---
author: OOMOL
author_url: https://oomol.com/ru/about/
datePublished: 2026-09-18
title: "Как научить ИИ выбирать: 5 идей Skills для агентов на основе Jev"
description: "Пять сценариев применения Jev: от музыки и игровых NPC до выбора
  Skills. Подключите модель через Cloudflare Workers AI Provider в OOMOL или
  начните знакомство с агентами в чате Leina."
lang: ru
canonical_url: https://oomol.com/ru/blog/jev-agent-skills/
markdown_url: https://oomol.com/ru/blog/jev-agent-skills.md
---

![Пять сценариев применения Jev: создание музыки, игровые NPC, оценка идей, выбор Skills и отбор логов. Надписи на иллюстрации — на английском.](/blog/jev-agent-skills/en-cover.webp)

У вас есть десять вариантов заголовка. Какие оставить? Вы установили десятки Skills. Какой подходит для следующего запроса? Охранник в игре заметил подозрительного человека. Продолжить патрулирование, задать вопрос или поднять тревогу?

Результатом такой задачи может быть всего один вариант, но для правильного выбора нужно понимать контекст.

Jev, выпущенный TypeSafe в раннем доступе 15 сентября 2026 года, предназначен для подобных решений. Он принимает текст или структурированное состояние и возвращает выбранные варианты либо оценки, а также информацию о вероятностях в соответствии с заранее заданными типами вопросов. Программа может использовать эти результаты, чтобы определить следующий шаг. [Представление Jev от TypeSafe](https://typesafe.ai/blog/introducing-system-one-models-and-jev)

Пока Jev принимает только текстовые входные данные. Изображения, аудио и видео сначала нужно преобразовать в текстовые описания или структурированные поля. [Требования к входным данным](https://docs.typesafe.ai/models)

Для пользователей OOMOL, работающих с агентами и Skills, это предлагает практический подход: **выделить повторяющееся суждение в рабочем процессе, определить критерии и оформить само решение вместе с последующими действиями в переиспользуемый Skill.**

В OOMOL появился Cloudflare Workers AI Provider с поддержкой Jev. После подключения модель можно вызывать из рабочих процессов агента и применять описанные ниже идеи к конкретным задачам.

## Как работает Jev: смысловая оценка в формате, понятном программе

Jev создан для структурированных решений. TypeSafe называет этот класс **моделями System One**. Запрос содержит `state` — материал и контекст для оценки, — а также `questions`, где заданы вопросы, типы ответов и критерии. Модель возвращает типизированные результаты, которые код использует для ветвления, ранжирования или маршрутизации. [Техническое описание](https://docs.typesafe.ai/introduction)

Есть три базовых типа вопросов:

| Тип | Назначение | Результат |
| --- | --- | --- |
| **Choice** | Выбрать один из заданных вариантов, например категорию сообщения | Выбранный вариант, распределение вероятностей и показатель уверенности |
| **Score** | Оценить степень выраженности по заранее заданной упорядоченной шкале | Оценка, распределение вероятностей по уровням и показатель уверенности; оценка может находиться между уровнями |
| **Noul** | Определить, верно ли конкретное утверждение | Вероятность ответа «да» от 0 до 1, без отдельного поля уверенности |

Вопросы одного запроса оцениваются независимо и параллельно на основе одного состояния. Ответ на один вопрос не становится контекстом для другого. Если следующая оценка зависит от предыдущего результата, код должен отправить дополнительный запрос. [Типы вопросов и их сочетание](https://docs.typesafe.ai/primitives)

Генеративные языковые модели обычно формируют ответ по одному токену. По описанию TypeSafe, Jev использует параллельное сэмплирование для ограниченного набора выходных значений и возвращает решения с вероятностями без генерации свободного текстового ответа. Метод обучения называется **RLCD — Reinforcement Learning for Calibrated Decisions**, то есть обучение с подкреплением для калиброванных решений. Одна из его целей — приблизить предсказанные вероятности к наблюдаемым частотам. [Устройство модели](https://typesafe.ai/blog/introducing-system-one-models-and-jev) · [Объяснение RLCD](https://docs.typesafe.ai/introduction/machine-learning-primer)

