JEV — модель TypeSafe AI, которая оценивает текст и возвращает структурированные решения: категорию, оценку по шкале или вероятность ответа «да». В автоматизации она может сортировать обращения, отбирать сообщения и выбирать обработчик. После этого программа запускает нужную ветку, а языковая модель готовит ответ, если он требуется.
Практическая польза JEV — в обработке потока однотипных сообщений. Вместо отправки каждого письма в большую модель можно сначала определить, что с ним делать: передать менеджеру, сохранить для проверки или подключить AI-ассистента.
Что такое JEV простыми словами?
Представьте диспетчера на входе в компанию. Он не пишет коммерческое предложение и не решает проблему клиента. Он определяет: это продажа, вопрос об оплате, техническая неисправность или обращение, которое нужно уточнить.
Вы передаёте JEV контекст — state — и вопросы с заданным форматом ответа. Например: «Кто должен обработать это письмо?» с вариантами «Продажи», «Поддержка», «Оплата», «Другое». Программа получает выбранную категорию и числовые оценки, которые использует для маршрутизации.
JEV работает через API TypeSafe. Это отдельный компонент процесса; он не заменяет CRM, n8n, правила доступа и генеративную модель.
Чем JEV отличается от обычной языковой модели?
| Задача | Подходящий инструмент | Пример |
|---|---|---|
| Определить смысловую категорию | JEV или другой классификатор | Обращение относится к оплате |
| Написать ответ | Генеративная LLM | Черновик письма клиенту |
| Проверить сумму и дату | Обычный код | Счёт просрочен на 7 дней |
| Изменить запись | CRM API и бизнес-правила | Назначить ответственного менеджера |
LLM тоже умеют классифицировать и возвращать структурированный результат. Поэтому выбирать JEV стоит по результатам теста: качество на ваших сообщениях, задержка, стоимость и удобство интеграции. Сам формат ответа не гарантирует правильного решения.
Какие вопросы можно задавать JEV?
- Choice — выбор категории. Например, отдел для обращения. Возвращает выбранный вариант, вероятности вариантов и confidence.
- Score — оценка по описанной шкале. Например, выраженность недовольства: спокойно, раздражённо, резко негативно. Результат может быть дробным, поскольку учитывает распределение вероятностей.
- Noul — вероятность ответа «да». Например: «Автор явно ищет исполнителя для автоматизации?» Возвращает число от 0 до 1; отдельного поля confidence у Noul нет.
Разделяйте признаки. Вопрос «Это хороший клиент?» слишком расплывчатый. Лучше отдельно проверить наличие задачи, соответствие вашим услугам и то, ищет ли автор исполнителя. Решение о передаче менеджеру затем принимает код.
Практика: фильтр заявок на автоматизацию в n8n
Задача MVP: получать сообщения из подключённого источника и находить запросы на n8n, Telegram-ботов и интеграции. Менеджер получает исходный текст и ссылку; система не отправляет клиенту предложения самостоятельно.
Примеры входа: «Ищу специалиста: заявки из Telegram нужно записывать в CRM» — запрос исполнителя. «Сделал бота, показываю результат» — публикация о своём проекте. «Кто разбирается в n8n?» — неоднозначное сообщение, которое стоит проверить.
Шаг 1. Подготовьте данные
Сохраняйте идентификатор сообщения, время, источник, ссылку и текст. Отдельно храните статус обработки. Удаляйте дубли по идентификатору источника и сообщения. Передавайте модели только необходимый контекст: иногда для короткой реплики нужен предыдущий вопрос.
Шаг 2. Настройте HTTP Request
В n8n используйте HTTP Request: метод POST, URL https://api.typesafe.ai/v1/systemone, заголовок Content-Type: application/json. Заголовок Authorization должен содержать Bearer и ваш API-ключ; храните его в Credentials. Тело запроса — JSON из приложенного файла request.json. Значение state замените текстом текущего сообщения.
В примере модель получает два вопроса: ищет ли автор исполнителя и к какому направлению относится задача. Для Choice предусмотрен вариант other, чтобы не принуждать модель выбирать неподходящую услугу. Запрос использует документированную версию jev-1.13.0; при её смене пороги нужно проверить заново.
Шаг 3. Разведите результаты по веткам
После HTTP Request проверьте структуру ответа и числовые значения, затем используйте Switch. Пороговые значения ниже — стартовая гипотеза для теста, а не рекомендация производителя для любых задач.
- Менеджеру: asks_executor.noul ≥ 0,90, категория входит в ваши услуги и confidence категории ≥ 0,80.
- В архив: asks_executor.noul ≤ 0,10. Сохраняйте запись и проверяйте выборку таких сообщений, чтобы замечать потерянные заявки.
- На проверку: все остальные случаи, включая other и недостаточную уверенность в категории. Проверяет человек либо отдельная LLM, которая получает исходное сообщение и критерии.
Ошибка API, отсутствующий ответ или неверный формат также должны вести в очередь повторной обработки или проверки. Они не означают, что сообщение не подходит.
