上面的视频展示了一个很直接的交互：输入 “video this week” 查找这周的视频；用用途描述应用；或者搜索 Chrome 浏览过的页面。结果按文件、应用和网页分类，本地结果会先出现，不必等在线模型返回。
难点在于，人的记忆是“我想找什么”，电脑记录的却是文件名、应用名、时间戳和网址。关键词相同时，普通搜索很有效；描述与标题不一致时，就需要理解意图。但如果每敲一个键都等远端推理，搜索体验又会变慢。
Jev 是什么？
Jev 是 TypeSafe 发布的首个 System One 模型。它的重点是让程序获得结构化判断，而不是生成一段文章：应用提供状态和有限的问题，模型直接返回可供代码使用的答案。
TypeSafe 提供三类问题：Choice 从指定选项中选择，Noul 判断一件事成立的概率，Score 按分级标准打分。多个问题可以在一次请求中评估。Choice 和 Score 还提供置信度信息，Noul 返回概率。TypeSafe 将其定位为快速的结构化决策接口；概率并不等于正确保证，应用仍需要处理误判。
Jev 不会自己扫描 Mac，也不会替你找到文件。应用先提供候选项，再让 Jev 判断查询与候选项的关系。访问权限、时间过滤、执行动作和异常兜底仍由确定性的程序代码负责。
为什么 Jev 适合这个场景？
搜索启动器面对的是有限的选择：打开这个文件、启动那个 App、访问某个网页，或者继续网页搜索。它不需要模型创造新答案，只需要从真实候选项中识别最符合描述的目标、判断每项是否匹配，并区分用户想要一个结果还是一组结果。
例如，“the PDF I just downloaded” 的重点不仅是 PDF，“downloaded”还对应文件添加时间；“AI agent app” 描述的是应用用途，不一定出现在应用名称里。Jev 可以比较这些语义，但“这周”的起止时间由本地代码计算，最终可打开的对象也必须是已经找到的真实候选项。多个独立判断合并到一次结构化请求，正好契合这个任务。
从输入到打开：大致技术方案
本地收集。SuperNotch 建立已安装应用、选定用户目录、Chrome 历史与书签、Mac 操作的候选索引；再用 Spotlight 补充文件结果，包括已挂载且被系统索引的磁盘。
先过滤，再判断。本地模糊匹配立即给出结果。文件类型以及“this week”一类时间表达由代码处理；普通查询只取有上限的候选摘要送去语义排序。
可选地调用 Jev。输入短暂停顿后，一次请求判断最可能的目标、动作类型、每个候选是否匹配，以及用户要找单个还是多个结果。模型调整排序，不会创建文件或自行执行操作。
程序保留控制权。SuperNotch 验证返回结果，并用置信门槛决定是否提升排序；用户再选择要打开的项目。在线服务不可用、限流或没有有效答案时，本地搜索仍可使用。
速度不只取决于模型。应用会复用本地索引、对联网判断做防抖、取消过时请求、限制查询与候选数量、控制 Spotlight 搜索范围，并在限流后退避。日期和文件类型的计算保持确定性，避免模型把“这周”解释成另一个范围。
隐私边界
不提供 TypeSafe API Key 也可以使用本地搜索。启用 Jev 排序并填入 Key 后，SuperNotch 会向 TypeSafe 发送查询、有限的候选元数据（如名称、描述、类型和时间信息）及少量应用上下文；排序请求不会发送完整文件正文。如果这些元数据也不能离开本机，可保持 Jev 排序关闭。
上述产品流程依据当前 SuperNotch 实现；Jev 的模型接口与能力可参阅 TypeSafe 官方文档及其 System One 介绍。
在 SuperNotch 里直接使用
SuperNotch 把智能搜索放进 Mac 刘海工具箱，与剪切板历史、截图和录屏等功能一起使用。这个功能已经针对空查询、结果歧义、日期区间、外接磁盘、Chrome 数据源、过时网络请求等边界做过处理，并加入本地降级和性能限制，可以直接用于日常查找。实际能搜到什么，仍取决于 macOS 的索引和 Chrome 本机确实保存的记录。
更快找到你想找的东西。
下载 SuperNotch，在自己的 Mac 上体验智能搜索。本地搜索开箱可用；Jev 排序可选，需要你自己的 TypeSafe API Key。使用 App 需要激活 SuperNotch 许可证。
了解 SuperNotch