У хорошо откалиброванной модели события, которым присвоена вероятность 80%, должны происходить примерно в 80% сопоставимых случаев. Это статистический ориентир, а не гарантия отдельного ответа. Поле `confidence` в ответах Choice и Score отражает концентрацию распределения вероятностей; его нельзя просто считать вероятностью правильности выбранного ответа. Когда действовать, запрашивать дополнительные сведения или передавать задачу человеку, определяет код по правилам, проверенным на реальных примерах. [Вероятность и уверенность](https://docs.typesafe.ai/confidence)

## Простой пример: куда направить сообщение покупателя

Представьте, что интернет-магазин получил сообщение:

> Сегодня доставили лампу, но плафон треснул. Пожалуйста, замените её.

Разработчик передаёт сообщение в `state` и заранее задаёт три вопроса. В таблице приведены **придуманные примеры для объяснения, а не результаты реального вызова модели**:

| Заданный вопрос | Пример результата | Что делает программа |
| --- | --- | --- |
| Choice: это запрос на замену, вопрос о доставке, вопрос перед покупкой или другое обращение? | Замена — 92%, доставка — 3%, до покупки — 1%, другое — 4%; выбран вариант «замена» | Направляет обращение в очередь заявок на замену согласно правилам приложения |
| Noul: покупатель явно просит о замене? | 0,98 — оценочная вероятность ответа «да» составляет 98% | Добавляет отметку о явном запросе на замену |
| Score: тон спокойный, умеренно недовольный или резко недовольный? | Оценка близка к уровню «умеренно недовольный» | Предоставляет сотруднику поддержки дополнительную информацию для проверки |

Это похоже на заранее подготовленную форму сортировки: **человек задаёт вопросы и варианты, Jev оценивает сообщение, а код решает, куда его направить.** Если сообщение неоднозначно и вероятности распределены между несколькими вариантами, приложение может передать его на проверку.

Значение 98% относится к вероятности того, что в сообщении содержится явная просьба о замене. Оно не означает, что покупатель «недоволен на 98%». Модель также не выполнила замену: проверка заказа и правил, подготовка ответа и организация замены требуют других инструментов, генеративной модели или сотрудника поддержки.

## Разделите генерацию, оценку и исполнение

Возьмём процесс выбора заголовка статьи:

- Генеративная модель предлагает десять вариантов по исходному материалу.
- Jev оценивает их по фиксированным критериям: ясность, конкретность и наличие оснований для заявлений в источнике.
- Код сводит результаты и показывает автору варианты с оценками.

Генеративная модель предлагает варианты, Jev оценивает смысл, код отвечает за вычисления и исполнение. Skill описывает весь процесс: необходимые входные данные, вызовы инструментов, обработку неопределённости и итоговый результат.

Так проще искать причины ошибок. Слабые заголовки — повод проверить инструкции генерации. Неудачный порядок вариантов — пересмотреть критерии. Неверная сумма — проверить код агрегации.

В сообществе уже появились интересные примеры. Среди пяти проектов ниже есть инструменты с файлом `SKILL.md`, приложения и библиотеки. Чтобы агент мог использовать приложение как Skill, потребуется дополнительная интеграция.

## 1. Создание музыки: модель выбирает параметры, программа создаёт ноты

[Jev Playground](https://github.com/wustep/jev-playground) разбивает создание музыки на заранее определённые параметры: настроение, структуру, тональность, размер, темп, инструменты и фразы. Jev выбирает значения, а программа превращает их в ноты, партитуру и воспроизводимую музыку. Предусмотрен экспорт MIDI.

Это конкретная схема для разработчика Skill. Пользователь может описать назначение, например фоновую музыку для вечернего чтения. Процесс мог бы преобразовать просьбу в параметры, вызвать существующую музыкальную программу и выдать партитуру с MIDI-файлом.

