用 TypeSafe Jev 的 Choice / Noul / Score 三种判断原语，给低代码平台收到的漏洞报告做一次真实的自动初筛

---

为什么要 "实战" 一次

Jev 已经全面开放，不用再排 waitlist，控制台入口是 https://console.typesafe.ai 。需要说明的是，早期的新用户赠送额度已经取消：现在注册免费，但申请 API Key 必须先绑定支付方式，支持中国大陆、美国等地发行的 Visa 信用卡，绑定后支付 25 美元才能生成 Key。

关于 Jev 是什么、怎么装进 Coding Agent，网上的介绍已经不少。但一个 "只做判断、不生成内容" 的模型到底好不好用，光看介绍很难有体感。所以这篇换个方式：拿一个真实的业务场景 ——JeecgBoot 低代码平台的漏洞报告初筛 —— 从设计问题、写代码、跑数据到看结果完整走一遍，所有数字都来自实际调用。最后再把 Jev 装进 Claude Code 和 Codex，看它在 Coding Agent 里怎么用。

先用一句话说清 Jev 的定位：它读懂自然语言和业务状态后，返回带类型的答案和概率，而不是一段文字。流程由代码掌控，Jev 只在代码需要 "读懂意思" 的地方给出判断。

准备工作：Key、价格和第一个请求

申请 API Key

打开 API keys 页面，点右上角 Create key：

https://console.typesafe.ai/keys

注意：点击 Create key 前需要先绑定信用卡并完成 25 美元的支付，否则无法生成 Key。拿到 Key 后配置成本地环境变量 TYPESAFE_API_KEY，后面的 curl、Python 脚本和 Coding Agent 都直接读这个变量，Key 不会出现在代码和提示词里。

价格：输出免费，输入极便宜

Jev 不是免费模型，但成本比其他模型低 40～400 倍，而且输出侧不收费。

当前版本 jev-1.13.0，每十亿 / 每百万 Token 价格为 42 / 0.042（美元）；速率限制每秒 250,000 Token、每分钟 1,200 次请求；单次请求最多 64K Token（state + 最长问题不超过 32K）；输入只支持文本，不支持图片、音频和视频。

热身：用 curl 跑通链路

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d @- <<'EOF'
  {
    "state": "我的 Claude 账号被封号了，一直没有解封，用不了，麻烦帮我看下",
    "model": "jev-latest",
    "questions": {
      "urgency": {
        "type": "noul",
        "instructions": "这个问题和登录有关系吗?"
      }
    }
  }
EOF

返回 "noul": 0.82，即 "和登录有关" 的概率是 82%。链路通了，下面进入正题。

实战一：用 Jev 给漏洞报告做初筛

场景：安全报告越来越多，真假难辨

最近针对开源系统的攻击越来越频繁，JeecgBoot 这类被大量企业部署的低代码平台，收到的漏洞报告也越来越多：有白帽子提交的高危漏洞，有扫描器自动生成的 "缺少某个响应头"，也有用户把正常机制当成漏洞的误报。安全团队要逐份研判：算不算漏洞、危害多大、能不能复现，真正的高危报告一旦被淹没在噪音里，后果很严重。

这正适合交给 Jev 做初筛。我设计了 4 个判断：

问题 ID	类型	判断什么
verdict	Choice	定性：可利用的漏洞 / 加固建议 / 按设计工作 / 只影响自己
vuln_type	Choice	类型：RCE / SQL 注入 / 越权 / XSS / 信息泄露 / 其他
severity	Score	危害：无 / 低 / 中 / 高 / 严重（0～4）
has_poc	Noul	是否给出版本、接口或验证结果，足以复现

代码

问题定义如下，每份报告作为 state 发一次请求，4 个问题并行执行，多份报告再用线程池并发（请求函数与普通 HTTP 调用无异，model 填 jev-latest）：

