L’essentiel pour utiliser Jev, le modèle de décision de TypeSafe AI : on lui envoie un state et des questions typées, il renvoie des choix, des notes et des probabilités, sans générer de texte. Voir aussi les avis sur Jev.

Accès

VoieIdentifiant du modèleRemarque
API TypeSafe (console)jev-latestClé dans TYPESAFE_API_KEY. Inscriptions suspendues depuis le 22 septembre 2026.
Playground—Pour tester sans code : coller un texte, ajouter des questions.
Vercel AI Gatewaytypesafe-ai/jevClé AI_GATEWAY_API_KEY, base URL https://ai-gateway.vercel.sh/typesafe.
OpenRouter~typesafe/jev-latestClé OPENROUTER_API_KEY, base URL https://openrouter.ai/api.
Cloudflare Workers AItypesafe/jevenv.AI.run('typesafe/jev', { state, questions }).

Installation

# SDK Python (Python ≥ 3.10)
pip install typesafe-sdk            # ou : uv add typesafe-sdk
 
# SDK JavaScript / TypeScript (Node ≥ 20)
npm install @typesafe-ai/sdk
 
export TYPESAFE_API_KEY="..."
 
# Skill pour agents de code : Claude Code
claude plugin marketplace add typesafe-ai/skills
claude plugin install typesafe@typesafe-ai
 
# Skill pour les autres agents (Codex, Cursor…)
npx skills add typesafe-ai/skills --skill typesafe-ai
 
# Intégrations tierces
llm install llm-typesafe && llm keys set typesafe   # CLI LLM de Simon Willison
pip install "pydantic-ai-slim[typesafe]"            # Pydantic AI

Les trois questions

TypeQuestion poséecriteriaRéponse
noulL’énoncé est-il vrai ?Optionnel : {"true": "…", "false": "…"}noul : probabilité de « oui », de 0 à 1 (pas de confidence)
choiceQuelle option parmi une liste ?Dictionnaire option → description (ou null), 255 options au pluschoice, probabilities, confidence
scoreOù se situe le texte sur une échelle ?Liste ordonnée de 2 à 10 niveaux décritsscore (peut tomber entre deux niveaux), legend, probabilities, confidence

Toutes les questions d’une requête voient le même state et sont évaluées en parallèle. Les clés choisies pour les questions ne sont pas transmises au modèle.

Appel HTTP

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "My Stripe integration has been failing for 3 days and I am losing sales.",
    "model": "jev-latest",
    "questions": {
      "department": {"type": "choice", "instructions": "Which team should handle this?",
        "criteria": {"billing": "Payment issues", "technical": "Bugs or integrations", "sales": "Pricing"}},
      "frustration": {"type": "score", "instructions": "How frustrated is the customer?",
        "criteria": ["Calm", "Frustrated but civil", "Very angry"]},
      "is_urgent": {"type": "noul", "instructions": "The message conveys urgency"}
    }
  }'
 
curl https://api.typesafe.ai/v1/models -H "Authorization: Bearer $TYPESAFE_API_KEY"   # modèles et alias

Python

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient
 
with TypeSafeClient() as client:            # lit TYPESAFE_API_KEY, modèle jev-latest par défaut
    r = client.system_one(
        state={"ticket": "I was charged twice. Please fix this ASAP."},
        questions={
            "billing": Noul(instructions="Is this ticket about billing?"),
            "tone": Choice(instructions="What is the customer's tone?",
                           criteria={"calm": None, "frustrated": None, "angry": None}),
            "urgency": Score(instructions="How urgent is this ticket?",
                             criteria=["can wait", "this week", "today"]),
        },
    )
 
r.nouls["billing"].noul          # float de 0 à 1
r.choices["tone"].choice         # "calm" | "frustrated" | "angry"
r.choices["tone"].confidence     # float de 0 à 1
r.scores["urgency"].score        # position de 0 à 2, ex. 1.4 entre deux niveaux
OptionUsage
AsyncTypeSafeClient()Client asynchrone (await client.system_one(...)).
TypeSafeClient(model="jev-1.13.0")Figer une version plutôt que l’alias.
system_one(..., response_model=MonModele)Réponse typée par un modèle Pydantic.
TypeSafeClient(retry=RetryPolicy(max_retries=3, timeout=1.0))Politique de retry (aussi par appel).
TYPESAFE_BASE_URL, TYPESAFE_DEFAULT_MODELPasser par une passerelle ou changer le modèle par défaut.

