本文提出一个研究命题：能够被制造成长期、可复核工件的，不是开放世界的 AI 本体，而是经过严格收缩的决策面。作者区分了 confidence（输出分布尖锐度）、calibration（长期统计关系）与 authorization（制度与权限概念）三个常被混淆的概念，强调概率不能替代授权。文章设计了 Jev 与 TapeOut 连接的两条路线：在线提案路线（Jev 仅提出有限动作建议，确定性安全层与独立执行器限权）与离线冻结路线（将冻结后的有限决策面物化为 Circuit 工件）。作者同时承认最强反对意见的正确性：把世界编码为 bits 只是把模糊性转移到电路之外，并给出不应冻结的条件。核心结论是让 AI 可以提案但不能改写边界，把不可协商的规则放进确定层。
这是 AI Agentic Engineer 系列课程的第二部分，深入讲解提示词工程与上下文安全。文章首先介绍 LLM 的指令层级（系统提示、用户消息、工具结果），强调层级只是辅助而非安全模型。随后详细分析直接提示注入与间接提示注入两类攻击：间接注入尤其危险，因为恶意指令藏在外部内容（网页、邮件、GitHub issue 等）中，用户毫不知情。核心防御是来源标记，即区分内容的可信级别，同时强调授权必须在模型之外的后端以确定性方式实现，防止智能体成为权限绕过的工具。
文章介绍如何在OpenAI发布Dots常驻Agent和GPT-6 Astra（百万token记忆）后，搭建一个24/7自主运行的AI工作流。核心难题是常驻Agent会高频产生大量简单决策，用前沿模型成本高昂。解决方案是TypeSafe推出的System One模型Jev：它只能输出结构化决策（是/否、选择、评分）并附带置信度，单价仅$0.042/百万token，使百万次决策成本约$42。文章展示了将Jev作为低层决策器、Astra作为高阶思考引擎的组合架构，让独立开发者从写代码转变为定义任务、设限并审核产出的监督者角色。
作者介绍如何结合Anthropic最新Opus 5.5模型与TypeSafe AI推出的新型'System One'模型Jev，构建高频AI交易机器人。Jev不生成文本，而是对预设结果进行概率评估，速度和成本比GPT/Claude低200-400倍，响应仅70-500毫秒，非常适合高频和新闻交易。架构设计上，Opus 5.5负责策略设计与回测等高层思考，Jev作为决策层实时输出概率信号，配合止损止盈策略和交易所执行层完成交易。文章还涵盖技术部署（Alpaca纸面交易或VPS服务器）、策略挖掘方法论：大量回测、过滤幸存策略、前向测试、小资金实盘验证等步骤。
作者为 TapeOut 协议提交三份 agent 相关草案：Agent Passport（把钱包与 ERC-8004 身份绑定到电路上供陌生人核验）、Policy Circuit Gate（把 agent 花费规则写成对手方可重跑的电路）、Circuit Jobs（基于 ERC-8183 的可验证作业结算）。文章回顾了设计过程：盘点已有 22 个 agent 草案形成五层地图，分析身份、任务、授权、可验证计算各层的空白与拥挤赛道，通过两版对手稿互审、两轮对抗式审查和主网分叉实测，砍掉了工厂合约、声誉写回等危险设计，最终把'身份、钱包、工具、可验证能力、可验证工作、凭证'六要素粘合成 Agent Universe。
作者介绍了如何将 TypeSafe 的 System One 模型 Jev 接入 Grok Bot 云端代理，以解决代理反复重试同一失败任务的问题。Jev 以类型化数值返回决策（Choice、Score、Noul 三种原语），而非自然语言。文章给出七步完整流程：获取 API 密钥并通过掩码密钥流程安全注入环境、安装 SDK 并冒烟测试、构建仅接收四个状态字段的路由模块、封装为 jev-usage-router 技能、先以 shadow 模式运行一周记录并比对决策分歧，最后切换为 active 模式并保留 kill switch。核心思想是用低成本裁判模型在重试、缓存复用、人工确认等动作间路由，避免代理浪费资源。
作者介绍了将 Minara 与 Jev 两个 AI 工具组合搭建金融交易智能体的完整流程。Minara 提供行情数据、Funding、OI、Smart Money、回测和执行等一体化金融基础设施，Jev 负责实时判断做多、做空或等待。工作流为：实时数据 → Jev 判断 → Minara 回测验证 → 风险过滤 → 执行。作者用 100U 本金在 7 天内跑出 174% 收益，强调 Jev 提出判断、Minara 验证策略是否有 Edge 的互补机制，展示了完整 AI Trader 的雏形，并计划后续分享搭建方法与配置。
