Jev AI 사용법과 활용사례 5가지: 클로드·ChatGPT 차이부터 자동화까지

 

Jev AI는 글을 쓰는 대신, 주어진 내용을 읽고 분류하거나 평가하는 AI예요.

예를 들어 고객 문의를 보고 “결제 담당자가 처리할 일인지”, “급한 문의인지”를 판단해 주는 식이에요.

 

클로드나 ChatGPT가 있는데 이런 AI가 왜 필요할까요?
긴 설명보다 짧은 판단을 여러 번 반복해야 하는 일도 많아서 비용과 시간 낭비를 줄여주기 때문이에요.

 

이 글에서는 Jev AI 사용법과 클로드·ChatGPT의 차이를 먼저 살펴보고, 브라우저 자동화부터 개발자 도구까지 공개 활용사례 5가지를 이미지와 함께 정리했어요. 직접 써보고 싶다면 뒤쪽의 웹 실습과 Python 예제를 따라 해보세요.

Jev를 만든 회사는 TypeSafe AI예요. 아래에서 어려운 기술 용어보다 실제 하는 일부터 살펴볼게요.
출처: TypeSafe AI 공식 Jev 소개 글 · 공식 이미지 원본

목차

1. Jev란? 반복되는 분류를 맡는 AI
2. 클로드·ChatGPT와 어떤 점이 다를까?
3. 장점과 단점, 누구에게 필요할까?
4. Jev AI 활용사례 5가지와 공개 예제
5. Jev 사용법: 코딩 없이 첫 판단 해보기
6. 직접 따라 하는 실전 활용법 3가지
7. 더 잘 쓰는 학습법과 자세한 확인 사항
8. 자주 묻는 질문과 총평

 

1. Jev란? 반복되는 분류를 맡는 AI

쇼핑몰에 이런 문의가 왔다고 생각해 볼게요.

“결제가 두 번 됐어요. 오늘 안에 환불해 주세요.”

 

이 문의를 처리하려면 먼저 몇 가지를 알아야 하죠.
누가 맡을까? → 결제 담당자
급한 일일까? → 오늘 처리를 요청한 문의
환불을 원하는 걸까? → 환불 요청이 있음

 

Jev는 이렇게 내용을 읽고, 우리가 정해둔 질문에 맞춰 판단하는 역할을 해요. 위 내용은 역할을 이해하기 위한 예시이며, 실제 판단은 실행해서 확인해야 해요.

 

중요한 점은 여기까지라는 거예요. Jev가 스스로 돈을 돌려주거나 고객에게 답장을 보내는 것은 아니에요. 판단 결과를 받아 다음 일을 하는 프로그램이나 사람이 따로 필요해요.

한마디로 정리하면 “무엇을 쓸까?”보다 “어디로 나눌까, 확인이 필요할까?”에 쓰는 AI예요.

 

2. 클로드·ChatGPT와 어떤 점이 다를까?

같은 고객 문의를 놓고 보면 차이가 더 쉬워요.

 

클로드·ChatGPT에 맡기는 일
“고객에게 보낼 정중한 환불 안내문을 써줘.”
→ 문장을 만들고, 표현을 다듬는 데 활용해요.

 

Jev에 맡기는 일
“이 문의는 결제·기술·일반 문의 중 어디에 해당해?”
→ 정해둔 항목 중에서 적절한 것을 고르는 데 활용해요.

 

물론 클로드와 ChatGPT도 분류를 할 수 있어요. 분류가 Jev만의 기능이라는 뜻은 아니에요. Jev는 자유로운 글쓰기를 하지 않는 대신, 이런 판단을 빠르고 적은 비용으로 반복하는 데 초점을 맞춘 모델이에요.

그래서 “앞으로 ChatGPT 대신 Jev를 쓰면 되나요?”라는 질문에는 쓰는 목적이 달라요라고 답할수 있고, 글을 쓰고 설명을 듣는 것이 목적이라면 기존 도구가 더 잘 맞아요.

 

둘을 함께 쓴다면 이렇게 나눌 수 있어요.
Jev가 문의를 분류 → 클로드·ChatGPT가 답변 초안 작성 → 사람이 확인
다만 자동으로 연결되는 기본 기능은 아니며, 이런 흐름을 만들려면 별도 연동이 필요해요.

 

3. 장점과 단점, 누구에게 필요할까?

장점은 반복 작업에서 드러나요

문의 한두 건은 사람이 읽어도 어렵지 않아요. 그런데 비슷한 문의나 자료를 계속 분류해야 한다면 이야기가 달라지죠.

Jev는 정해진 기준으로 여러 자료를 나누고, 프로그램이 사용할 결과를 돌려주는 일에 검토해 볼 만해요.