Так можно разработать Skill для подготовки музыкального замысла. Явные параметры дают понятные средства управления: настроение меняет характер композиции, а темп и размер — ритм.

В проекте есть и автономный режим на эвристиках, которому не нужен API-ключ. При знакомстве различайте автономный результат и реальный вызов Jev: само звучание музыки ещё не доказывает участие модели.

## 2. Игровые NPC: наблюдайте за решениями охранника

[HEIST//ONE](https://github.com/AbdelStark/heist-one) — игра о скрытном проникновении в музей. Маскировка, документы, освещение и шум влияют на решения охранников. Jev оценивает угрозу, подозрительность, тактическое намерение и объект внимания. Код отвечает за физику, поиск пути, допустимые по правилам игры действия и условия победы.

Интерфейс может показывать сведения, полученные охранником, вероятности модели и фактически выполненное действие.

Когда охранник внезапно начинает погоню, разработчик может выяснить, что тот заметил, какое суждение изменилось и как программа превратила его в поведение.

На этой основе можно построить переиспользуемый процесс принятия решений NPC: передавать локальное состояние, доступное персонажу, выбирать действие из заданного набора и поручать игровому движку проверку и исполнение. Доступные действия и правила определяет разработчик.

По умолчанию проект работает в сценарном режиме без API-ключа; для реальных вызовов нужно включить Jev. Автор опубликовал свидетельство запуска с моделью, но один запуск не доказывает надёжность в разных ситуациях.

## 3. Оценка идей: одинаковые вопросы для каждого предложения

[Kill My Idea](https://github.com/monteduro/killmyidea) превращает оценку стартап-идей в небольшое приложение. Оно задаёт Jev десять вопросов: восемь оценочных критериев, категорию идеи и ясность её изложения. Затем код взвешивает оценки и рекомендует KILL (отказаться), FIX (доработать) или SHIP (запустить).

Приоритеты оценки можно менять в зависимости от цели: заработок, создание открытого проекта или развлечение.

Отсюда возникает идея Skill для сравнения предложений: оценивать несколько вариантов по одинаковым критериям и показывать различия рядом. Это может помочь увидеть, какие идеи ясно изложены, какие зависят от непроверенных предположений и какие стоит сначала проверить небольшим экспериментом.

Единые критерии упрощают сравнение. Оценки всё равно нужно сопоставлять с реальностью: нужен ли продукт людям и готовы ли они пользоваться им или платить. В документации проекта указано, что завершённые оценки по умолчанию сохраняются на сервере; в форме можно отказаться от архивирования.

## 4. Выбор Skills: оставьте вариант «Skill не нужен»

Чем больше Skills, тем важнее выбрать подходящий.

[Jev Agent Skill Router](https://github.com/GodsBoy/jev-agent-skill-router) принимает запрос пользователя и каталог Skills. Он возвращает выбранный Skill, решение об отсутствии необходимости в Skill или запрос на проверку. Проект отвечает за маршрутизацию; загрузку и выполнение выбранного Skill должен обеспечить другой код.

Для владельцев больших наборов Skills это полезное разделение. Маршрутизатор должен учитывать и соответствие запросу, и границы задач. Вопрос о понятии может не требовать отдельного Skill. Если подходят несколько вариантов, может понадобиться дополнительная проверка. Отказ от Skill не исключает последующего использования инструментов.

Панель с запросом, кандидатами, выбором и неопределённостью помогла бы находить пересекающиеся описания, неясные обязанности и слишком широкие условия срабатывания.

Такой подход стоит исследовать в среде Apps и Skills, подобной OOMOL. Проект сообщества даёт идею; полноценная интеграция маршрутизатора всё ещё требует разработки и проверки.

## 5. Отбор логов: что заслуживает подробного анализа

[Jev Logs](https://github.com/reachjalil/jevlogs) добавляет к логам оценки диагностической ценности, приоритета и маршрутизации. Он помогает выбрать записи для дальнейшего анализа более крупной моделью, сохраняя исходный архив. Проект предоставляет npm-пакет и файл `SKILL.md`. Он выполняет фильтрацию и маршрутизацию, а поиск первопричины остаётся задачей последующего процесса.

