TypeSafe Jev · Apigator 獨家提供

要的是決策，不是聊天。

Jev 是決策模型。丟給它任何文字或 JSON，加上幾個有型別的問題，約 100 ms 就回傳帶有校準機率的結構化答案。不用調 prompt，也不用解析輸出。

免費註冊，立即送 100 萬 Jev token

領取 100 萬免費 token 看範例

所有新註冊的 Apigator 帳號都會自動獲得。已經有帳號？從本頁登入即可領取一次。

分享 Jev

Jev 的特點

🧩

有型別的答案

每個答案都以 JSON 回傳，key 就是你取的問題名稱——選項、分數或是非機率，程式直接讀。

📊

校準過的機率

每個答案都附上機率與信心度。有把握就自動處理，沒把握再交給真人或更大的模型。

⚡

約 100 ms

快到可以直接放進請求流程裡：分流、審核、過濾、排序。

🗂️

一次呼叫問多題

同一段文字的部門、急迫程度、情緒，一個請求一次問完——一次來回、一次計費。

💸

非常便宜

每 100 萬 input token $0.042，output 免費。一杯咖啡的錢就能分類上百萬筆資料。

🔑

同一把 Apigator key

不用另外開帳號或簽約。你現有的 Apigator key 和餘額就能用 Jev，也能用其他所有模型。

三種問題型別

"type": "choice"

Choice（選擇）

從你定義的選項中選一個（最多 255 個）。回傳選中的選項，以及每個選項的機率。

"type": "score"

Score（評分）

依你描述的有序等級評分（2–10 級）。回傳機率加權分數，可以落在兩級之間。

"type": "predicate"

Predicate（是非）

回傳一個是非陳述為真的機率，介於 0 到 1。

Jev 和 LLM 聊天模型有什麼不同

聊天模型負責寫，Jev 負責判斷。各司其職。

	LLM 聊天（GPT、Claude…）	Jev
輸出	自由文字	有型別的 JSON，每題一個答案
解析	JSON mode、正規表示式、格式跑掉要重試	不需要——格式保證固定
有多確定？	沒有可靠的指標	每個答案都有校準機率 + 信心度
延遲	數秒	約 100 ms
價格	input 與 output token 都要付費	每 100 萬 input token $0.042，output 免費
適合	寫作、推理、對話	分類、分流、評分、過濾、安全防護

💡 常見用法：每個請求先用 Jev 篩選與分流，只有真的需要產生文字的才交給 LLM。

範例：客服工單分流

一個請求，對同一則訊息問三個問題。

請求

curl https://api.apigator.ai/v1/decisions \
  -H "Authorization: Bearer $APIGATOR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "typesafe/jev-latest",
    "input": "Help! My payouts have been failing for 3 days.",
    "questions": [
      {
        "name": "department",
        "type": "choice",
        "instructions": "Which team should handle this?",
        "choices": [
          { "value": "billing", "description": "Payments, invoicing, refunds" },
          { "value": "technical", "description": "Bugs, outages, integrations" },
          { "value": "sales", "description": "Pricing, upgrades, new accounts" }
        ]
      },
      { "name": "is_urgent", "type": "predicate", "instructions": "Does this convey urgency?" },
      {
        "name": "frustration",
        "type": "score",
        "instructions": "How frustrated is the customer?",
        "levels": [{ "label": "Calm" }, { "label": "Frustrated" }, { "label": "Very angry" }]
      }
    ]
  }'

回應

{
  "model": "jev-1.13.0",
  "answers": [
    {
      "type": "choice", "name": "department", "choice": "billing",
      "probabilities": [
        { "value": "billing", "probability": 0.87 },
        { "value": "technical", "probability": 0.13 },
        { "value": "sales", "probability": 0.0 }
      ],
      "confidence": 0.8
    },
    { "type": "predicate", "name": "is_urgent", "probability": 0.95 },
    {
      "type": "score", "name": "frustration", "score": 1.04,
      "probabilities": [
        { "value": 0, "label": "Calm", "probability": 0.0 },
        { "value": 1, "label": "Frustrated", "probability": 0.96 },
        { "value": 2, "label": "Very angry", "probability": 0.04 }
      ],
      "confidence": 0.94
    }
  ],
  "usage": { "input_tokens": 402, "output_tokens": 73, "total_tokens": 475 }
}

接著直接在程式裡用

const { answers } = await res.json();
const a = Object.fromEntries(answers.map((x) => [x.name, x]));  // answers come back in question order

if (a.is_urgent.probability > 0.8) pageOnCall();
if (a.department.confidence > 0.7) {
  assignTo(a.department.choice);   // "billing"
} else {
  sendToHumanTriage();
}

大家拿它來做什麼

客服工單分流內容審核與 LLM 安全防護RAG 段落過濾潛在客戶 / 履歷評分Agent 意圖分流引用與重複資料檢查

費用

$0.042

每 100 萬 input token

Output token：免費

像上面範例這樣的呼叫實測約 300–400 個 input token，所以免費的 100 萬 token 大約可以呼叫 2,500–3,000 次。用完後從你的 Apigator 餘額扣款——用多少付多少，沒有月費。