APIMaster.ai
返回博客
APIMaster 博客

如何通过 APIMaster 使用 Jev API

了解如何通过 APIMaster 使用 Jev。通过原生 System One 端点向 jev-latest 发送类型化问题，检查概率，并将结果连接到你的应用程序，而无需将 Jev 当作聊天模型使用。

Jev APIHow to use JevTypeSafeSystem OneAI API integrationAI API pricingAPIMaster

发布于 2026-09-21

官方价格对比： 每 100 万输入 token -e.042 的实时价格与 TypeSafe 公布价格相同（没有加价）。

GPT 体验卡（GPT-6 Astra、GPT-5.6、GPT-5.5和GPT Image 2 可用）

现在注册，领取 $20 GPT 体验卡

立即领取

快速解答

你今天就可以通过 APIMaster 调用 Jev。 创建一个 APIMaster API 密钥，向 https://apimaster.ai/v1/systemone 发送 POST 请求，将 model 设为 jev-latest，并提供 state 以及一个或多个类型化的 questions。Jev 会返回结构化的决策和概率；它不是聊天模型，也不会返回助手消息。

APIMaster 当前可用性，检查于 2026 年 9 月 21 日：

  • 模型 ID： jev-latest（当前实际路由解析为 Jev 1.13）
  • 端点： POST https://apimaster.ai/v1/systemone
  • 价格： 每 100 万输入 token $0.042；输出为 $0
  • 在售路由： 1 条活跃路由
  • 输入： state 中的文本、JSON 对象或数组
  • 输出： 类型化的 Choice、Score 或 Noul 答案，附带概率和置信度

Jev 市场卡片是实时价格和可用性的权威来源。APIMaster 的 Jev API 文章详细解释了该模型及其限制；本页面聚焦于最短的可用集成方案。

Jev 能做什么

Jev 是 TypeSafe System One 系列中的一款决策模型。当你的应用程序需要对某事物进行分类、排序、验证或路由，并且答案应符合你预先定义的 schema 时，它非常有用。

你无需请求自由格式文本，而是在 questions 中描述这些决策：

  • Noul： 带有概率的 yes/no 判断
  • Choice： 从列表中选出一个选项，并附带各选项的概率
  • Score： 根据你定义的等级进行评分

这使得 Jev 非常适合审核门禁、意图分类、浏览器操作、路由、提取和 agent 检查。将算术、日期、计数和文本生成保留在应用程序代码或生成式模型中。Jev 负责决策；另一个组件可以撰写响应。

通过 APIMaster 调用 Jev

1. 创建 APIMaster 密钥

在 APIMaster 创建账户，添加按量付费额度，并在 API Keys 中创建一个密钥。将该密钥存储为环境变量：

export APIMASTER_API_KEY="your_api_key"

2. 发送第一个请求

APIMaster 的 Jev 路由保留了 Jev 原生的 System One 请求结构。不要发送 messages、prompt 或 OpenAI chat-completions 载荷。

curl -X POST "https://apimaster.ai/v1/systemone" \
  -H "Authorization: Bearer $APIMASTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "jev-latest",
    "state": "A user says: I was charged twice for the same order.",
    "questions": {
      "intent": {
        "type": "choice",
        "criteria": {
          "billing_issue": "Charges, refunds, invoices, or payments.",
          "technical_issue": "Bugs, outages, or integration problems.",
          "general_question": "All other general support questions."
        },
        "instructions": "Choose the user's primary support intent."
      },
      "needs_human": {
        "type": "noul",
        "instructions": "Should a human support agent review this case?"
      }
    }
  }'

响应会针对每个问题包含一个答案，其中包括所选值和概率数据。在执行不可逆操作之前，在代码中使用阈值。例如，只有当 intent 置信度高于你团队已验证的阈值时，才路由到自动流程。