예를 들면 고객 문의를 담당 부서별로 나누기, 블로그 소재를 주제별로 정리하기, 답변에 추가 확인이 필요한지 표시하기 같은 일이에요.

 

단점도 분명해요

글을 대신 써주지는 않아요. 긴 설명이나 완성된 답변이 필요하면 다른 도구가 필요해요.
틀릴 수 있어요. 결과가 깔끔하게 나온다고 판단까지 맞는 것은 아니에요.
연결 작업이 필요해요. 업무에 자동으로 적용하려면 프로그램을 만들거나 기존 시스템과 연결해야 해요.

현재 모델은 글자로 된 자료를 받아요. 사진이나 녹음 파일은 그대로 넣는 것이 아니라 먼저 글자로 바꿔야 해요. 한국어도 처리하지만 공식 안내상 영어에서 정확도가 가장 좋으므로, 내 한국어 자료로 확인하는 과정이 필요해요.

 

누가 써보면 좋을까요?

추천하는 경우: 같은 종류의 분류·평가를 자주 반복하고, 이를 프로그램에 연결하고 싶은 경우예요.
서두르지 않아도 되는 경우: 글쓰기, 질문하기, 자료 요약이 주목적인 경우예요. 이때는 클로드·ChatGPT부터 익혀도 충분해요.

Jev는 별도의 이용 비용이 있는 서비스예요. 클로드나 ChatGPT 구독에 포함되는 것은 아니에요. 정확한 요금과 계산 예시는 뒤쪽에 정리했어요.

 

4. Jev AI 활용사례 5가지와 공개 예제

그럼 이런 판단형 AI를 어디에 붙일 수 있을까요? 브라우저 자동화, 드론, 게임, 모의 코인 매매, 개발자 도구까지 공개 프로젝트가 나와 있어요. 아래는 Jev를 다른 프로그램과 연결한 활용사례 5가지예요. Jev만 켜면 바로 되는 기본 기능이 아니라는 점부터 기억해 주세요.

 

사례 1. 브라우저 자동화: 항공권을 찾으며 다음 버튼 고르기

항공권을 찾을 때는 출발지, 도착지, 날짜를 차례로 골라야 하죠. browser-use의 jev-ultrafast는 이런 웹 작업에서 다음 동작을 선택하는 브라우저 에이전트 프로젝트예요. 공개 데모는 Google Flights에서 취리히 출발, 런던 도착 항공편을 검색하는 과정을 보여줘요.

브라우저에서 실행할 동작과 대상 요소를 Jev가 선택하는 프로젝트예요. 아래 설명과 성능 수치는 저장소의 공개 데모를 기준으로 했어요.
이미지 출처: jev-ultrafast 공식 배너 원본

 

저장소에는 이 데모의 실행 시간이 7.073초라고 적혀 있어요. 다만 특정 작업을 실행한 결과이지, 어느 사이트에서나 같은 속도와 성공률을 보장한다는 뜻은 아니에요. 팝업 탭이나 파일 업로드처럼 아직 지원 범위 밖인 기능도 있어요.

 

동작 선택은 Jev가 맡고, 텍스트 생성에는 다른 모델을 함께 써요. 핵심은 “검색 결과를 글로 설명한다”가 아니라 웹 작업 중 다음 선택을 빠르게 이어간다는 점이에요. 실제 예약이나 결제까지 연결할 때는 마지막 확인 단계를 사람이 맡기는 편이 안전하겠죠.

출처: browser-use / jev-ultrafast GitHub · 기능과 데모 설명

GitHub - browser-use/jev-ultrafast: Fastest and cheapest web agent

 

사례 2. 드론 시뮬레이터: 올라갈지, 피할지 판단하기

jev-drone은 MuJoCo 시뮬레이터에서 드론이 장애물 코스를 통과하도록 만든 실험이에요. Jev는 초당 약 2.5회 전술적 선택을 하고, 실제 비행 제어와 안전 반사는 별도 코드가 맡아요.

실제 드론 촬영이 아닌 시뮬레이터 장면이에요. 장애물 코스와 드론 카메라, 전술 상태를 함께 보여줘요.
이미지 출처: jev-drone 원문 이미지

 

여기서 헷갈리기 쉬운 부분이 있어요. 드론 시스템은 카메라를 사용하지만 Jev가 카메라 영상을 직접 보는 것은 아니에요. 주변 프로그램이 시각 정보를 정리해 JSON으로 전달하고, Jev는 그 정보를 바탕으로 판단해요. 사진을 그대로 넣는 기능으로 이해하면 안 돼요.

공개 결과는 시뮬레이터의 제한된 실험이에요. 실제 드론의 안전성이나 모든 코스에서의 우수성을 입증한 자료는 아니고요. 저는 이 사례를 “복잡한 움직임에서도 판단과 제어를 나눌 수 있구나” 정도로 보는 게 맞다고 생각해요.

