外贸询盘太多？用 Jev 帮你自动分类

这几天 AI 圈被一个叫 Jev 的东西刷屏了。它和 ChatGPT 不是一个物种——Jev 是 TypeSafe AI 在 2026 年 9 月发布的”判定模型”（System One Model），不聊天、不写文案，你喂材料 + 题目，它只返回结构化答案 + 概率。

我手上正好沉淀了 247 条真实外贸询盘。这篇文章不重复网上的泛教程，而是用这套真实样本作为测试池，带你搭一套可被代码直接消费的外贸询盘自动分拣流水线，并附上我整理的”30 条盲测法”帮你校准置信度。

真实性说明：本文的方法论、API 参数、定价与限制，均来自 TypeSafe 官方文档 与多家媒体实测报道（见文末「数据来源」），已交叉核验。我尚未以作者身份实际调用 Jev 跑完 247 条样本——下文为可照做的方案，建议你跑通后把真实命中率回填到本文或评论区。

什么是 Jev？先给一个准确的定义

Jev 是 TypeSafe AI 于 2026 年 9 月发布的”判定模型”（System One Model）。它不做文本生成：你传入一份 state（原始材料）和一组带类型的 questions（题目），它并行、隔离地对同一 state 评估每道题，直接返回结构化结果与概率分布，代码可据此分支、排序、路由。 官方原话：No text generation, no parsing。所谓 “zero hallucinations” 指的是输出被锁死在题型 schema 里，而不是说答案一定对。

几个硬参数（来源：TypeSafe 官方文档，2026-09）：

• 输入价：$0.042 / 百万 token（=$42 / 十亿 token），输出免费
• 延迟：端到端 70–500ms
• 接入：Waitlist early access，控制台 console.typesafe.ai
• 模型名：jev-latest（调阈值建议 pin 到具体版本，如 jev-1.13.0，避免 jev-latest 更新后答案漂移）
• 官方 SDK：Python pip install typesafe-sdk（3.10+）、JavaScript @typesafe-ai/sdk

速度 / 成本基准（来源：BrieflyGlobal / LUMIENAI，均为 TypeSafe 自家 eval，独立基准尚未见）：官方称相对 GPT-5.6 Terra 约 193.6x 更快、444.6x 更便宜；演示用例 0.114s / $0.000081 vs 8.566s / $0.013880。数字很猛，但属厂商自测，落地请以你的样本实测为准。

Jev vs ChatGPT vs 规则脚本：别再搞混

下面把三者的能力差异用雷达图直观对比（评分为定性 1–5 分，仅用于可视化）。

一句话总结：关键词能解决的事别换它；需要”写”的事它干不了；卡在”既要懂语义、又要稳定可控”的中间地带，才是 Jev 的主场。

外贸人为什么该盯 Jev：3 个高频”判定”场景

1. 询盘分类（Choice）：产品咨询 / 价格索取 / 样品请求 / 投诉 / 垃圾，一键打标（Choice 支持最多 255 个选项）。
2. 紧急度判定（Noul）：这封要不要现在回？返回 0~1 概率。
3. 购买意向评分（Score）：按有序等级给意向打分，给销售排优先级。

这三类恰好是外贸日常里”答案集合事先想得清、但人工做又累又慢”的典型。

上手：从 Waitlist 到第一次跑通

1. 打开 typesafe.ai 加入 Waitlist，申请时写清具体用途更容易过。
2. 登录 console.typesafe.ai，文档在 docs.typesafe.ai。
3. Playground 里贴 State、写 Questions、点 Run 即可看到结果。
4. 接 API，下面是一份可直接改的外贸用例骨架（也可改用官方 SDK）：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

{
  "model": "jev-latest",
  "state": "客户原邮件：We need 5000 pcs of custom metal brackets, EXW price please, urgent for Q4 launch.",
  "questions": {
    "is_urgent": { "type": "Noul", "question": "Is this inquiry time-sensitive?" },
    "category": {
      "type": "Choice",
      "question": "Which category?",
      "options": ["product", "pricing", "sample", "complaint", "spam"]
    },
    "intent_score": {
      "type": "Score",
      "question": "Purchase intent level?",
      "criteria": ["just browsing", "researching", "comparing", "ready to buy", "urgent buy"]
    }
  }
}

