Jev 是什麼？TypeSafe AI 官網、申請方式與使用教學

文章目錄

TypeSafe AI 於 2026 年 9 月 15 日開放 Jev early access。這款定位為「System One Model」的 AI 模型，主要用途不是生成文章，而是針對大量資料快速做出判斷。

根據 SEO 工作者 Borja Obeso 在 X 分享的案例，Jev 在 45.1 秒內處理 586 個網頁，放置 584 條內部連結，總成本約 0.21 美元。以該次頁數與成本換算，約為每千頁 0.36 美元。這讓 Jev 在 SEO 內容處理上的用途變得具體：把內鏈工作拆成一連串明確的判斷。

Jev 是什麼？

Jev 是 TypeSafe AI 推出的 AI 模型，官方稱它為第一個公開的 System One Model。推出 Jev 的 TypeSafe AI 是一家位於舊金山的 AI 實驗室。2026 年 9 月 15 日對外亮相時，宣布獲得 DCVC 領投的 4,000 萬美元種子輪；之後又在 2026 年 10 月 9 日於官方部落格公布 A 輪融資，金額 8.7 億美元、估值 75 億美元，由 Andreessen Horowitz 領投，Sequoia Capital 與 DCVC 參與。使用方式是先提供資料與預先定義好的問題，Jev 再回傳分類、評分或機率等結構化結果。

「System One」取自心理學家 Daniel Kahneman 對思考模式的區分：System 1 指快速、直覺的判斷，System 2 則是較慢、較審慎的推理。TypeSafe 將 Jev 定位在前者，適合把大問題拆成許多小判斷，再由程式組合結果。「Jev」則取自經濟學家 William Stanley Jevons；TypeSafe 借用傑文斯悖論的意涵，說明單次判斷成本下降後，使用需求也會擴大。

它的設計重點是回答大量明確的小問題。例如一段內容該歸到哪個類別、某個主張是否成立、兩個頁面是否適合互相連結。對軟體來說，這類輸出可以直接接到後續流程，不必先從一大段生成文字裡找答案。

Jev 和一般 LLM 的工作方式差在哪裡？

一般用途 LLM 擅長產出文章、摘要或程式碼。當它用在內容盤點時，常見流程是先生成一段自然語言回覆，再由人閱讀、解讀，最後轉成更新、連結或保留等決策。Jev 把問題換了一種問法：先定義可接受的答案，再讓模型逐筆回傳分類、分數或機率。

一般 LLM 從提示、生成回覆、人工解讀到執行工作的五步流程 — **一般 LLM 的運作路徑**模型先回傳自然語言，人再把內容轉成可執行決策。

Jev 從輸入資料、定義問題、模型判斷、結構化輸出到系統執行的五步流程 — **Jev 的運作路徑**問題與答案格式先被定義，分類、分數或機率可以直接交給後續系統。

兩張圖拉開的差異，是答案如何進入下一個步驟。一般 LLM 也能透過 structured output 回傳 JSON；Jev 則把 Choice、Score 與 Noul 設計成基本問題類型，直接回傳固定分類、尺度評分與 yes／no 機率。

Jev 與 DeepSeek 的 500 則評論分類展示影片以同一批 500 則餐飲評論進行情緒分類。畫面顯示 Jev 用時 63.1 秒、準確率 88.8%、估算成本 0.1892 美元；DeepSeek 用時 494.2 秒、準確率 85.2%、估算成本 0.4534 美元。

影片拿 DeepSeek 來比，Jev 的定位就更清楚了：在這批 500 則評論分類中，Jev 更快、估算成本更低，準確率也略高。面對大量、重複的分類判斷，專門處理這類任務的模型，展現出另一種效率優勢。

Jev 的優勢：讓判斷直接進入工作流程

Jev 的答案格式從一開始就固定。Choice 指定分類選項，Score 定義評分尺度，Noul 回傳 yes／no 命題的機率。程式拿到結果後，就能依分類分流、按分數排序，或依預先設定的條件安排下一步。

另一個特點是把同一筆資料拆成多個明確問題，並在一次請求中取得各自的答案。放到 SEO 工作裡，網站頁面可以分別判斷搜尋意圖、內容主題與內鏈相關性，再把結果整理成盤點表。

成本方面，TypeSafe 官網列出的定價為每百萬輸入 token 0.042 美元，輸出不計費。對需要逐頁判斷的 SEO 工作，這提供了一個按輸入量估算的成本基準。

AI 的角色不只寫出文章，也能處理文章背後反覆出現的分類工作。

Jev 如何應用在 SEO 自動化？

SEO 自動化的難點，常常不在抓資料或算數字，而在中間需要理解內容的那一段。爬蟲可以列出網站所有頁面，工具也能統計關鍵字和連結；但兩篇文章是否重疊、某個頁面是否符合搜尋意圖、內鏈是否真的相關，仍常要人工逐一看過。