출처: RomanSlack / jev-drone GitHub · 구조와 실험 조건

GitHub - RomanSlack/jev-drone: Camera-only autonomous drone in MuJoCo with a small judgment model (TypeSafe Jev) in the loop at

 

사례 3. 마리오 게임: 게임 상태를 읽고 달리기·점프 선택하기

typesafe-mario는 슈퍼 마리오 게임에서 다음 컨트롤러 입력을 고르는 실험적 프로젝트예요. NES 에뮬레이터의 RAM과 게임 상태 정보를 객체 중심의 JSON으로 바꿔 Jev에 전달해요.

게임 화면 옆에 선택 동작과 행동 확률이 표시된 실행 장면이에요. 이 화면이 그대로 모델 입력으로 들어가는 것은 아니에요.
이미지 출처: TypeSafe Mario 원문 플레이 장면

 

여기도 모델에 게임 스크린샷을 보내는 방식이 아니에요. 텍스트로 정리된 상태를 보고 준비된 동작 중에서 고르는 구조예요. “게임을 보고 긴 공략을 쓴다”보다 “지금 어떤 입력을 할까?”에 가까워요.

초기 동작 종류가 제한된 실험용 컨트롤러이며, 저장소에 게임 ROM은 포함되어 있지 않아요. 직접 따라 하려면 합법적으로 마련한 게임 파일과 에뮬레이터 환경이 필요해요. 이 사례만으로 게임을 항상 완주한다고 볼 수는 없어요.

출처: fhshaik / typesafe-mario GitHub · 입력 데이터와 제어 방식

GitHub - fhshaik/typesafe-mario: A TypeSafe/Jev agent that plays Super Mario Bros. from structured emulator state.

 

사례 4. 코인 자동 매매: 호가를 보고 주문 방향 고르기

jev-trader는 거래소의 호가와 시장 상태를 바탕으로 Jev가 매매 판단을 하도록 연결한 프로젝트예요. README는 MON-USDC 시장에서 블록마다 매수·매도 주문을 평가하는 구조를 설명해요.

프로젝트 README의 구조와 모의 배포 안내예요. 실제 수익을 입증하는 거래 실적 화면은 아니에요.
이미지 출처: jev-trader README

 

다만 공개 배포는 README에서 dry-run, 즉 모의 거래로 안내한 환경이에요. 주문 판단이 나온다고 실제 돈으로 낸 수익이 검증된 것은 아니에요. 빠르게 판단하는 것과 수수료·슬리피지·손실까지 감안해 돈을 버는 것은 전혀 다른 문제고요.

자동매매를 추천하기보다는 판단 모델과 주문 프로그램을 어떻게 분리하는지 살펴보는 개발 사례로 보는 편이 좋아요. 실제 자금을 연결하기 전에는 모의 환경에서 오류와 손실 제한을 충분히 확인해야 해요.

출처: jarrodwatts / jev-trader GitHub · 매매 구조와 모의 대시보드 안내

GitHub - jarrodwatts/jev-trader: One AI trade decision every Monad block. Jev on Kuru MON-USDC.

 

사례 5. 개발자 도구: 대화 정리·완료 점검·모델 선택

개발 작업에서는 눈에 띄는 데모보다 이런 작은 보조 기능이 더 유용할 때가 있어요. 다만 아래 세 가지는 Jev의 기본 메뉴가 아니라, 각각 별도로 만든 연동 프로젝트예요. Python 실습을 따라 하는 데 꼭 필요한 도구는 아니에요.

 

① fast-jev-compaction: 길어진 클로드 코드 기록 정리
대화가 길어졌을 때 도구 호출과 실행 결과 중 어떤 부분을 남기고, 줄이고, 지울지 Jev가 판단해요. Claude Code 플러그인과 라이브러리 형태로 제공되며, 문장을 새로 요약하기보다는 필요한 원문을 남기는 쪽에 가까워요.

원문을 남기면서 도구 호출·결과를 정리하는 방식을 설명한 프로젝트 문서예요.
이미지 출처: fast-jev-compaction README

 

무조건 지워도 안전한 것은 아니에요. 토큰 수는 추정치이고 필요한 맥락을 놓칠 수 있으니, 중요한 작업 기록이 보존되는지 먼저 확인해야 해요. 정리를 위한 추가 API 호출 비용도 생각해야 하고요.

출처: tamaratran / fast-jev-compaction GitHub · 동작 방식과 제한

 

② Canny: “다 했어요”라는 말에 근거가 있는지 점검
Canny는 Claude Code·Codex CLI의 작업 이벤트를 기록하고, 코드가 바뀐 뒤 테스트나 빌드 같은 검증이 통과했는지 확인하는 도구예요. 말로만 끝났다고 하는 상황을 줄이려는 접근이죠.

