Jev 的三種原語：Choice、Score、Noul

Jev 不生成文字，只回傳帶機率的決策 只會回答三種問題。整個編程模型就這三個。

原語	問它什麼	回傳
Choice	從你給的選項裡選一個	選中的那一個 ＋ 每個選項各自的機率
Score	按一個有序的評分表打分（例：平靜／不耐煩／憤怒）	每一檔的機率，再插值出一個分數
Noul	「這句話為真嗎」	一個 0–1 的機率（Vercel AI SDK 裡叫 boolean）

三種可以混在同一次請求裡

對同一段狀態並行評估、互不干擾，所以多問幾題延遲幾乎不變——影片場景②一次問五題（Choice 分類、Score 嚴重程度、boolean 有無複現步驟、boolean 是否要求退款、Score 情緒），延遲和只問一題差不多。

官方的配套告誡：不要讓模型在一個長上下文裡連環推理，要把複雜決策拆成一組原子問題一次全問，剩下的邏輯交給程式碼。這條建議的實務後果見 Jev 省 token 省在輸出歸零與狀態只送一次。

一個容易混的點

Score 的中間值有「程度」的意思，Noul 的 0.5 沒有。

Score 0.5  → 落在評分表中段，真的是「中等」
Noul  0.5  → 「是」和「否」各半，代表不確定，不是程度中等

同樣是 0–1 的數字，語義相反。官方 skill 特地把這條列為「要糾正的大語言模型時代習慣」之一。

三種原語一起用長什麼樣

社群拿它玩超級瑪利歐的案例，把 NES 的記憶體解析成 JSON 當狀態，一個遊戲迴圈裡三種全用上：

Choice → 選手把動作
Noul   → 現在跳有沒有用
Score  → 眼前的危險程度
每 8 幀決策一次