注：部分教程用大写 Noul/Choice/Score，但官方原始 HTTP 示例用全小写 noul/choice/score；字段大小写以 API 文档（Primitives） 为准。

下面是一段示意返回（字段结构来自官方文档，answers 下每个题返回类型化结果与 confidence；数值为示例，非真实跑通）：

1
2
3
4
5
6
7
8
9
10
11

{
  "answers": {
    "is_urgent": { "noul": 0.91, "confidence": 0.88 },
    "category": {
      "choice": "pricing",
      "probabilities": { "product": 0.04, "pricing": 0.82, "sample": 0.06, "complaint": 0.02, "spam": 0.06 },
      "confidence": 0.80
    },
    "intent_score": { "score": 4, "confidence": 0.77 }
  }
}

返回里 answers 会按上面每个键名给”选中项 + 概率”。把 Key 放环境变量 TYPESAFE_API_KEY，请求头带 Authorization: Bearer $KEY，POST 到 https://api.typesafe.ai/v1/systemone 即可（详见 API 文档）。

置信度校准：别第一天就自动退款

confidence 来自概率分布的形状，不只是赢家概率。官方示例：billing 以 0.84 胜出，但 confidence 仅 0.596，因为 technical 还占 0.159——这就是”看着像，但其实没那么笃定”。路由建议（来源：Confidence 文档）：

• 高 confidence：可自动执行（如归类、打标签）
• 中：交大模型或直接人工
• 低：转人工

阈值要按”答错的成本”来定，不要拍脑袋。我的 30 条盲测法：取 30 条历史询盘，人工先标答案，再让 Jev 跑，画表对比（原始文本 / 人工标 / Jev 选 / confidence），切高、低两刀看错误率。前 1–2 周不要拿低置信度动作直接碰钱（自动退款、自动发合同）。

落地到你的独立站：双轨并行一周

别新搭中台。从你已有的”if 判断”下手：旧规则 + Jev 并行跑一周，两边都记日志，对比 Jev 高把握部分是否和人工一致，再把高把握段切过去。这样出问题能立刻回滚。

成本与限制（来自官方”jaggedness”页，实话实说）

• 便宜：输入 $0.042/百万 token，对询盘文本体量是”几乎免费”。
• 只吃文本：图片 / 语音先转文字。
• 真实限制（来源：TypeSafe jaggedness 文档）：
  1. 字面理解：否定词、范围词、隐含条件都按字面答，写错题它照字面来。
  2. 不会算数：计数不可靠，计数放代码里，每项是 Noul。
  3. 日期是文本：先后 / 区间不可靠，用 Choice 枚举再在代码里排序。
  4. context rot：state 塞无关材料越多越准下降 → 先在代码里过滤，只传相关字段。
  5. state 非敌对输入：把用户可控内容放进 state 有注入风险，要测。
  6. 不生成任何东西：要抽自由文本，先 regex / 生成模型取候选，再让 Jev 选。

结语

Jev 不是来抢谁的饭碗，它是把你从”重复分拣”里解放出来的零件。用你手上的 247 条真实询盘作测试池，照上面的方案跑通，先把高把握部分自动化，每天省下的时间够多回 20 封真正高意向的邮件。

如果你也在用 AI 跑外贸独立站，欢迎看我的 AI 写外贸 B2B 文章高效工作流（相关阅读），以及 用 GenAI 构建持续流量的内容引擎——判定模型只是其中一环，真正的增长来自”内容 + 自动化”的组合。也欢迎在评论区告诉我：你最想让 Jev 帮你分拣什么？

数据来源（GEO 可溯源引用）

• TypeSafe AI 官网：https://typesafe.ai/
• 官方文档 Introduction：https://docs.typesafe.ai/introduction
• 官方文档 Confidence：https://docs.typesafe.ai/confidence
• 官方文档 Patterns / 限制：https://docs.typesafe.ai/patterns
• BrieflyGlobal 报道（定价与基准）：https://brieflyglobal.com/ai/typesafe-ai-releases-jev-typed-decision-model
• DataCamp 报道（对比与限制）：https://datacamp.com/blog/system-one-models-jev
• LUMIENAI 报道（早期用例）：https://lumienai.com/news/typesafe-ai-jev-system-one-model-typed-decisions