行业动态01
Workday 把 AI 助手 Sana 放到了 HR、财务和 IT 软件的首屏。Sana 的界面不是提前写死的，而是根据你的问题实时“拼”出来：问工资就弹工资卡片，请假就出日期选择器。背后用的是 TypeSafe 的 Jev——它不生成文字，只负责从最多 255 个设计组件里挑一个，回答只要 70 到 500 毫秒，所以界面能边打字边出现。Sana 已经可用，管理员可以选是否设为默认；Workday 也把 TypeSafe 列为可以处理客户数据的子处理商，Jev 只跑在托管 API 上、数据在美国处理、支持零数据保留。
文中可用工具
- SanaWorkday 的 AI 助手，现在是 HR、财务和 IT 软件的新首页
- JevTypeSafe 的决策模型，从预定义组件里挑选来实时拼出用户界面
- CopilotKit开源框架，为应用添加 AI 副驾驶；有示例用 Jev 选择显示哪个预置面板
- json-renderVercel Labs 的框架，从开发者定义的组件渲染 AI 生成的界面；正在测试 Jev 模式
- Claude Opus 5对比测试中使用的模型，准确率略高但更慢更贵
- OpenRouter博客中进行了对比测试，使用 Banking77 数据集评估 Jev
- BanKing77意图分类测试数据集，用于对比 Jev 与 Claude Opus 5 的表现
- MCP AppsModel Context Protocol 扩展，把交互式界面带入 Claude 和 ChatGPT；文中未提及 Workday 使用
- A2UIGoogle 的规范，让智能体描述界面由宿主应用渲染；文中未提及 Workday 在此次发布中使用
工具与应用02
Spring AI 社区发布了一个模块化 RAG 示例，把 TypeSafe 的 Jev 模型接入检索增强生成流程。传统做法直接把用户问题和相似文档片段塞给模型，问题在于用户口语化提问会带入噪音、相似文档未必有用、检索内容可能被人恶意植入指令。新方案在检索前用两次大模型调用改写并扩展问题，检索后用 JevDocumentFilter 和 JevDocumentReranker 过滤、重排文档，再交给模型生成答案。整套流程通过一个 advisor builder 配置，配套有可运行的 05-1-modular-rag 示例模块，方便与朴素版本对比。需要 TypeSafe API Key，过滤和重排依赖 Jev 模型。
文中可用工具
- Spring AI构建 RAG 管道的 Java 框架
- TypeSafe提供类型化输入输出和 Jev 模型
- JevDocumentFilter过滤检索到的无用文档片段
- JevDocumentReranker对检索结果重新排序并保留前几条
- RetrievalAugmentationAdvisor模块化 RAG 的 advisor 入口
- RewriteQueryTransformer把口语化问题改写成适合检索的查询
- MultiQueryExpander把一个查询扩展成多个不同查询
- VectorStoreDocumentRetriever从向量库中做相似度检索
- ContextualQueryAugmenter把上下文和问题拼进提示词
- PagePdfDocumentReader读取 PDF 文档用于入库
- TokenTextSplitter把文档切分成小块
评测与安全03
spring-ai-community/spring-ai-typesafe · A Java SDK for the TypeSafe AI JEV API, & Spring AI TypeSafe integrations.
该项目为 TypeSafe AI 的 System One（jev）API 提供 Java 客户端，基于 Spring RestClient 与 Jackson 3 构建，并提供 Spring AI 集成，可作为模型即评审、护栏、RAG 后处理器与工具索引使用。其核心思路是将状态与一组类型化问题提交给 API，并行获得结构化答案（Noul、Choice、Score），而非文本生成。项目包含 typesafe-java-sdk、typesafe-spring-ai、spring-ai-starter-typesafe、typesafe-bom 及示例模块。
模型进展04
TypeSafe 这家公司隐藏研发两年后，带着 DCVC 领投的 4000 万美元种子轮融资亮相，发布了首个模型 Jev。普通聊天大模型是一个字一个字地往外蹦，对话很自然，但让软件等它做判断就太慢；Jev 不写文字，只做决定——开发者给它结构化的问答题，它直接返回带概率的选项或数值，软件可以据此处理“不确定”。据称它比普通 LLM 快 20 到 200 倍、便宜 40 到 400 倍，输出 token 免费，上线 AI Gateway 后 24 小时内成为采用最快的模型。对读者的用处是：以后应用里需要“做个判断”的地方，可以调用 Jev 而不是塞一个聊天模型进去。
文中可用工具
- JevTypeSafe 推出的文本模型，接收结构化问题并返回带概率的类型化决策，供软件在代码中判断和选择
- AI GatewayVercel 的模型接入网关，Jev 在此上线并成为采用最快的模型
- RLCDTypeSafe 为 Jev 开发的训练算法，全称“校准决策强化学习”，让模型输出带概率的可靠决策
工具与应用05
