带校准概率的原语，让每一个 if 都可以拥有理解语义的能力。
但本教程真正想留下的，是三件比 Jev 本身长寿的东西：
- 一个心智模型：判断题与生成题的分界（选牌不报牌）、系统一与系统二的分工——无论下一个"决策原语"叫什么名字，这个分界都在。
- 一套工程纪律：schema 设计准则、影子模式四步法、回归集循环、校准验证、代价化阈值——它们约束的是"语义判断进生产"这件事本身。
- 一种批判性姿势：分清保证的与不保证的、自报的与实测的——第 10.2 节那句话值得带走：它不能幻觉出新选项，但它可以自信地选错；而你的 schema 与回归集，就是治后者的药。
Jev 会迭代，API 会变动，倍数会被刷新——但"把判断变成可测试、可校准、可定价的工程组件"这条路，已经打开了。去吧，给你代码里的某个 if 装上直觉，然后，用第 9 章的方法盯住它。
本节要点回顾
- 选型：四方案决策表 + 三层组合（规则挡大头、Jev 判语义、LLM/人工接硬骨头）。
- 生态：官方/SDK/集成/社区资源清单（附录 B 有速查版）。
- 开放问题：独立复现、早期限速、模态边界——保持关注，自测为准。