Einführung

Jev ist das erste System One-Modell von TypeSafe. Sende Zustand und typisierte Fragen; erhalte strukturierte Antworten für deinen Code.

Große Sprachmodelle (LLMs) sind darauf ausgelegt, Text für Menschen zu erzeugen. Wenn du von einem Modell ein Urteil brauchst, das dein Code verwertet, entsteht eine Diskrepanz: Du zwingst ein Textgenerierungssystem, strukturierte Entscheidungen auszugeben, und parst die Ergebnisse dann zurück in etwas, worauf dein Code bauen kann.

Jev ist das Flaggschiffmodell von TypeSafe und das erste System One-Modell. System One-Modelle sind darauf ausgelegt, schnelle, strukturierte Entscheidungen zu treffen, die Software direkt nutzen kann. Jev wertet typisierte Fragen gegen einen Zustand aus und gibt strukturierte Ergebnisse direkt zurück. Keine Textgenerierung, kein Parsen. Du bekommst typisierte Werte und Wahrscheinlichkeitsverteilungen, auf die dein Code verzweigen, sortieren und routen kann. Choice und Score geben außerdem Konfidenz zurück, mit der dein Code entscheiden kann, ob und wie er auf eine Antwort reagiert.

%%{init: {"fontFamily": "Inter, sans-serif", "flowchart": {"rankSpacing": 35, "wrappingWidth": 300, "subGraphTitleMargin": {"top": 12, "bottom": 12}}}}%%
flowchart LR
    input["state + questions"]

    subgraph model["TypeSafe AI model"]
        evaluate["evaluate each question<br/>against the state<br/>in parallel"]
    end

    input -- "one request" --> model
    model -- "one response" --> answers["typed answers<br/>+ probabilities<br/>+ confidence<br/>(Choice and Score)"]
    answers --> code["<b>your code</b><br/>branch, sort, and route"]

TypeSafe-Primitive

TypeSafe stellt drei KI-Primitive bereit. Ähnlich wie Software-Primitive sind unsere KI-Primitive modular, kombinierbar, strukturiert, zuverlässig und schnell. Jedes stellt einen anderen Typ von Frage und gibt einen anderen Typ von Antwort zurück.

Alle drei Fragetypen können in einem einzigen API-Aufruf gemischt werden. Jede Frage wird parallel und isoliert gegen denselben Zustand in einem Durchgang ausgewertet. Das Hinzufügen von Fragen ändert die Antwortzeit kaum. Jede Frage wird unabhängig ausgewertet, sodass mehr Fragen keinen Kontextverfall erzeugen.

Atomare Fragen, im Code zusammengesetzt

System One-Modelle arbeiten am besten, wenn jede Frage eine einzelne, klar abgegrenzte Sache fragt. Stell dir jede Frage als eine Bauchgefühl-Entscheidung vor: die Art von Urteil, die eine sehr kundige Person in wenigen Sekunden mit dem richtigen Kontext fällen könnte.

Wenn die Frage, die du stellen willst, ausgedehntes Nachdenken erfordern oder mehrere unabhängige Faktoren abwägen würde, zerlege sie. Stelle jeden Faktor als eigene Frage und kombiniere die Ergebnisse dann mit Logik in deinem Code. So bleibt jede einzelne Auswertung zuverlässig und du behältst die volle Kontrolle darüber, wie die Dimensionen gewichtet werden.

Zum Beispiel: Frage statt „bewerte diesen Startup-Pitch“ separat nach Marktgröße, technischer Machbarkeit und Differenzierung. Kombiniere die Scores mit deiner eigenen Formel. Wenn sich die Prioritäten verschieben, ändere einen Koeffizienten in deinem Code, statt einen Prompt neu zu schreiben.

Nächste Schritte

• Schnellstart — Alles, was du brauchst, um sofort loszulegen.
• KI-Grundlagen — Warum TypeSafe Modelle für kalibrierte Entscheidungen statt für generierten Text trainiert.
• Primitive (Fragen) — Wie du Fragen definierst, zwischen Choice, Score und Noul wählst und mehrere auf einmal stellst.
• Konfidenz — Wie TypeSafe Gewissheit meldet und wie du sie architektonisch einsetzt.
• Muster — Häufige Muster für den Bau von Systemen mit TypeSafe.