Spring AI 社区推出了一个新项目 Spring AI TypeSafe，它把 TypeSafe AI 的托管 Jev API 接进了 Spring 生态。平时在 AI 应用里常要快速做一些小判断，比如给客服工单打分、决定该转给哪个部门、评估一段推理结果可不可信，这些用聊天模型做往往又慢又贵，还得写提示词模板和 JSON 解析。TypeSafe 的思路不一样：它不是聊天模型，不生成文字，只做分类、打分和选择。你给它一段状态和一组带类型的问题，它一次性返回布尔值、选项和分数，还附上置信度，大概三百毫秒出结果。项目已发布在 Maven Central 上，版本 0.1.0，附带七个可运行示例；不过部分性能对比数据来自 TypeSafe 自己的基准测试，还需要独立验证。
文中可用工具
- Spring AI TypeSafeSpring AI 社区的新项目，把 TypeSafe 的判断 API 接入 Spring 应用
- TypeSafe AI Jev API托管服务，只做分类、打分和选择，不生成文字
- spring-ai-starter-typesafeSpring Boot 起步依赖，加入后自动配置 TypeSafeClient
- typesafe-spring-aiSpring AI 模块，提供下文提到的 judge 和 advisors
- typesafe-java-sdk纯 Java 环境用的 SDK，不依赖 Spring Boot
- Maven Central托管项目依赖的仓库
Agent 与自动化06
clouatre-labs/decisions-judge-mcp · Typed decisions for AI agents as an MCP tool: yes/no probability (noul), choice, and score in one fast request. Backed by the TypeSafe System One model.
decisions-judge-mcp 是一个 MCP 服务器，让 AI Agent 通过单次快速请求对任意 JSON 应用状态做出类型化判断：yes/no 概率（noul）、多选项选择（choice）以及有序等级评分（score）。问题与答案均按 schema 校验，失败时返回 {fallback: true, error} 而不阻塞，便于嵌入 Agent 工作流。当前由 TypeSafe System One 模型（Jev）通过 @typesafe-ai/sdk 提供支持。
知识库与 RAG07
shinpr/jev-reranker · Rerank, filter, and compress JSON search results with TypeSafe AI's Jev.
jev-reranker 是一个 Rust 编写的命令行工具，通过 TypeSafe AI 的 Jev 对检索结果进行二次处理。它从 stdin 读取 JSON 数组，按查询对候选文档进行重排序、过滤掉无可用证据的结果，或将文档压缩为与查询相关的短段落，并将处理后的 JSON 数组写入 stdout，用于在 BM25、向量搜索等召回步骤之后为 LLM 精简上下文。
Agent 与工作流08
TypeSafe AI 发布了一个叫 Jev 的模型，它不是普通的生成式大模型，不会写文字，而是直接对一段状态给出结构化判断和概率，他们称之为“System One”模型。研究者拿 Jev 当 Agent 评估器，和几个大模型评审（GPT-5.6 Luna、Terra、Claude Sonnet 4.6）做对比，想解决现有评估方式的两个痛点：写代码的评估只能应付固定输入，大模型评审则慢、贵、还不太稳定。结果 Jev 在连续打分上一致性高得多，质量分波动比对手低 92 到 913 倍，同时平均每次只要 0.44 秒、0.00035 美元，总花费 0.34 美元，而 Claude 花了 28.17 美元。不过作者强调这只是个小规模早期测试，还不代表它已经能普遍替代现有方案。
文中可用工具
- JevTypeSafe AI 发布的 System One 模型，不生成文字，直接对状态返回结构化判断和概率，可用作 Agent 评估器
- Deep Agents开源 Agent 框架，用来搭建被评估的目标 Agent
- LangSmith把单次 Agent 运行保存为数据集并回放，方便公平比较不同评估器
- GPT-5.6 Luna作为 LLM 评审参与对比（原文未说明其具体用途）
- Terra作为 LLM 评审参与对比（原文未说明其具体用途）
- Claude Sonnet 4.6作为 LLM 评审参与对比（原文未说明其具体用途）
Agent 与自动化09
McFuzzySquirrel/mcfuzzy-agent-forge · Help you create a PRD or spec from an idea or research anf the forges a team of specialised agents and skills based on that
MyForge 是一个以 PRD 为核心的开发工作流工具，能够将产品想法转化为经过评审的 PRD 文档，并据此生成专用智能体团队，进而执行自动化构建。项目提供引导式交互执行与无人值守的“暗编排”运行模式，配有本地 Web 控制台用于监控和控制构建过程，支持在现有 Git 仓库中引导集成而不替换其应用代码。