依照 Jev 的分類與評分設計，SEO 團隊可以把它放進內容盤點、搜尋意圖分類、內鏈候選整理與重疊頁面辨識。每項工作先定義判斷問題與答案格式，再讓結果進入盤點表，交由編輯安排更新、合併或連結。另一種做法是把資料和分析都交給外部服務，例如〈OpenSEO 開源 SEO 工具〉的關鍵字與排名資料來自 DataForSEO，再透過 MCP 接上 AI 代理人整理報告。

Borja Obeso 分享的 586 頁案例，就是把內鏈工作拆成大量小判斷：兩個頁面有沒有連結理由？現有段落裡有沒有可用的錨點文字？最後形成一份內鏈結果。

想先決定哪些頁面該讓 AI 爬蟲讀取，可以參考〈robots.txt 該不該擋 AI？〉。

586 頁網站的 Jev 內鏈案例影片與數字來自 Borja Obeso 的 X 原始貼文。

Jev 怎麼申請、怎麼使用？

使用 Jev 只需要一組 API key。依照 TypeSafe 官方 Quick start，流程如下：

註冊並建立 API key
到 TypeSafe 操作台註冊帳號，在 API Keys 頁面建立金鑰。金鑰請存放在環境變數或金鑰管理工具中，不要直接寫進程式碼或公開的檔案。
2
選擇使用方式
官方提供四種方式。
- Python 或 JavaScript SDK：寫程式整合時最方便。
- 直接呼叫 API：適合已有自己後端的團隊。
- Agent Skill：讓 Codex、Claude Code 等程式代理工具替你寫整合程式。
- 瀏覽器 Playground：不寫程式也能先試問題與答案格式。
3
使用 Agent Skill 時，先安裝 TypeSafe 官方 skill
在目標專案的終端機執行：
```
npx skills add typesafe-ai/skills --skill typesafe-ai
```
使用 Claude Code 的話，也可以改用官方 plugin。這個 skill 預設安裝到目前專案。
4
交代要判斷的任務
說明要判斷什麼、可選答案有哪些。例如：
```
Use the TypeSafe skill to classify this content inventory by search intent and return a structured table.
```
取得結果後，再接進內容盤點流程。

每次呼叫 Jev，都是送出一份資料（官方稱為 state）和一組問題。問題分三種：Choice 從選項中選一個，Score 依評分尺度打分，Noul 回傳是非題為「是」的機率。三種可以放在同一次請求裡，Choice 和 Score 還會附上信心分數。

Jev 的價格與限制

依 TypeSafe 官方發表文，Jev 輸入每百萬 token 收 0.042 美元（每十億 token 42 美元），輸出不另收費。1.13 和 1.14 價格相同（官方 Models 文件）。官方也坦承，目前無法證明這個價格沒有補貼，要靠長期營運證明。

Jev 不生成文字，所以不能用來寫文章或摘要。它適合答案可以事先定義的工作：分類、評分、是非判斷、從資料中挑出指定項目。單一 Choice 題目最多支援 255 個選項；需要長篇推理的問題，官方建議拆成多個小問題，再用程式組合結果。

Jev 常見問題

Jev AI 的官網在哪裡？

TypeSafe AI 的官網是 typesafe.ai，技術文件在 docs.typesafe.ai，建立 API key 則在 console.typesafe.ai。官方網域只有 typesafe.ai 和 docs、console、help 這幾個子網域；jev-ai.org 標題很像官網，但不是 typesafe.ai 網域，註冊或輸入 API key 前請先確認網址。

Jev 怎麼申請？需要排候補嗎？

不需要。TypeSafe 在 2026 年 9 月 20 日宣布取消候補名單，官方說明中心也寫明可直接在操作台註冊。到 TypeSafe 操作台註冊帳號，在 API Keys 頁面建立金鑰後，就能透過 SDK、API、Agent Skill 或 Playground 使用。

Jev 收費多少？

依官方公布的價格，輸入每百萬 token 0.042 美元，輸出不另收費。實際帳單請以操作台顯示為準。

Jev 和 ChatGPT 這類 LLM 有什麼不同？能寫文章嗎？

不能。一般 LLM 生成文字；Jev 回傳事先定義好的分類、分數或機率，讓程式直接使用。它適合大量、重複的判斷工作，不適合寫作或對話。

Jev 可以怎麼用在 SEO？

常見用法包括內容盤點時判斷每頁的搜尋意圖與主題、找出內容重疊的頁面，以及評估兩個頁面是否適合互相加上內部連結。判斷結果仍建議由編輯確認後再修改網站。