공개된 훅 흐름도예요. 완료 점검 경로에서 기록을 확인해 허용하거나 막는 구조를 보여줘요.
이미지 출처: Canny README 구조도

 

역할은 분명히 나뉘어요. 완료를 막는 것은 기록과 고정된 규칙이고, Jev의 판정은 참고용 메모예요. Jev가 코드 전체의 정답을 보증하거나 단독으로 완료를 승인하는 구조는 아니에요. 이 구분을 알고 보면 “AI를 또 다른 AI에게 무조건 맡긴다”는 오해도 줄어들어요.

출처: qkal / Canny GitHub · 훅 구조와 완료 검증 규칙

 

③ jev-codex-router: 작업에 맞춰 Codex 모델 선택
요청마다 작업을 판단해 사용할 모델을 라우팅하는 프로젝트예요. 모든 요청에 같은 모델을 쓰기보다, 어떤 작업을 어느 모델에 보낼지 나누는 아이디어라고 보면 돼요.

상단에 보관 처리와 읽기 전용 상태가 명시되어 있어요. 최신 유지보수 도구가 아닌 참고 사례로 봐주세요.
이미지 출처: jev-codex-router 저장소

 

이 저장소는 2026년 9월 24일 보관 처리되어 읽기 전용이에요. 따라서 바로 설치해서 쓰는 최신 추천 도구보다는 구조를 참고하는 사례로 소개할게요. README의 과거 시뮬레이션 수치 역시 현재 정책의 실제 사용료 절감으로 받아들이면 안 돼요.

출처: 0xNatoshi / jev-codex-router GitHub · 라우팅 방식과 보관 상태

다섯 사례의 공통점은 간단해요. Jev는 다음 선택을 판단하고, 실제 실행과 안전장치는 주변 프로그램이 담당한다는 거예요. 처음부터 드론이나 거래 시스템을 만들기보다, 아래 실습처럼 문의 분류나 답변 검토 한 단계부터 붙여 보는 편이 훨씬 부담이 적어요.

 

함께 보면 좋은 공개 예제: Browserbase와 LangChain

웹페이지에서 누를 버튼 고르기

브라우저 자동화 도구를 만드는 Browserbase는 Jev가 화면에서 어떤 동작과 요소를 선택할지 판단하도록 연결한 실험을 공개했어요. 실제 클릭은 기존 자동화 도구가 하고, 판단이 불확실하면 다른 AI에 넘기는 방식이에요.

쉽게 말해 Jev에게 웹 업무 전체를 맡긴 것이 아니라, 그중 “어떤 버튼이 맞을까?”라는 판단을 맡긴 사례예요. Browserbase 공개 사례 보기

What is Jev?

 

많은 문서 중 사람이 확인할 것 골라내기

LangChain은 문서를 읽고 요청과 관련 있는지, 개인정보가 있는지, 변호사가 확인해야 하는지를 나누는 예제를 공개했어요.

Jev는 분류를 맡고, 민감한 검토는 사람에게 넘겨요.

이 두 예제도 “AI가 모든 일을 혼자 끝낸다”보다 일의 일부를 나눠 맡긴다는 점을 보여줘요. 공개된 개발 실험·예제이며, 모든 회사에서 같은 성과가 난다는 보장은 아니에요. LangChain 공개 예제 보기

 

여기까지 이해했다면 핵심은 충분해요.
이제부터는 직접 실행하는 방법이에요. 코딩이 낯설다면 다음의 웹 실습까지만 먼저 해보고, 파일을 다루는 실습은 나중에 따라 해도 괜찮아요.

 

5. Jev 사용법: 코딩 없이 첫 판단 해보기

코딩이 낯설다면 먼저 공식 TypeSafe Playground에서 한 가지 질문만 해보세요. 공식 문서가 안내하는 시작 경로예요. 로그인과 계정 접근 권한이 필요하며, 이용 가능 여부와 요금은 계정에서 확인해 주세요.

1. Playground에 로그인해요.
2. 판단할 자료를 넣는 state에 아래 문장을 넣어요.
3. ‘예/아니요’를 묻는 Noul 질문을 추가하고 “이 문의에 명시적인 환불 요청이 있나요?”라고 적어요.
4. 평가를 실행하고 결과의 noul 값을 확인해요. 0에 가까우면 ‘아니요’, 1에 가까우면 ‘예’ 쪽 판단이에요.
5. 문장을 바꿔 다시 실행해 비교해요.