Эта схема подходит для повторяющегося первичного отбора: сначала определить материал, требующий внимания, затем вызвать модель для более глубокого анализа.

Важно сохранять основания для проверки. Архив позволяет выяснить, не пропустил ли этап отбора полезные записи. Экономия зависит от реального распределения логов, ошибок фильтрации и способа вызова следующих моделей.

## Начните со Skill для оценки заголовков

![Оценка заголовков: генеративная модель предлагает варианты, Jev оценивает их через OOMOL Provider, код сводит результаты, а автор проверяет их. Skill сохраняет требования к входным данным, критерии и правила проверки. Надписи на иллюстрации — на английском.](/blog/jev-agent-skills/en-workflow.webp)

*Рисунок 1. Генерация, оценка и проверка выполняют разные роли. Это концептуальная схема, а не снимок интерфейса или результат измерений.*

Для первого опыта выберите ограниченную задачу с легко проверяемым результатом — например, оценку заголовков.

Задание можно сформулировать так:

> Оцени десять вариантов заголовка по исходному материалу. Проверь ясность, конкретность и наличие обещаний, которые источник не подтверждает. Сохрани отдельные оценки и отметь варианты для проверки человеком. Окончательный выбор сделает автор.

Затем явно задайте условия процесса:

| Условие | Пример для оценки заголовков |
| --- | --- |
| Входные данные | Исходный материал, целевая аудитория и варианты заголовка |
| Критерии | Понятна ли тема? Конкретна ли формулировка? Подтверждает ли источник обещание? |
| Использование результатов | Сравнение и проверка с сохранением каждого критерия |
| Исключения | Передача автору при недостатке оснований или неопределённом суждении |
| Проверка качества | Реальные примеры: удачные, неудачные и неоднозначные заголовки |

Сначала добейтесь работы этой небольшой схемы, затем увеличивайте объём и добавляйте инструменты. TypeSafe сообщает, что Jev пока лучше всего работает на английском; китайский и другие языки следует проверять на собственных примерах. [Модели и поддержка языков](https://docs.typesafe.ai/models)

## Подключите Provider в OOMOL и начните пользоваться Jev

**OOMOL предлагает Cloudflare Workers AI Provider с поддержкой Jev. Подключите его, чтобы использовать модель.** TypeSafe разрабатывает Jev, Cloudflare предоставляет доступ, а OOMOL делает этот доступ частью работы агента с инструментами. [Jev включён в каталог моделей Cloudflare](https://developers.cloudflare.com/ai/models/typesafe/jev/).

Начните с описанной выше оценки заголовков:

1. Настройте подключение Cloudflare Workers AI Provider в [консоли OOMOL](https://console.oomol.com/).
2. Подготовьте материал и варианты заголовков. Укажите агенту критерии сравнения и прямо попросите вызвать Jev.
3. Проверьте результаты, выделите варианты для исправления или дополнительного рассмотрения и определите следующий шаг.

После подключения можно отправить агенту такой запрос:

> Используй подключённый Cloudflare Workers AI Provider, чтобы вызвать Jev и оценить следующие десять заголовков. По исходному материалу проверь ясность, конкретность и наличие неподтверждённых обещаний. Составь сравнительную таблицу, сохрани каждую оценку и отдельно перечисли заголовки, которые мне нужно проверить.

Агент преобразует задачу в вопросы, поддерживаемые Jev, и оформит результаты в таблицу с пояснениями. Jev отвечает за суждения внутри этого процесса.

Когда процесс заработает, сохраните требования к входным данным, критерии, вызовы инструментов и правила проверки в Skill для оценки заголовков. Его можно использовать с новой подборкой материала. Другие возможные задачи для начала — сравнение предложений, классификация контента и отбор логов.

**Provider даёт доступ к модели, а Skill сохраняет способ выполнения задачи.** Музыкальные, игровые и маршрутизирующие проекты из этой статьи — примеры для проектирования. Для воспроизведения полного поведения всё ещё нужны соответствующий код приложения и логика исполнения.

