最近有个AI热点概念：Jev，一款专门用来做判断的 AI 模型。

它和 ChatGPT、Claude 这类通用大模型不同：不聊天、不写代码文案，专门给程序做决策判断，API 调用后直接返回代码可读取的结构化结果

核心能力：

最近有些测试同学对这方面感兴趣，我花时间调研并简单实践了一下，整理了这份**上手教程，以及分享一个UI 自动化方案基于 JEV 改造的案例，**感兴趣的小伙伴可以学习了解下。

获取 apikey

方式一：官方登录（优先）

访问：https://typesafe.ai/ 进行登录

登录后访问：

https://console.typesafe.ai/keys

左侧菜单栏进入apikeys，点击create key 创建 apikey

填写名称，点击创建即可

之后 apikey 记得保存一下

不过有时候可能会失败登录会失败，如下：


如果一直失败的话，则得考虑使用 openrouter 的方式了

方式二：openrouter

1、获取 apikey

访问：

https://openrouter.ai/~typesafe/jev-latest

点击 new key

填写名称、过期时间、费用限制等等，这里可以按需填写，之后点击创建

保存 apikey

2、费用充值

最少只能充值 5手续费，手续费还是挺贵的

如果需要使用支付宝的话，可以点击

充值成功之后，就发现 OK 了

案例 1：官方 skill & 简单案例实践

基础介绍

这是 TypeSafe AI 官方出品的 Agent Skill（SKILL.md），专门给 Claude Code / Cursor / Cline 这类编码 Agent 使用，让 AI 自动学会正确调用 Jev（System One）决策 API，不是 MCP 服务，是Agent 指导能力包

目前在github上，已经有 1.4k 的收藏

当你在 Claude Code / Cursor 写代码时，加载这个 skill 之后，Agent 会自动知道：

  1. Jev 只有 3 种原语：Noul（0~1 概率是非判断）、Choice（多选一）、Score（打分）

  2. 怎么构造 state、questions 结构

  3. 并行一次性提交多条判断（核心特性，jev-ultrafast 就是靠这个）

  4. 正确解析 Jev 返回带置信度、概率分布的 JSON

  5. 写代码时自动引入 typesafe-sdk，生成合法调用代码，不会写出错误的 Jev 请求

如何使用？

1、安装skill

方式 1：Claude Code（推荐）

claude plugin marketplace add typesafe-ai/skillsclaude plugin install typesafe@typesafe-ai

方式 2：Cursor / Cline / 其他兼容 Agent

npx skills add typesafe-ai/skills --skill typesafe-ai

这里我们以 cursor 作为案例，打开终端，输入 y

之后按需选择对应的 agent 即可

之后就生成了 typesafe-ai 了

2、apikey 配置

这里注意的使用官方配置的 apikey，不能使用 openrouter 的

export TYPESAFE_API_KEY=xxx

在终端中执行：

3、案例验证

在 cursor 中，输入：

执行过程：

首先是它会利用cursor 自带的浏览器功能，去操作界面，不是每个步骤都会用到 jev 的

那什么情况会用到 jev 呢？ 在需要做是非判断、打分、或者选择时

例如：在这个案例中，搜索 raina 测试的时候，可能会搜到很多的用户，就要做判断，因此就用到了 jev 了

可以看到在 cursor 中，它会构建 jev  api 命令去做筛选

从多条数据中，筛选出最终的目标，并且输出置信度

最后输出结果，符合预期

案例 2：UI 自动化方案基于 JEV 改造

前面我们有讲到，在测试领域，我们也有不少需要做判断的场景，之前我们一般使用大模型做判断，成本相对高、速度也相对慢一些，这里我们就可以采用 jev 的方式去做改造了

改造思路

之前我们开发过一套 playwright+midscene 双策略进行 UI 自动化的 skill 工作流

在这套 skill 中 有不少过程是需要对多个选项做决策的，而这个就比较符合 jev 的特性，那我们看看有多少内容可以基于 jev 做改造

则有下面的改造

1、探索skill：snapshot 后可选调用 Jev，用于控件选择、下一步动作、计划完备度与 locator 风险判断；

2、修复skill：修复前用 jev 对失败原因做判断，判断大概率属于什么问题，然后采用不同的处理方案

skill 获取方式见文末

实操步骤

1、环境变量配置

创建一个.env文件，填写 jev 的 apikey

2、探索界面

在执行过程中可以看到，部分流程会去调研 jev 进行决策，决定操作哪个元素

最终产出计划文件

这里可以检查一下计划内容，如果没有问题的话，可以进行下一步，生成代码

3、生成代码

输入：

产出代码

 4、执行代码

5、修复

出现问题，则走 skill 做修复

这里会使用 jev 判断失败原因，是否能够直接解决

最后多次修复代码，如果没有问题的话，就可以直接查看报告了

6、报告查看

报告列表

执行过程中的视频，可以用于判断是否正确

trace，记录了每步操作的记录

使用下来，jev的对于决策方面是具备一定的优势的，速度快且成本低，效果也相对不错，此前完全依赖于大模型进行推理和判断，而 jev 面向决策任务的专用小模型，但是目前我们还是可以观望一下

也许各大模型厂商会参考 jev 做升级和改造，不过我们还是可以基于自己agent 项目或者 skill 等等需要做决策、判断的逻辑接入 jev。

以上是今天分享的内容。Skill 包以及更多AI赋能测试的实战教程均已整理在**【Raina的AI&测试实战圈】**知识星球，跟着步骤操作就可以上手。感兴趣的小伙伴可以了解下哦～