첫 번째 입력: 결제가 두 번 청구됐습니다. 추가 결제분을 환불해 주세요.
두 번째 입력: 다음 달 구독 요금이 궁금합니다.
세 번째 입력: 결제 내역이 이상한 것 같은데 확인해 주세요.

첫 문장은 환불 요청이 명확하고, 둘째는 환불 요청이 없어요. 셋째는 결제 확인 요청과 환불 요청을 섞어 해석하지 않는지 살펴볼 수 있어요. 정확한 확률값을 미리 정해두고 따라 하는 실습은 아니에요. 문장과 기준을 바꾸며 어떤 경우에 판단이 흔들리는지 보는 것이 목적이에요.

 

6. 직접 따라 하는 실전 활용법 3가지

아래는 공식 Python SDK 형식에 맞춘 학습 예제예요. 결과값은 계정에서 직접 실행해 확인하는 방식이며, 실제 API 호출로 검증한 실행 결과는 아니에요. 개인정보가 없는 예시 데이터부터 사용해 주세요.

코드를 읽기 전에: 이 다섯 단어만 알아두세요

API는 내 프로그램이 Jev에 자료와 질문을 보내고 결과를 받는 연결 통로예요. API 키는 그때 계정을 확인하는 비밀키이고요. 아래 실습은 Python 프로그램으로 이 통로를 사용하는 방법이에요.

state = 판단할 자료예요. 고객 문의나 블로그 소재를 여기에 넣어요.
questions = 그 자료에 대해 물을 질문이에요.
Choice = 정해둔 항목 중 하나 고르기
Score = 낮음·중간·높음처럼 순서가 있는 기준으로 평가하기
Noul = “환불을 요청했나요?”처럼 ‘예/아니요’ 질문에 ‘예’일 확률 받기

예를 들어 Noul 값이 0.9라면 모델이 ‘예’ 쪽에 높은 확률을 준 거예요. 그 답이 반드시 맞다는 뜻은 아니에요. Choice·Score의 confidence도 정답 보증이 아니라 검토 여부를 정할 때 참고할 정보예요.

 

준비: Python과 API 키 설정하기

Python 3.10 이상과 TypeSafe API 키가 필요해요. 공식 대시보드 Keys에서 키를 준비한 뒤, 터미널에서 아래 순서로 설정해요. 실제 키를 블로그 댓글·코드 저장소·AI 대화에 붙여 넣지는 마세요.

python -m pip install typesafe-sdk

macOS·리눅스 터미널에서는 키를 화면에 표시하지 않고 입력하도록 아래처럼 설정할 수 있어요. 실행 뒤 키를 입력하고 Enter를 눌러 주세요.

printf "TypeSafe API key: "
read -rs TYPESAFE_API_KEY
export TYPESAFE_API_KEY
printf "\n"

Windows PowerShell에서는 아래처럼 입력해요. 이 설정은 현재 터미널 세션에 적용돼요.

$env:TYPESAFE_API_KEY = [System.Net.NetworkCredential]::new("", (Read-Host "TypeSafe API key" -AsSecureString)).Password

 

활용 1. 고객 문의를 담당 팀과 긴급도로 분류하기

먼저 작업용 폴더를 하나 만들고, 코드 편집기에서 새 파일을 열어요. 아래 코드를 모두 붙여 넣고 jev_demo.py라는 이름으로 저장해 주세요. 파일 이름 뒤에 .txt가 붙지 않았는지도 확인해요. 키를 입력한 같은 터미널에서 파일이 있는 폴더로 이동해 실행하면 돼요.

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

# 이 두 항목(state, questions)을 바꾸면 다른 업무에도 쓸 수 있어요.
state = "결제가 두 번 청구됐습니다. 오늘 안에 환불해 주세요."
questions = {
    "department": Choice(
        instructions="이 문의를 처리할 팀을 고르세요.",
        criteria={
            "billing": "결제, 청구, 환불 문제",
            "technical": "버그, 장애, 연동 문제",
            "general": "그 외 일반 문의",
        },
    ),
    "urgency": Score(
        instructions="문의의 처리 긴급도를 평가하세요.",
        criteria=[
            "낮음: 즉시 처리할 필요가 없음",
            "중간: 며칠 안에 처리하면 됨",
            "높음: 오늘 또는 즉시 처리가 필요함",
        ],
    ),
    "refund_requested": Noul(
        instructions="고객이 명시적으로 환불을 요청하나요?",
    ),
}

with TypeSafeClient(model="jev-latest") as client:
    response = client.system_one(state=state, questions=questions)

print("실행 모델:", response.model)
for name, answer in response.answers.items():
    print(name, answer)
print("사용량:", response.usage)

python jev_demo.py

출력에서 department의 choice·confidence·probabilities, urgency의 score·legend, refund_requested의 noul을 확인해요. 예시 문의라면 결제팀과 환불 요청 여부가 제대로 잡히는지 보는 거예요.