Рекомендации по формулировке вопросов есть в [официальном Skill TypeSafe](https://github.com/typesafe-ai/skills). Для другого варианта интеграции через MCP можно изучить проект сообщества [jev-mcp](https://github.com/rashedInt32/jev-mcp).

## Для хороших решений нужны ясные вопросы и проверяемые результаты

Jev упрощает включение классификации, оценки и выбора в программное обеспечение. Разработчикам по-прежнему нужно определить кандидатов, критерии и действия на случай ошибки.

TypeSafe описывает ограничения в подсчёте, математике, сравнении дат и сложных косвенных рассуждениях. Явные вычисления лучше поручать коду; даже правильно структурированный ответ необходимо проверять по существу. [Известные ограничения модели](https://docs.typesafe.ai/model-jaggedness/jev-1.13)

Эти проекты подсказывают конкретный подход: найдите повторяющееся решение, предоставьте нужный контекст, задайте проверяемые критерии и свяжите результат со следующим действием.

Начните с выбора заголовка или Skill либо с определения необходимости подробного анализа лога. Соединив входные данные, суждения, исполнение и проверку, вы получите возможность, которую можно использовать повторно.

## Начните с общения с агентом Leina

Чтобы попробовать возможности агента, начните с **[Leina Agent](https://leina.ai/)**. Создайте и запустите агента, общайтесь с ним, попробуйте диалоговые модели, например GPT, и добавляйте инструменты по мере необходимости. Набор моделей зависит от текущих настроек, доступных в Leina.

Leina поддерживает привычные мессенджеры: **Discord, Slack, Microsoft Teams, WeChat, Feishu и DingTalk**. Подключив нужный канал, можно отправлять задачи из приложения на телефоне или компьютере, не разворачивая шлюз и не программируя вызовы API самостоятельно.

Начните с трёх шагов:

1. **Создайте агента.** Откройте [leina.ai](https://leina.ai/), перейдите к началу работы, создайте и запустите своего Leina Agent.
2. **Подключите мессенджер.** Следуйте инструкции выбранной платформы и отправьте первое сообщение с телефона или компьютера.
3. **Попробуйте небольшую задачу.** Попросите объяснить понятие, упорядочить присланный текст или предложить заголовки. Когда понадобится доступ к другому приложению, добавьте нужный Connector и предоставьте разрешения.

Например, отправьте такой запрос:

> Объясни Jev на бытовом примере, а затем предложи пять заголовков по материалу ниже.

Для новых задач настраивайте необходимые агенту **Connectors**. Эти подключения позволяют обращаться к другим сервисам в пределах выданных разрешений и выполнять работу по запросу из чата. Вы можете выбирать разные Connectors и сохранять проверенные процессы как Skills.

Чтобы попробовать оценку через Jev, настройте для агента подключение Cloudflare Workers AI Provider с поддержкой Jev и отправьте приведённый выше запрос на проверку заголовков. Обычное общение и создание заголовков выполняет диалоговая модель; реальный вызов Jev позволяет попробовать классификацию, оценку и выбор.

**[Откройте Leina и создайте агента](https://leina.ai/)** — начните с одного сообщения. Если агент у вас уже есть, можно подключить Provider через [консоль OOMOL](https://console.oomol.com/) и продолжить работу в привычной среде.

---

*Источники и границы обзора: статья основана на исследовании от 18 сентября 2026 года; представление Jev, документация модели и ограничения TypeSafe проверены отдельно. Описания проектов сообщества взяты из изученной при исследовании документации авторов. Для этой статьи демонстрации и производительность независимо не тестировались. Информация о доступности Provider, начале работы с Leina и поддерживаемых каналах основана на сведениях продуктовой команды и сайте Leina; результатов реального тестового вызова Provider в статье нет. Приложения сообщества и предлагаемые расширения Skills следует отличать от готовых приложений, выпущенных OOMOL.*