Jev 能替代 ChatGPT 吗？ 不能整体替代，只能替代其中“判断”那一步。如果你用 ChatGPT 加 JSON Schema 做分类或是非判断，这一步可以改用 Jev，直接拿到每个选项的概率。生成回复、解释原因、多步推理，仍然交给大模型。两者常常一起用。
一句话区别：生成文本 vs 回答类型化问题
ChatGPT 的接口是“提示词进，文本出”。即使你要求它输出 JSON，它也是一个 token 一个 token 生成出来的。
Jev 的接口是“state 加问题进，概率出”。你先写好问题和选项，Jev 只在这些选项里给出答案和概率。问题有三种：
- Choice：从选项里选一个，给出每个选项的概率。
- Score：按有序量表打分。
- Noul：返回“是”的概率。
本站的 System One 是一个开源 TypeScript SDK（@system-one-ai/core）加托管 API。想先了解这类模型，见 决策模型是什么？。
对照表：同一类工作，交给谁
这张表只比接口和机制，不比准确率、速度或价格高低。
| 对比项 | ChatGPT（OpenAI API + 结构化输出） | Jev（在 system-one.dev 上） |
|---|---|---|
| 输出形状 | 生成的文本；开启结构化输出时，是符合 JSON Schema 的文本来源: OpenAI 结构化输出文档 · 核验日期 2026-10-12 | 类型化答案加概率，不生成文本来源: Jev 文档 · 核验日期 2026-10-12 |
| 答案空间 | 开放；用 enum 等字段可以限制格式 | 只能在你预先给的选项或量表里作答来源: System One 决策原语 · 核验日期 2026-10-12 |
| 不确定性信号 | 结构化输出本身不返回每个选项的概率，需要自己设计 | Choice 返回每个选项的概率，Noul 返回“是”的概率来源: System One 决策原语 · 核验日期 2026-10-12 |
| 能否解释原因 | 能，可以让它写出理由 | 不能，不解释推理过程来源: System One 文档 · 核验日期 2026-10-12 |
| 输入类型 | 文本、图片等，见 OpenAI 官方文档来源: OpenAI 结构化输出文档 · 核验日期 2026-10-12 | 文本和 JSON，不读图片来源: Jev 文档 · 核验日期 2026-10-12 |
| 计费方式 | 按 token 计费，价格见 OpenAI 官方定价页来源: OpenAI API 定价 · 核验日期 2026-10-12 | 按问题和请求字节块计积分（见下文）来源: system-one.dev 定价 · 核验日期 2026-10-12 |
| 适合的任务 | 写回复、总结、抽取任意字段、多步推理 | 分类、路由、打分、是非检查 |
真正的对手：ChatGPT + JSON Schema
很多开发者早就不用聊天界面做判断了，而是用 OpenAI API 加 JSON Schema 或函数调用。所以真正该比的是这一套写法。
结构化输出解决了什么，没解决什么
OpenAI 文档说，结构化输出能确保模型总是生成符合你给的 JSON Schema 的回答，不会漏掉必填字段，也不会编出无效的 enum 值。这解决的是格式问题。
它没解决的是：
- 不确定性：你拿到一个 enum 值，但不知道模型有多确定。想要置信度，得自己设计。
- 边界情况：OpenAI 文档也写明，模型拒答或者达到 max tokens 上限时，回答可能不符合 schema，需要你单独处理。来源：OpenAI 结构化输出文档 · 2026-10-12
你原来的 schema，对应 Jev 的哪种问题
| 原来的 schema 字段 | 对应的 Jev 问题 |
|---|---|
enum（从几个类别里选一个） | Choice |
| 评分字段（比如 1–5 分） | Score |
boolean（是或否） | Noul |
同一个任务两种写法：客服工单分流
任务：读一条客服留言，判断该交给哪个团队，以及是否要求退款。
以下两段代码都是示意代码，用来对比写法，没有经过实际运行测试。写法一是伪代码；写法二沿用本站其他文章里
@system-one-ai/core的写法。代码里不放真实的返回数字。
写法一：ChatGPT + JSON Schema（伪代码）
ts// 示意伪代码，未经测试
const schema = {
type: 'object',
properties: {
team: { type: 'string', enum: ['billing', 'support', 'review'] },
refundRequested: { type: 'boolean' },
},
required: ['team', 'refundRequested'],
additionalProperties: false,
};
// 1. 把留言和 schema 发给模型，开启结构化输出
// 2. 检查是否拒答、是否因 max tokens 截断
// 3. 解析 JSON，拿到 team 和 refundRequested
// 4. 没有每个选项的概率：要置信度，得自己另想办法
写法二：Jev + @system-one-ai/core（示意）
ts// 示意代码，未经测试
import { choice, booleanQuestion } from '@system-one-ai/core';
import type { EvaluationClient } from '@system-one-ai/core';
const ticketQuestions = {
team: choice('Choose the team that should handle this message.', {
billing: 'Payments, invoices, and refunds',
support: 'Technical issues with the product',
review: 'Needs a person; the request is incomplete or consequential',
}),
refundRequested: booleanQuestion('Does the message ask for a refund?'),
};
export async function routeTicket(client: EvaluationClient, message: string) {
const result = await client.evaluate({ state: { message }, questions: ticketQuestions });
return {
team: result.answers.team.choice,
teamConfidence: result.answers.team.confidence,
refundProbability: result.answers.refundRequested.probability,
};
}
client 的创建方式见 决策模型是什么？ 里的 createHostedClient()，模型 ID 从 GET /v1/models 取，不要手抄。
差别在于：写法二直接拿到概率，代码可以按阈值分支，比如置信度低就转人工。阈值要用你自己的标注样本来定。
什么时候还是用 ChatGPT
这些事交给大模型更合适：
- 写回复、写邮件、写代码。
- 总结长文、改写语气。
- 抽取事先列不出来的任意字段。
- 多步推理，或者需要写出理由。
- 输入里有图片等非文本内容（Jev 只读文本和 JSON）。
组合模式：大模型生成，Jev 把关
Jev 先分流，拿不准再交给大模型
先用 Jev 的 Choice 分类。置信度够高，直接走对应流程；不够高，再交给大模型处理。详见 模型路由。
大模型生成后，Jev 做是非检查
大模型写完回复，再用 Jev 的 Noul 检查，比如“这条回复是否承诺了退款”。概率高就拦下或转人工。详见 Agent 护栏。想用 Score 给生成结果打分，见 用 Score 替代 LLM 当裁判。
两种模式的阈值，都要用自己的标注样本定。
那 Claude 呢？
关系一样。Claude 也是生成式大模型，也提供结构化输出：Anthropic 文档说，它通过约束解码保证回答符合 schema。来源：Claude 结构化输出文档 · 2026-10-12 上面关于 ChatGPT + JSON Schema 的分析，同样适用于 Claude。本文不对 Claude 做单独评测。
计费与试用
在 system-one.dev 上调用 Jev，按积分计费：
每 4KB 算一块，不足 4KB 也按一块；费用 = 块数 × 问题数 × 模型单价
- Jev 单价：每个问题每块 1 积分。
- 字节数是整个请求的 UTF-8 字节数，不是字符数。一个汉字约 3 字节。
- 不足一块按 1 块算。
- 例：一个 9,000 字节、2 个问题的 Jev 请求 = 2 × 3 × 1 = 6 积分。
新账号注册即送 100 积分，积分不过期。模型用完整的模型 ID 选择，ID 从 GET /v1/models 取。详见 定价。
ChatGPT 按 token 计费，和本站的计费方式不同，不能直接比单价。请用自己的典型请求分别算。
想试一下？在线试用（需登录）。