JavaScript / TypeScript

import { choice, noul, score, TypeSafeClient } from "@typesafe-ai/sdk";
 
const client = new TypeSafeClient();
const r = await client.systemOne({
  state: { ticket: "I was charged twice. Please fix this ASAP." },
  questions: {
    category: choice("What is this ticket about?", { billing: null, technical: null, other: null }),
    urgency: score("How urgent is it?", ["can wait", "this week", "today"]),
    refund: noul("Does the customer ask for a refund?"),
  },
});
console.log(r.answers.category.choice);   // types inférés depuis les questions

Modèle et limites (jev-1.13)

ÉlémentValeur
Aliasjev-latest et jev-preview → jev-1.13.0
Prix0,042 $ par million de tokens en entrée, sortie gratuite
Latence annoncée70 à 500 ms de bout en bout
Contexte64k tokens par requête ; 32k pour le state plus la plus longue question
Débit250 000 tokens/s et 1 200 requêtes/min, ajustables sans préavis (erreur 429)
EntréesTexte uniquement : chaîne, objet JSON ou tableau. Meilleure précision en anglais.
PersonnalisationAucun fine-tuning : tout passe par le state, les instructions et les criteria

Patterns recommandés

PatternPrincipe
Fan-out spéculatifPoser toutes les questions utiles en une requête, y compris celles qui ne servent que dans certaines branches, puis trier dans le code.
Routage par confianceL’answer dit quoi faire, la confidence dit s’il faut le faire. Seuils plus hauts pour les actions risquées.
Score compositeDécouper un jugement complexe en scores atomiques et les pondérer dans le code.
Routage d’intentionClasser chaque requête puis l’envoyer vers du code déterministe, un LLM spécialisé ou un humain.
CascadeJev tranche les cas nets, les cas à faible confiance remontent vers un LLM de raisonnement.
a = r.choices["action"]               # une question Choice nommée "action"
if a.confidence < 0.6:
    route_to_human()                  # le modèle doute : ne pas deviner
elif a.choice == "approve_transfer" and a.confidence < 0.85:
    ask_user_to_confirm()             # action risquée, confiance moyenne
else:
    execute(a.choice)

Ce qu’il ne faut pas demander à Jev

Piège connuFaire plutôt
Consignes implicites (Jev lit au pied de la lettre)Écrire la condition exacte et décrire les cas limites dans les criteria.
Calculs, comptages, valeurs numériquesCalculer dans le code ; poser une question par élément puis additionner.
Comparer des datesExtraire jour, mois et année par des choice, comparer dans le code.
Raisonnements à plusieurs étapes, doubles négationsRéduire les étapes et désigner la partie du state concernée.
Gros state plein de détails inutilesFiltrer d’abord (au besoin avec un noul de pertinence).
Contenu adverse ou instructions injectéesCritères explicites, tests des cas limites avant déploiement.
Consigne et critères contradictoiresAligner instructions et criteria.
Supposer que noul et 1 − noul(négation) concordentFormuler directement la question voulue ; ne pas réutiliser un seuil d’un type de question à l’autre.
Générer du texteUtiliser un LLM ; pour l’extraction, proposer des candidats (regex, LLM) et faire choisir Jev.

Intégrations tierces

OutilUtilisation
LiteLLM Auto Routerclassifier_type: jev avec une clé TypeSafe, pour choisir le niveau de modèle de chaque requête.
Pydantic AIAgent('typesafe:jev-latest', output_type=bool, instructions='Is this request harmful?')
LLM (CLI)llm -m jev 'Please refund my last payment.' -s 'Does this message request a refund?' ; -o answer_type choice -o criteria '{…}'
Cloudflare Workers AIawait env.AI.run('typesafe/jev', { state, questions })
system-one-adapter-pythonMême interface que TypeSafeClient mais adossée à OpenAI, Anthropic ou Gemini, pour comparer sur ses propres données.

Conseils d’utilisation

  • Une question = un jugement. Décomposer : dans un test de phishing, Jev passe de 62,6 % avec une seule question à 95 % avec cinq questions pondérées.
  • Figer la version (jev-1.13.0) dès que des seuils de confiance ont été réglés : l’alias jev-latest peut changer de modèle sans prévenir.
  • Mesurer sa propre calibration en faisant tourner Jev en parallèle de l’existant avant d’automatiser quoi que ce soit.
  • Décrire des situations, pas des degrés dans les niveaux d’un score : Jev évalue chaque niveau séparément et ne voit pas leur numéro.
  • Garder un fournisseur de repli (Vercel, OpenRouter, Cloudflare) : l’accès direct et les limites de débit ont beaucoup varié depuis le lancement.
  • Éviter les décisions sensibles sur des personnes (recrutement, notation d’individus) : les réponses ne s’expliquent pas et des biais ont été observés.

Sources