3. 在 Python 中使用响应

import os
import requests

response = requests.post(
    "https://apimaster.ai/systemone",
    headers={
        "Authorization": f"Bearer {os.environ['APIMASTER_API_KEY']}",
        "Content-Type": "application/json",
    },
    json={
        "model": "jev-latest",
        "state": {"message": "The checkout page crashes after I upload a receipt."},
        "questions": {
            "category": {
                "type": "choice",
                "criteria": {
                    "bug": "A technical fault or product error.",
                    "billing": "A charge, refund, invoice, or payment issue.",
                    "account": "Account access, identity, or settings."
                },
                "instructions": "Classify the support request.",
            },
            "urgent": {
                "type": "noul",
                "instructions": "Does the request require urgent handling?",
            },
        },
    },
    timeout=30,
)
response.raise_for_status()
result = response.json()
print(result)

同一个 APIMaster 密钥既可用于 Jev，也可用于你的应用程序在决策后调用的生成式模型。这对于两步流程很有用：先让 Jev 进行分类或路由，然后只将选中的案例发送给文本模型。

一种实用的路由模式

Jev 作为生成式模型周围的控制层最为有用。典型的请求流程是：

  1. 将相关用户输入或文档字段放入 state。
  2. 在单个请求中提出多个小问题，而不是每个问题发一个请求。
  3. 在应用程序代码中检查返回的概率。
  4. 根据你的阈值选择队列、工具、模型或回退方案。
  5. 只有当应用程序需要文本、代码或长篇答案时，才调用生成式模型。

例如，一个支持类应用程序可以用 Jev 在一次调用中识别意图、紧急程度以及是否需要进行账户查询。然后它可以将工单路由给人工、获取正确的账户数据，或调用文本模型来起草回复。

这种分工不同于要求 LLM 返回 JSON 并期望它遵循 schema。Jev 的输出类型是请求契约的一部分。这也意味着你不应将 Jev 用于需要撰写最终响应的任务。

Jev 与聊天模型对比

需求 使用 Jev 使用生成式模型
从已知集合中选择一个标签 是 通常不必要
估计某个条件是否为真 是 可能，但更难约束
将请求路由到工具或模型 是 可能，但更昂贵
总结文档 否 是
撰写面向用户的答案 否 是
执行算术或精确计数 保留在代码中 保留在代码中

关于该模型的架构、限制和已发布用例，请参阅 Jev API：它是什么以及何时使用它。关于与基于 LLM 的评判的直接对比，请参阅 Jev vs LLMs。

常见集成错误

发送聊天载荷。 https://apimaster.ai/v1/systemone 期望 state 和 questions，而不是 messages 和 temperature。

期望文本输出。 Jev 返回类型化决策。最终解释或回复请使用生成式模型。

每个问题都发一个请求。 将相关问题放在同一个请求中，以便模型可以基于同一个共享状态对它们进行评估。

将置信度视为保证。 概率是用于路由和审查的信号。在生产决策中使用阈值之前，请在你自己的示例上验证它们。

将 Claude Code 或 Codex 直接指向 Jev。 这些工具期望 Anthropic Messages 或 OpenAI Responses 兼容的模型行为。Jev 更适合放在 skill、hook、MCP tool 或 router 中。关于可用模式，请参阅 如何将 Jev 与 Claude Code 和 Codex 一起使用。

FAQ

Jev 可以通过 APIMaster 使用吗？

可以。将 jev-latest 与 POST https://apimaster.ai/v1/systemone 一起使用。实时市场卡片目前显示一条活跃路由，价格为每 100 万输入 token $0.042，无输出费用。

Jev 端点与 OpenAI 兼容吗？

不兼容。APIMaster 为此模型暴露的是 Jev 原生的 System One 契约。使用 state 和类型化的 questions；不要使用 /chat/completions。

Jev 能生成摘要或答案吗？

不能。Jev 返回类型化决策和概率。当你的应用程序需要文本时，将结果传递给生成式模型。

我可以将同一个 APIMaster 密钥用于其他模型吗？

可以。一个 APIMaster 密钥可以调用 Jev 以及你的账户已启用的其他模型。请查看每个市场卡片以了解当前模型 ID、路由和价格。

我应该从哪里开始？

从上面的请求开始，收集代表性示例，并在将 Jev 加入自动操作之前验证你的阈值。然后阅读完整的 Jev API 指南和 Claude Code/Codex 集成指南。

创建 APIMaster 账户，添加额度，在 API Keys 中创建密钥，并通过 https://apimaster.ai/v1/systemone 调用 jev-latest。

返回博客