QUESTIONS = {
    "verdict": {
        "type": "choice",
        "instructions": "假设报告所述现象属实，应如何定性？",
        "criteria": {
            "vuln": "可被利用的安全漏洞：攻击者能借此越权、获取或篡改他人数据、执行代码或控制服务器",
            "hardening": "安全加固建议：扫描器提示的缺失配置等，本身不能直接被利用",
            "by_design": "系统按设计正常工作：例如持有合法凭证就能访问，不算漏洞",
            "self_only": "只能影响报告者自己，无法危害其他用户"
        }
    },
    "vuln_type": {
        "type": "choice",
        "instructions": "这份报告属于哪类安全问题？",
        "criteria": {
            "rce": "远程代码执行，包括模板注入、JDBC 等导致执行系统命令",
            "sqli": "SQL 注入",
            "access": "越权或未授权访问，能访问、修改他人数据或受保护接口",
            "xss": "跨站脚本",
            "info_leak": "信息泄露，如用户名枚举、敏感信息暴露",
            "other": "其他类型的安全问题"
        }
    },
    "severity": {
        "type": "score",
        "instructions": "如果属实，这个问题对使用 JeecgBoot 的企业危害有多大？",
        "criteria": [
            "无危害：不构成安全风险",
            "低危：需要特殊条件，只泄露少量非敏感信息",
            "中危：可获取部分敏感信息或需要一定权限才能利用",
            "高危：普通用户即可越权访问或篡改大量数据",
            "严重：未登录即可控制服务器或拿到整库数据"
        ]
    },
    "has_poc": {
        "type": "noul",
        "instructions": "报告是否给出了受影响的版本、接口或已经实际验证过的结果，足以让开发者复现？"
    }
}

Jev 只负责判断，怎么处置由代码决定：

def route(a):
    v = a["verdict"]["probabilities"]["vuln"]
    sev, poc = a["severity"]["score"], a["has_poc"]["noul"]
    if v < 0.5:
        return "非漏洞：回复说明后关闭"
    if v < 0.8:
        return "定性不明：安全组人工复核"
    level = "P0" if sev >= 3.5 else "P1" if sev >= 2.5 else "P2" if sev >= 1.5 else "P3"
    if level in ("P0", "P1") and poc < 0.5:
        return level + "：未验证，安全组先复现"
    return {"P0": "P0：应急响应，发安全补丁", "P1": "P1：尽快修复",
            "P2": "P2：低危，排期修复", "P3": "P3：记录备查"}[level]

问题怎么问，结果差很多

这组问题不是一次写对的，前两版都踩了坑：

• 第一版用 Noul 问 "是否真实存在可利用的漏洞"。Jev 会顾虑 "报告是否可信"，明显的越权漏洞只给了 0.53；
• 第二版改成 "假设属实，是否构成漏洞"，又走到另一头：连 "缺少响应头"、"token 换台电脑能用" 都给了 0.78 左右；
• 第三版把 "是不是漏洞" 改成 Choice，列出漏洞、加固建议、按设计工作、只影响自己四种定性让它比较，结果才清晰。

Jev 文档里也有类似建议：多个互斥结论之间的比较用 Choice，Noul 适合单一条件。

实测结果

8 份测试报告（真实漏洞、扫描器提示和误报都有）：

1. 积木报表的模板预览接口不需要登录就能访问，传入的模板内容会被 FreeMarker 解析，我在测试环境验证过可以执行系统命令。版本 JimuReport 1.6.x。
2. 字典模块有个查询接口，表名和字段参数直接拼进 SQL，参数里加单引号就报 SQL 语法错误，普通用户登录后即可触发。版本 JeecgBoot 3.5.3。
3. 扫描器报告：响应头缺少 X-Frame-Options 和 Content-Security-Policy，存在点击劫持风险。
4. 登录接口对 “用户名不存在” 和 “密码错误” 返回不同提示，可以据此枚举系统里有哪些用户名。
5. 我把 admin 登录后的 token 复制到另一台电脑的浏览器里也能用，这算不算会话劫持漏洞？
6. 普通用户把个人信息接口请求里的 userId 改成别人的，就能查看和修改其他用户的资料，包括手机号和邮箱。版本 3.7.0。
7. 在自己的个人签名里写一段 script 标签，保存后刷新只有自己的页面会弹窗，其他人看不到签名。
8. 数据源管理的 “测试连接” 功能允许管理员填写任意 JDBC URL，听说某些驱动参数能导致远程代码执行，我没有实际验证过。