다음에는 state를 “로그인 버튼을 눌러도 화면이 멈춰요”로 바꿔 실행해 보세요. 환불 요청이 없는 기술 문의로 구분되는지 비교하면 돼요. 실제 자동화에서는 분류 결과를 티켓 시스템에 연결하는 코드가 추가로 필요해요.

 

활용 2. 블로그 소재를 AI·캠핑·여행으로 나누기

같은 파일에서 state와 questions 부분만 아래 코드로 교체해요. 맨 위 import와 아래쪽 with·print 부분은 그대로 둔 뒤 다시 실행해 주세요.

state = "비 오는 날 캠핑할 때 텐트 바닥에 물이 고이지 않게 설치하는 방법"
questions = {
    "category": Choice(
        instructions="글 소재에 가장 잘 맞는 카테고리를 고르세요.",
        criteria={
            "ai": "AI 모델, AI 도구와 업무 자동화",
            "camping": "텐트, 캠핑 장비와 야외 숙박 요령",
            "travel": "여행지, 교통, 숙소와 관광 일정",
            "other": "위 세 분야에 해당하지 않는 소재",
        },
    ),
    "needs_fresh_sources": Noul(
        instructions="정확한 글을 쓰려면 현재 가격, 정책 또는 운영시간 확인이 꼭 필요한가요?",
    ),
}

첫 입력은 camping으로 분류되는지 확인하고, “서울에서 부산 가는 기차표 가격과 시간표”로 바꿔 travel과 최신 정보 확인 여부를 비교해 보세요. Choice는 준비된 범주만 고르므로 other처럼 나머지를 받을 선택지도 두는 편이 좋아요.

이렇게 소재 목록을 분류한 뒤 글 자체는 클로드·ChatGPT로 작성하면 돼요. Jev가 최신 가격을 검색하거나 글을 완성해 주는 기능은 아니에요.

 

활용 3. 고객 답변이 제공한 안내문을 벗어났는지 점검하기

이번에도 state와 questions만 아래로 바꾸고 실행해요. 원문과 답변 초안을 함께 넣고, 주어진 원문에 근거가 있는지를 묻는 실습이에요.

state = {
    "reference": "배송은 결제 후 영업일 기준 3~5일 걸립니다. 제주 지역은 2일 더 걸릴 수 있습니다.",
    "draft": "제주도도 내일 반드시 도착합니다.",
}
questions = {
    "supported": Noul(
        instructions="draft의 모든 배송 관련 주장이 reference에 의해 뒷받침되나요? 외부 지식은 사용하지 마세요.",
    ),
    "has_guarantee": Noul(
        instructions="draft에 도착 날짜를 확정하거나 보장하는 표현이 있나요?",
    ),
}

예시의 “내일 반드시 도착”은 원문으로 뒷받침되지 않아요. supported가 낮은 방향, has_guarantee가 높은 방향으로 나오는지 확인해 보세요. 이어 draft를 “제주 지역은 기본 배송 3~5영업일에 2일이 추가될 수 있습니다”로 바꿔 결과를 비교해요.

이것은 인터넷 전체를 확인하는 팩트체크가 아니에요. reference 자체가 잘못되면 판정도 잘못될 수 있어요. 처음에는 고객에게 바로 보내지 말고 검토 목록에만 표시하도록 연결하는 걸 추천해요.

 

실행이 안 될 때 먼저 확인할 것

모듈을 찾지 못하면 실행에 쓰는 Python으로 python -m pip install typesafe-sdk를 했는지 확인해요. 인증 오류가 나면 키를 설정한 터미널과 계정 접근 상태를 확인하고, 키 원문을 로그에 출력하지 마세요. 429 오류는 요청 제한일 수 있으니 반복 호출을 멈추고 간격을 늘려요. 현재 한도와 요금은 공식 문서·대시보드를 기준으로 확인해 주세요.

 

7. 더 잘 쓰는 학습법과 자세한 확인 사항

학습은 큰 자동화보다 작은 정답표부터

1단계: Choice·Score·Noul을 하나씩 실행해요.
2단계: 실제 업무와 비슷한 한국어 예문 20~30개에 직접 정답을 붙여요.
3단계: 틀리거나 애매한 예문을 보고 질문과 기준을 고쳐요.
4단계: 수정에 사용하지 않은 별도 예문으로 다시 평가해요.
5단계: 사람 검토로 보낼 조건을 정하고, 결과·사용량·실행 모델을 기록해요.

20~30개는 시작용이지 운영 신뢰성을 증명할 충분한 표본은 아니에요. 쉬운 문장뿐 아니라 부정문, 두 가지 요청이 섞인 문장, 정보가 부족한 경우도 넣어 보세요. 높은 confidence로 틀린 사례를 따로 모으면 특히 도움이 돼요.