Шаг 4. Подключите полезное действие
Для целевых сообщений создавайте запись в CRM или Google Sheets и уведомление в Telegram. Приложите исходный текст, ссылку, категорию и оценки. При необходимости подключите LLM для черновика ответа; отправку оставьте менеджеру.
Такой фильтр можно встроить в сценарии обработки заявок и обновления CRM. Начинать лучше с одного источника и одного понятного действия.
Почему уверенность 90% не означает безошибочность?
У Noul число отражает оценку вероятности «да», а у Choice и Score confidence рассчитывается из распределения вероятностей. Это разные показатели. Низкий confidence означает, что ответ неоднозначен; он не доказывает, что сообщение является спамом или нецелевым.
Например, у вопроса «Клиент просит возврат?» значение Noul 0,05 означает низкую оценку вероятности возврата. Это может быть важная техническая жалоба. Отбрасывать её только по этому числу нельзя.
Даже уверенный ответ может быть неверным. Порог 0,90 не обещает ни 90% точности на вашей базе, ни отсутствия ошибок. Настройка должна учитывать цену пропущенной заявки и цену ложного уведомления.
Как проверить MVP перед запуском?
- Соберите 100–200 реальных примеров как стартовый набор. Включите целевые запросы, рекламу услуг, обсуждения, короткие реплики и попытки повлиять на модель.
- Разметьте их вручную. Укажите, кому и почему нужно передать каждое сообщение.
- Разделите набор на примеры для настройки и отдельную проверочную часть. Не подбирайте пороги по проверочным ответам.
- Измерьте два вида ошибок: сколько уведомлений действительно полезны и сколько целевых заявок система пропустила. Отдельно посчитайте долю ручной проверки.
- Запустите теневой режим. Сравнивайте решения с работой менеджера без автоматической отправки сообщений и изменения важных данных.
- Разрешите ограниченные действия после проверки. Повторяйте оценку при смене модели, вопросов, источника или языка.
Для работы на русском, болгарском и английском оценивайте каждый язык отдельно. Хороший результат на одном языке не подтверждает качество на другом.
Сколько стоит JEV и откуда берётся экономия?
На 7 октября 2026 года документация TypeSafe указывает для Jev 1.13 цену $0,042 за миллион входных токенов; выходные токены бесплатны. В расчёте учитывайте и контекст, и вопросы.
Учебный расчёт: 10 000 запросов со средним оплачиваемым входом 1 000 токенов — 10 миллионов токенов, или $0,42 за JEV. Это расчёт по тарифу, а не замер реального workflow. Дополнительно оплачиваются инфраструктура, повторные запросы и LLM для спорных случаев или черновиков.
Если из потока только небольшая часть требует написания ответа, предварительный фильтр может уменьшить число обращений к генеративной модели. Но для десятка сообщений в день дополнительный компонент может не окупить сложность поддержки.
Какие ограничения нужно учесть?
- Только текстовый вход. Для изображений и аудио сначала нужны OCR или распознавание речи.
- Нет свободной генерации. Письма, переводы и пояснения поручайте генеративной модели.
- Арифметика и сравнение дат — в коде. Производитель отдельно описывает слабые места числовых задач.
- Контекст и формулировки влияют на результат. Длинный нерелевантный текст, отрицания, противоречивые критерии и порядок вариантов требуют проверки.
- Входящий текст может пытаться управлять моделью. Проверяйте сообщения вида «игнорируй правила». Оценка JEV не должна сама предоставлять права на действия.
Возврат денег, удаление записей и изменение доступов требуют самостоятельных проверок и разрешений. Подробности — в статье о безопасности AI-агентов.
С чего начать бизнесу?
Выберите один поток сообщений и одну задачу сортировки. Подготовьте размеченные примеры, подключите JEV через n8n или Python и сравните результат с текущим процессом. Первый полезный MVP — очередь заявок с исходными текстами и проверяемыми решениями.
Обсудить MVP фильтра заявок с CenterAI: укажите источник сообщений, примерный объём и действие, которое хотите автоматизировать.
Често задавани въпроси
Обязательно ли использовать n8n?
Нет. API можно вызвать из Python, JavaScript или другого серверного приложения. n8n удобен, когда источник, CRM и уведомления уже соединены в workflow.
Что делать, если сообщение относится к двум категориям?
Сформулируйте отдельный Noul для каждого независимого признака или направьте обращение на проверку. Один Choice выбирает один вариант и может быть неудобен для нескольких одновременных тем.
Можно ли использовать JEV как единственный защитный барьер агента?
Для оценки риска — как дополнительный сигнал. Правила доступа, разрешённые операции и подтверждение важных действий должны работать независимо от ответа модели.
Източници и проверка
Дата проверки: 07.10.2026. Возможности и тариф сверены с официальной документацией. Пороги, пример фильтра и план MVP предложены редакцией; платные API-вызовы в рамках подготовки статьи не выполнялись.