8 份并发跑完 1.3 秒：

• 高危都被挑了出来：第 1 条未登录模板注入判为严重（3.98），直接进 P0 应急；第 2 条 SQL 注入、第 6 条越权判为高危，进 P1；
• 没验证的高危不放过：第 8 条 "测试连接" 可导致 RCE，危害判为高危，但 has_poc 只有 0.04，路由到 "安全组先复现"，而不是退回给报告者；
• 低危有分寸：第 3 条缺少响应头、第 4 条用户名枚举，Jev 认为是真问题但危害低（2.06、1.52），进 P2 排期；
• 拿不准的交给人：第 5 条 token 换设备可用，vuln 0.70、by_design 0.29，落在人工复核区间；
• 误报被关闭：第 7 条只能弹自己的窗，判为 self_only。

需要强调的是，Jev 做的是初筛和排序，不能替代安全人员的复现和修复，P0、P1 仍然要人来确认。另外报告是外部提交的不可信文本，Jev 只返回固定类型的选项和概率，最多影响一个分值，不会被文本 "指挥" 去执行操作，这一点比让大模型自由生成处置意见更可控。

成本

平均每份输入约 900 Token，输出不计费。按每百万 Token 0.042 美元算，单份约 0.00004 美元，1 万份约 0.38 美元，25 美元大约能跑 66 万份。

实战二：把 Jev 装进 Claude Code 和 Codex

写代码调 API 适合固化成业务功能；日常开发中，更方便的方式是让 Coding Agent 直接调用 Jev。官方提供了即插即用的 Skill：

https://github.com/typesafe-ai/skills

它打包了 TypeSafe API 的完整上下文，包括三种问题类型、架构模式和组织评估的最佳实践，可用于 Claude Code、Codex 以及其他支持 Skills 的 Coding Agent。

Claude Code：安装与调用

在终端执行两行命令：

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

调用方式有两种：对话里直接说 "使用 TypeSafe 技能……"，或者用斜杠命令 /typesafe:typesafe-ai 主动触发。先试一个生活化的问题：

/typesafe:typesafe-ai Mac mini 我有必要买吗？请直接给判断

12 秒出结果：现在的 Mac mini 不该买。Claude Code 先收集了本机的设备情况，再用 Noul（是否必要）给出封闭判断，并附上依据。

再试一个开发场景，让它审视整个项目：

/typesafe:typesafe-ai 分析下这个项目，判断有哪些可替代复杂的逻辑或弱代码。

输出里多了一列 TypeSafe?，逐条说明哪些代码该删除、哪些该保留、哪些该抽成公共组件。TypeSafe 只给判断，改代码仍是 Claude Code 的事。

这也体现了 Jev 的定位：日期差、状态位、白名单、几何命中、bundle ID、文件路径这类确定性逻辑，不该交给模型；适合 Jev 的是对非结构化文本做封闭选择、是否成立、有序打分，再由代码组合成路由、校验和抽取。

更新插件（仅适用于 Claude Code 插件方式安装）：

claude plugin marketplace update typesafe-ai
claude plugin update typesafe@typesafe-ai

更新后重启 Claude Code 或运行 /reload-plugins。想自动更新的话，打开 /plugin，依次选择 Marketplaces → typesafe-ai → 启用自动更新。