本文整理了 Lee Robinson 在斯坦福 CS146S 的讲座，完整拆解常驻主动式智能体（如 GrokBot）的工程架构。内容涵盖：从工具到同事的四个时代演进、模型层六大关键变化（长程指令遵循、子智能体、computer use、技能系统等）、常驻 agent 内部架构（休眠-唤醒模型、Firecracker 微虚机云电脑、薄客户端单工具设计、Temporal 持久化工作流、升级阶梯）、安全模型（auto review、提示注入防护），以及上下文工程核心技巧（prompt caching 经济学、压缩时机、分层记忆），最后展望训练飞轮与行业走向，并给出给学生的三条建议。
a16z 的 Jennifer Li 宣布领投 TypeSafe AI。其发布的 Jev 模型是本年度最大的叙事突破：与主流大模型不同，Jev 属于新型 System One 模型，直接以类型化值向代码返回决策，而非文本输出，实现 AI 与软件的原生深度集成。Jev 成本仅为前沿模型的 1/100 到 1/500，分类任务速度快 100 倍且准确率相当，上线 3 天即生成 1 万亿 tokens，25% 的财富 500 强企业已集成。作者认为 AI 应让软件更智能，而非替代工程师，并赞许 TypeSafe 尊重开发者、务实可组合的理念。
本文系统整理了 Jev 及同类决策模型的学习资料，涵盖 12 大主题、58 份资料、80 个链接。文章首先解释了 Jev 是 TypeSafe AI 推出的决策模型，输入为状态、问题和候选项，输出为结构化的选择、评分及概率分布。作者分析了评估此类模型的关键维度：动态候选项、受限输出与概率校准、推理方式、训练方式及答案边界。随后提供了按目的划分的阅读路径（入门、本地试用、训练研究、中文场景、Agent 应用），并分类整理了云端决策服务（OpenAI Decisions、Liquid d1）、开放模型（Cloudflare Clef、Perplexity Decider、GLiNER2.5-Decide）及本地社区实现（Laya、Kev）等资源，是一份完整的决策模型学习导航。
本文介绍如何通过'循环工程'降低 Claude 自动化的 token 开销：将队列检查、重复判断等高频决策从主对话中剥离，交由专用代码路径和 TypeSafe AI 的决策模型 Jev 处理。Jev 提供 Choice、Noul、Score 三种类型化问题原语，返回带概率的结构化答案，成本低至每百万输入 token $0.042。文章以 issue 分类过滤为例，给出完整的 Python SDK 实战代码，展示如何构建可检查、可扩展的任务路由过滤器，让 Claude 专注于实现工作，应用代码控制任务流转。
本文介绍了如何使用 TypeSafe AI 的决策模型 Jev 作为 LLM Judge 来评估 Agent 的表现（Jev-as-a-Judge）。与只看最终回复不同，Jev 会阅读完整轨迹（用户请求、工具调用及结果、最终回复），将标准转化为预定义问题，并返回带置信概率的判定。文章通过退款 Agent 示例演示了 Playground 的使用，说明如何设定阈值将运行分为通过、失败和人工复核三类。研究显示，该接受-升级模式比 GPT-6 单独判断更准确且成本大幅降低。作者强调需先用人工标注验证 Jev 的可靠性，能用代码检查的事实性问题就不需要 Judge，将 Jev 保留给需要阅读理解的判断。
文章解读 Pi 1.0 发布：Pi 从公开拒绝 MCP 转变为将其纳入核心支持。关键不在改变主意，而是为支持 MCP 所做的改动（沙箱、解释器、工具元数据、延迟加载）本身具有普遍价值，同时也让 Jev 等非 LLM 模型受益。核心概念 CodeMode 是跑在 harness 受信任侧的编排层沙箱，用 JavaScript（可作 WASM 分发）自由组合工具调用与模型调用，状态保存在会话记录中。Pi 团队认为 MCP 的问题是外部服务器难以组合，希望其向 OpenAPI 式结构化数据演进。此外还发布了构建长时间运行 agentic 应用的新基座 Pi Durable，以及延迟工具加载、缓存预热等改进。