임계값도 남의 것을 그대로 가져오면 안 돼요. Browserbase의 0.7은 그 실험의 설정이지 모든 업무의 정답이 아니에요. 분류 오류를 얼마나 감수할 수 있는지와 사람 검토량을 함께 보고 정해야 해요. jev-latest는 새 버전으로 바뀔 수 있으므로, 운영 시에는 검증한 모델 버전을 고정하는 방법도 고려하세요.

 

Jev를 직접 학습시키는 것과 사용법을 배우는 것은 달라요

현재 공식 문서는 고객별 파인튜닝이나 LoRA 적용을 제공하는 방식이 아니라고 설명해요. 내 업무에 맞추려면 state에 필요한 자료를 넣고 instructions·criteria에 규칙과 예외를 구체적으로 적는 방식으로 접근하면 돼요.

 

선택 사항: 클로드 코드에서 Jev 연동 코드 만들기

Python 예제만 실행할 때는 스킬이나 LangGraph가 필요하지 않아요. 이미 클로드 코드를 쓰고 있다면 공식 TypeSafe 스킬을 추가해 연동 코드를 만드는 도움을 받을 수는 있어요. Jev 자체와 주변 개발 도구는 구분해 주세요.

claude plugin marketplace add typesafe-ai/skills
claude plugin install typesafe@typesafe-ai

설치 후에는 다음처럼 요청해 보세요. 스킬은 사용 지침을 제공하는 것이며, API 키·계정 권한을 대신 발급하거나 사용료를 없애주는 기능은 아니에요.

TypeSafe 스킬을 참고해서 한국어 문의 분류 CLI를 만들어 줘.
입력은 CSV의 ticket 열이고, 출력은 담당 팀·확률·검토 필요 여부야.
API 키는 TYPESAFE_API_KEY 환경변수에서만 읽어.
먼저 가짜 문의 5개로 한 건씩 테스트하고 사용량을 보여줘.
실제 고객 데이터 전송, 이메일 발송, 환불 실행은 하지 마.

클로드 코드의 기본 설정이 낯설다면 클로드 코드 사용법: CLAUDE.md·스킬 설정 글을 먼저 참고해 주세요.

 

더 알아보기 1. 요금과 입력 가능한 자료의 크기

2026년 10월 2일 공식 모델 문서 기준 Jev 1.13의 가격은 입력 100만 토큰당 0.042달러, 출력 토큰은 무료예요.

토큰은 AI가 글을 처리할 때 나누는 단위로, 글자 수나 단어 수와 정확히 같지는 않아요.

자료와 질문을 합쳐 요청당 입력 1,000토큰을 쓰고 1만 번 호출하면 총 1,000만 토큰이므로 모델 입력 비용은 약 0.42달러예요.

재시도·추가 호출·글자 인식·다른 모델·서버 비용은 별도이며, 무료 체험과 계정 접근 조건은 대시보드에서 확인해야 해요.

한 요청은 state와 모든 질문을 합쳐 64k 토큰 이내여야 하고, state와 가장 긴 질문의 합은 32k 토큰 이내여야 해요.

처음부터 큰 파일을 통째로 넣기보다 작은 예문 한 건으로 시작하세요.

 

더 알아보기 2. “몇 배 빠르다”는 숫자는 어디까지 믿을까?

TypeSafe가 공개한 워크플로 평가 도표예요. 개발사 자체 평가이며, 일반적인 채팅·글쓰기 성능을 비교한 자료는 아니에요.
출처: TypeSafe AI 공식 Jev 소개 글 · 공식 이미지 원본

 

공식 홈페이지의 “193.6배 빠르고 444.6배 저렴하다”는 수치는 특정한 판단 작업의 흐름을 비교한 평가에서 나왔어요. 공식 소개 글도 실제 개선 폭의 높은 쪽에 해당할 수 있다고 설명해요. 내 업무나 한국에서의 접속 속도에도 같은 배율이 적용되는 것은 아니에요.

Browserbase가 공개한 초기 테스트에서는 브라우저 동작을 고르는 act 단계의 지연시간 중앙값이 1.97초에서 0.46초로 줄었어요. LangChain 예제에서는 문서 분류 단계가 비교 대상 Sonnet보다 5~6배 빨랐다고 보고했고요. 둘 다 일부 단계의 실험 결과이며 전체 업무 시간이나 정확도를 보증하지는 않아요.

