typesafe-ai：教智能体用 Jev 做类型化决策的技能

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

给应用加一点 AI 判断，老写法是 prompt-and-parse：写一段提示词让模型输出 JSON，再解析、校验、失败重试。类型错误、幻觉、重试循环是这条路的固定成本。typesafe-ai 是 TypeSafe 官方维护的单个技能（MIT，仓库 2026-08-24 创建，截至 2026-10-12 已 2.7k star），教智能体改用 Jev 的类型化判断来搭这些功能——模型返回选择、是否和概率，代码拥有工作流。

它让智能体按什么顺序做事

这个技能把「用 TypeSafe 搭功能」固定成四步。第一步是先读在线文档：SKILL.md 明确写着「实时文档是唯一真相来源」，还给了技巧——Mintlify 托管的文档在路径后加 .md 就能拿到 Markdown，以及一张「想理解编程模型看哪页、想写 API 代码看哪页」的对照表。第二步是从行为倒推判断：先想清楚应用要展示、选择、改变或交接什么，反推它需要哪些判断；已知规则、计算、精确查找和执行留在代码里。第三步是按答案的含义选原语：从固定集合里选一个用 Choice，判断条件是否成立用 Noul，在描述好的维度上评程度用 Score。第四步是组合与验证：独立的问题放进同一次请求并行问（包括有用的投机问题，前提要显式写出），用概率和阈值驱动行为。

它约束了什么

• 代码拥有工作流：模型只在普通代码需要语义理解的地方提供「可编程常识」，路由、参数填充、证据筛选、验证升级都围绕目标组合，不追求万能分类器。
• 一个问题只问一件收窄的事：独立维度可以拆开问，但不破坏被判断的关系；候选值要检查覆盖度——模型没法选一个你没给的选项。
• 概率当阈值用，不当真理用：Noul 接近 0.5 只说明是和否概率相近，不代表强度中等；Choice/Score 的置信度只总结分布集中度，不等于工作流正确或可以行动。
• 类型化输出保证接口，不保证真实：SKILL.md 原话，且明确要求针对目标域验证表现，cookbook 里的阈值和 demo 结果只是待评估的示例。
• 凭证留在服务端：在 web 应用里，API 凭证必须放在服务端，这是技能写死的一条。

适合谁

适合要把分类、路由、排序、抽取、验证这类「语义 if 语句」加进自己应用的开发者——智能体读了它，会把「让 LLM 生成再解析」的步骤改写成「代码提事实、模型做选择」。要诚实对待的一点：它需要 TypeSafe 的 API key，而 Jev 还处在早期访问阶段，定价、限额和行为都可能变；技能本身是指路牌，真正的方法在会持续更新的在线文档里，它不替你写代码，也不对结果打包票。想看看社区拿 Jev 搭出了什么，可以读我们的 Jev 生态十例；Claude Code 的技能生态还可以看 Claude 技能库。