Jev模型无图形化客户端，仅支持云端API调用或本地部署：云端需注册获取密钥并配置环境变量，用curl或requests调用；本地需在Linux/macOS下用Python安装Laya库、下载权重并运行推理脚本。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Jev 模型本身不提供传统意义上的“客户端工具”，它有两种主流使用方式：调用云端 API 或 本地部署推理服务。所谓“下载安装”，实际是指获取对应的接入层工具或运行环境，而不是一个图形化安装包。
下面分两类场景说明，选你当前需要的即可：
一、用云端 Jev（推荐新手快速上手）
不需要下载模型或客户端软件，只需配置好密钥和调用方式：
获取 API Key
去 TypeSafe AI 控制台 注册账号，创建密钥（只显示一次，务必当场保存）。-
设置环境变量（关键一步）
在终端中执行（macOS/Linux）：export typesafe_api_key="你的密钥"
并写入
~/.zshrc或~/.bashrc以持久生效。 -
直接调用（无需额外安装客户端）
所有支持 HTTP 请求的工具都能用，比如：-
curl命令行测试 - Python 中用
requests库发 POST 请求 - 或集成进 Codex/Claude Code 等 Agent，通过官方 Skill 自动调用
✅ 优势：零部署、免显卡、即开即用；适合验证逻辑、小规模路由、意图判断等任务。
-
二、本地运行开源版 Jev（Laya 模型）
这是真正意义上的“下载安装”，适用于对数据隐私、响应延迟、离线运行有要求的用户：
-
准备环境
Codex Imagen下载通过本地 Codex 或 OpenClaw OAuth 凭证直接调用 ChatGPT/Codex Responses 的 image_generation 工具来生成或编辑光栅图像，然后保存
- 显卡：≥6GB 显存（如 RTX 3060 及以上）
- 内存：≥16GB
- 系统：Linux/macOS（x86_64 或 aarch64）
- Python：3.10+（推荐 3.12）
-
四步安装流程
# 1. 创建并激活虚拟环境 python -m venv ~/jev-env source ~/jev-env/bin/activate # 2. 安装核心库（开源版叫 laya） pip install laya # 3. 下载模型权重（自动触发，或手动指定分支） # 默认会拉取 multilingual（中英双语）权重 # 4. 运行最小测试脚本 python -c "from laya import Router; r = Router(preload=True); print(r.predict('{}', ['选项A', '选项B']))"✅ 优势：完全离线、毫秒级响应、无 token 计费、可深度定制；适合嵌入自动化流水线、安全护栏、工单分流系统。
补充：Agent 场景下的“工具化接入”
如果你在用 Codex、Claude Code、OpenCode 等智能体平台，还可以通过以下方式把 Jev 当作内置技能使用：
-
安装 TypeSafe 官方 Skill（非独立客户端）：
# Codex / Claude Code claude plugin marketplace add typesafe-ai/skills claude plugin install typesafe@typesafe-ai # 或通用命令（需 npx） npx skills add typesafe-ai/skills --skill typesafe-ai
配置后，Agent 在需要做判断时（如选动作、打分、分类），会自动调用 Jev，你只需写自然语言指令，不用管底层是云还是本地。
不复杂但容易忽略的是：无论哪种方式，“状态（state）+ 问题（questions）+ 候选项”这个三元输入结构必须清晰，否则结果不可控。
