JEV：打破布尔二值困境的类型安全验证方案

如果你交付过处理结构化数据的生产系统——API 载荷、表单提交、配置文件、事件流——你大概遇到过这堵墙：

开发环境下验证逻辑跑得漂亮，测试全过，类型检查全绿，你发了版。

然后三周后的凌晨 2 点，某处崩了。不是因为代码写错了，而是因为真实数据里出现了一个你从未预料的形状，而你的验证层根本没法告诉你哪里失败了、为什么失败、以及它期望的究竟是什么。

这篇文章要讲的是：为什么这种事不断发生，以及 JEV 背后的不同思路在实际中究竟是什么样的。

"通过 or 失败" 验证的问题

大多数验证方案，无论 schema 定义看起来多高级，最终在运行时都会塌缩成一个布尔值：通过或失败。

这听起来没问题，直到你亲自去调试。一个布尔值只告诉你"出了问题"，但它不会告诉你：

• 究竟是哪个字段失败了
• 系统期望的究竟是什么
• 这是硬失败还是边界模糊的情况
• 如何根据一行日志复现问题

于是团队只好在验证层上打补丁：自定义错误对象、临时日志、字符串匹配异常信息来反推到底发生了什么。所有这些复杂度本不该存在——它存在是因为验证层从一开始就没被设计成可追溯的，只是被当成一道门。

编译时类型安全不等于运行时信心

这一条绊倒了很多工程师，尤其是从强类型语言背景过来的同学。编译时类型安全保证的是代码内部的一致性，但它说明不了你的代码在实际运行中、在真实用户、真实 API 和没人写过测试的边界情况下究竟会收到什么数据。

一个 User 接口里 email 字段是 string 类型，编译当然通过。但这拦不住 "not-an-email"、""，或者因为上游服务悄悄改了响应结构而导致某个字段静默变成 undefined。

真正的风险在运行时验证。而大多数运行时验证工具把这件事当作 API 边界上临时挂上去的附属品，而非系统架构的一等公民。

JEV 的不同做法

JEV 围绕一个简单但意义深远的思想构建：每个验证结果都是一个带类型的、结构化的决策——而不是布尔值。

JEV 不问"通过了吗？"，它问的是："系统对这个输入做出了什么决策，我能追溯这个决策吗？"

落到实践上，这意味着：

• 结构化的、带类型的错误，而非你不得不做字符串匹配的通用异常
• 可复现的验证逻辑——相同输入每次都产生相同的结构化结果，真正可测试
• 真实的决策轨迹——生产环境出问题后，你读的是一条清晰的、带类型的记录，而不是在堆栈跟踪里反推

下面是一个简化示例，说明思维模型的差异：

// 传统做法：布尔值，然后靠猜
if (!validate(payload)) {
  throw new Error("Invalid payload"); // 哪个字段？为什么？
}

// JEV 风格：带类型的决策对象
const result = jevValidate(payload, schema);

if (result.outcome === "rejected") {
  // result.field, result.reason, result.expected — 全是带类型的，全可追溯
  logger.warn("validation_rejected", result);
}

差异不是表面文章。第二种方式给了你一个数据结构，你可以记录日志、对着它写测试、做告警，半年后当你忘了这条验证规则的细节时依然能理解它。

随着系统增长，这件事为什么更重要

一个只有三个字段的简单验证函数不需要这种严谨程度。但大多数真实系统不会一直那么小。

随着数据模型增长——更多字段、更多可选情况、更多来自不同来源的数据集成——"通过或失败"式验证层的代价会不断累积。每新来一个边界情况，要么：

• 被过度宽松的检查静默吞掉，要么
• 触发一个泛型错误，让 on-call 的工程师无从下手

把验证当作真实架构来对待的团队才能越过这道坎。他们并不一定比别人的数据模型更复杂，只是做了一个深思熟虑的决定：验证结果值得成为一等公民——带类型的、可观测的。

几个值得借鉴的实践模式

不管你是否使用 JEV，这套思路中有几个原则值得搬到自己的验证层里：

把验证结果做成一个类型，而不是布尔值。哪怕只是一个简单的可辨识联合（discriminated union）：{ outcome: "accepted" | "rejected" | "ambiguous" }，也比 true/false 有用得多。

把验证结果做成一个类型，而不是布尔值。哪怕只是一个简单的可辨识联合（discriminated union）：{ outcome: "accepted" | "rejected" | "ambiguous" }，也比 true/false 有用得多。

记录决策本身，而不只是失败。验证通过也值得结构化地记录下来，尤其是那些勉强通过、接近边界的边界情况。当你后续调优验证规则时，这些数据是金矿。

记录决策本身，而不只是失败。验证通过也值得结构化地记录下来，尤其是那些勉强通过、接近边界的边界情况。当你后续调优验证规则时，这些数据是金矿。

把验证逻辑当作可测试的业务逻辑，而非胶水代码。如果验证规则散落在路由处理器和中间件里，它们就无法被独立测试。把它们抽出来，用和你测其他核心逻辑一样的方式去测。

把验证逻辑当作可测试的业务逻辑，而非胶水代码。如果验证规则散落在路由处理器和中间件里，它们就无法被独立测试。把它们抽出来，用和你测其他核心逻辑一样的方式去测。

为六个月后的调试会话而设计。当你盯着一个生产事故时，你希望验证层告诉了你什么？现在就把那个东西建进去，而不是等到事故发生后才补救。

为六个月后的调试会话而设计。当你盯着一个生产事故时，你希望验证层告诉了你什么？现在就把那个东西建进去，而不是等到事故发生后才补救。

这篇文章只是触及了 JEV 的带类型决策模型如何运作、以及如何在真实代码库中真正构建这样一层验证的表面——实用的模式、团队在采用这种思路时常犯的错误，以及如何在不做高风险重写的情况下增量迁移现有的"布尔验证"系统。

我把所有这些整理成了一篇完整的内容：《JEV for Beginners》—— 一份从零到熟练使用 JEV 的逐步指南，带有真实的、完整可跑的示例，而非玩具代码片段。

如果这篇文章让你想起了实际经历过的验证之痛，这本书可能值得你花时间：

👉 在 Amazon 获取 JEV for Beginners — 平装版和 Kindle 版均有售。

你以前掉进过这个"布尔验证"的坑吗？我很想听听你的团队是怎么处理的——在下方留言吧。