Codex 等其他工具：安装与调用

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

默认会包含 Codex、Cursor、Gemini CLI、OpenCode 等主流 Coding Agent，也可以额外勾选其他 Agent，回车完成安装。

在 Codex 里输入 /Typesafe，技能会自动弹出：

同样问 "Mac mini 我有必要买吗"，14 秒给出结论，和 Claude Code 一致：

更新方面：用 skills.sh 安装的，运行 npx skills update 即可；手动复制的 Skill，用 GitHub 最新版本替换整个 skill 目录。

一句提示词自动安装

不想记命令，可以把下面这段提示词整段复制，发给任何支持 Skills 的 Coding Agent，它会根据自身环境自动选择安装方式：

安装 TypeSafe 技能，请使用以下其中一种方式：

- 如果你在 Claude Code 中，请依次运行：
  claude plugin marketplace add typesafe-ai/skills
  claude plugin install typesafe@typesafe-ai
- 如果你在其他 Coding Agent 中，请运行下面的命令并选择你的 Coding Agent：
  npx skills add typesafe-ai/skills --skill typesafe-ai

技能说明文档：
https://github.com/typesafe-ai/skills/blob/main/skills/typesafe-ai/SKILL.md
原始版本：
https://raw.githubusercontent.com/typesafe-ai/skills/main/skills/typesafe-ai/SKILL.md

安装完成后，在开发此项目时即可使用 TypeSafe 技能。

Jev 适合用在哪里

凡是 "需要读懂一段文字，但最终只要一个有限答案" 的环节，都可以考虑交给 Jev。结合 JeecgBoot 这类低代码平台，比较值得尝试的有：

场景	怎么用	原语
安全报告、工单初筛	定性、分类、评危害，按结果分派和排优先级	Choice + Score
规则引擎、AI 流程编排	作为流程里的判断节点：把 "申请内容是否涉及退款"" 属于哪类业务 " 这类语义条件交给 Jev，分支走向和阈值仍由规则配置，比让大模型输出文字再解析更稳定	Choice + Noul
AI 助手意图路由	判断用户一句话该走 "建表"" 查数据 "还是" 生成报表 "，再由代码调用对应接口	Choice
审批预审	报销说明和费用类别是否一致、请假理由是否充分，不通过的先打回补充	Noul
在线考试、答题	判断英语单词 "会与不会"：学生写 abandon 是 "丢下不管"，和标准答案 "放弃" 字面不同，Jev 仍判为会（实测 0.95）；把 affect 写成 "效果"（混成 effect）判为不会（0.14）。简答题可按要点逐条判断是否答到	Noul + Score
内容审核	评论、表单提交内容是否违规或含敏感信息	Noul
打分排名	比如新能源汽车排名：Jev 按续航、智驾、性价比分别给每款车的车主评价打分，代码再加权排序。实测 4 款车型，看重智驾时 B 排第二，改成看重续航后 C 升到第二，调权重不用重新调用 Jev	Score
知识库检索重排	给检索到的片段打相关度分，只把高分片段交给大模型	Score
历史数据打标签	对存量的工单、客户留言批量分类，成本低到可以全量跑	Choice

不适合的情况也很明确：要生成文字或代码的、能用代码精确计算的（版本比较、日期、白名单）、需要多步推理的复杂决策，以及图片输入（目前只支持文本）。

用好它有三点：互斥结论用 Choice，单一条件用 Noul；同一份数据的多个问题放进一个请求，并行执行不增加耗时；阈值用自己的数据调，中间地带留给人工。

---

总结

Jev 更像一个可以直接写进 if 里的 "语义函数"：8 份漏洞报告 1.3 秒初筛完，每份约 0.00004 美元，返回的是代码能直接消费的概率。它最适合两种用法：一是固化进业务流程，替代 "只能靠人读一遍" 的环节；二是配合 Claude Code、Codex，Agent 负责干活，Jev 负责判断。

相关地址：

• TypeSafe 控制台：https://console.typesafe.ai
• 官方 Skills 仓库：https://github.com/typesafe-ai/skills
• API 文档：https://docs.typesafe.ai/api

---