 

더 알아보기 3. 형식이 맞는 것과 판단이 맞는 것은 달라요

공식 출력 형식 오류 비교 도표예요. 정해진 형식을 지키는 것과 판단의 정확성은 별개예요.
출처: TypeSafe AI 공식 Jev 소개 글 · 공식 이미지 원본

 

공식 사이트는 “Zero Hallucinations”라는 표현을 사용해요. 이를 “잘못된 판단이 전혀 없다”로 이해하면 안 돼요. 예를 들어 결제·기술·일반 중 하나만 답하게 만들었어도, 결제 문의를 기술 문의로 잘못 고를 가능성은 남아 있어요.

Choice는 선택값·각 선택지의 확률·confidence를, Score는 점수·기준표(legend)·확률·confidence를 반환해요. Score의 점수는 단계 사이의 소수일 수도 있어요. Noul은 0~1 사이의 ‘예’ 확률이며 별도의 confidence 필드는 없어요.

 

더 알아보기 4. 전체 흐름은 프로그램이 관리해요

TypeSafe가 공개한 작업 흐름 예시예요. 여러 판단을 나눈 뒤 프로그램에서 다음 행동을 결정하는 방식을 보여줘요.
출처: TypeSafe AI 공식 Jev 소개 글 · 공식 이미지 원본

 

TypeSafe는 이런 판단 중심 모델을 System One 모델이라고 불러요. Jev가 분류나 평가를 하면, 다음 단계로 보내거나 사람의 승인을 기다리는 일은 주변 프로그램에서 관리해요. 그래서 처음에는 실제 발송이나 환불을 연결하지 않고, 판단 결과를 화면에 출력하는 것부터 시작하는 편이 좋아요.

공식 Doom 게임 데모 역시 화면 이미지를 직접 보는 방식이 아니라 텍스트로 표현한 게임 상태를 입력해요. 위키피디아 링크를 따라 목표 페이지를 찾는 Wikiracing 데모도 공개했지만, 이런 시연과 장기 업무 운영 성과는 구분해서 봐야 해요.

 

8. 자주 묻는 질문과 총평

Jev가 클로드·ChatGPT보다 무조건 좋은가요?

아니에요. 글쓰기와 설명에는 대화형 생성 모델이 더 잘 맞아요. Jev는 많은 자료를 정해진 기준으로 분류하거나 다음 경로를 고르는 일을 맡길 때 비교해 볼 만해요.

 

비개발자도 사용할 수 있나요?

공식 Playground에서 판단을 시험해 볼 수 있어요. 다만 업무 시스템에 연결하거나 파일을 일괄 처리하려면 코드 또는 연동 작업이 필요해요.

 

공식 사이트는 어디인가요?

개발사는 TypeSafe AI이고 공식 사이트는 typesafe.ai, 문서는 docs.typesafe.ai예요. Jev라는 이름을 쓰는 독립 서비스도 있으므로 로그인·결제 전에 운영 주체를 확인하세요.

 

고객 정보를 바로 넣어도 괜찮을까요?

공식 문서는 고객 요청과 응답을 모델 학습에 사용하지 않는다고 안내해요. 다만 이것이 모든 계정에서 무조건 무보관이라는 뜻은 아니에요. 실제 고객 정보는 사내 정책과 약관·보관 조건을 확인하고, 처음에는 이름·연락처를 제거한 테스트 데이터로 시작하는 편이 좋아요.

 

총평

Jev는 “새로운 챗봇 하나 더”라기보다 소프트웨어 안에서 반복되는 판단을 따로 맡길 수 있는 도구예요. 잘 쓰려면 멋진 프롬프트 한 줄보다 선택지, 예외 처리, 정답표를 먼저 준비하는 편이 도움이 돼요.

저라면 처음부터 큰 자동화를 만들기보다 문의 20건이나 블로그 소재 목록부터 분류해 볼 것 같아요. 결과가 쓸 만한지 확인한 뒤, 글 생성은 클로드·ChatGPT에 맡기고 판단 단계만 나눠 보세요. “모두 바꿀까?”보다 “어떤 반복 판단 하나를 덜어낼까?”가 Jev를 시작하기 좋은 질문이에요.

 

공식 사이트와 참고 자료

TypeSafe AI 공식 사이트
Jev 공식 발표·벤치마크·데모
공식 Quickstart와 Playground 시작법
현재 모델·요금·입력 제한·데이터 처리
Choice·Score·Noul 공식 문서
공식 Python SDK
공식 에이전트 스킬
Browserbase의 Stagehand 개발 사례
LangChain의 Jev·LangGraph 문서 검토 예제

기본 사용법·요금 기준일: 2026년 10월 2일. 활용사례 추가: 2026년 10월 7일. 모델·가격·접근 조건은 변경될 수 있어요. 공식 소개 이미지 4장은 TypeSafe AI 자료이며, 추가 사례 이미지와 프로젝트 설명은 각각의 원문 출처를 표기했어요.