用Jev构建分层智能系统削减AI成本
提出一种比更换便宜LLM更智能的成本优化方法：不将所有决策都发送给LLM，而是通过Jev、DuckDB、Claude和jev-calibrate构建三层智能系统，让软件处理事实，Jev负责分层决策。
THE JEV GUIDE · CURATED EDITION
自动化工作流.
TypeSafe Jev 的发布、原理、演示与社区实践，按主题整理。每条内容都可回到 X 原帖核对。
人工精选 · 非全量收录 · 手动更新
6757条已收录内容
3414条原帖视频
Sponsors
这些产品赞助了本目录。 把你的产品放上来
用 Jev 做任务路由：40/40 测试通过，仅少量任务需要 Opus
作者提出将思考与执行分离：编排者只写任务，由小型模型 Jev 决定由 Haiku、Sonnet 还是 Opus 执行。测试 40/40 成功，且当前约 18 个任务中只有 1 个用到 Opus。
Jev 作为预标注器的基准测试
我们评估了 TypeSafe AI 的 Jev 模型，它能为带类型的问题提供置信度分数，并在三个任务中测试其作为预标注器表现，探讨置信度是否可决定哪些标签可跳过人工审核。
用Jev判定并自动化监控投稿内容
在投稿画面上，先用Jev判定投稿内容是否为监控任务；若是，则通过Sonnet登记监控任务。之后由Jev持续监控，匹配时由Sonnet确认并收集信息，推送通知并结束监控。
Jev在复杂自动化中的潜力
用户分享使用LangChain的经验，并预测Jev将在未来复杂自动化任务中扮演重要角色，包括选择合适的大语言模型。
信息流里每 16 张、每一页都有一张。每周 $50，任意一周可停。
用Jev模型打造Chrome扩展替换电视广告
用户表示愿意每月支付100美元来避免YouTube TV广告，但既然不被允许，便使用TypeSafe AI的Jev模型构建了Chrome扩展，将商业广告替换为平静场景。
用 Jev 改进 Suzu 语音听写修正流程
开发者使用 Jev 对语音转文字需要的修正类型进行评分，再将结果交给小型 LLM 修复标点或改写内容错误，目标是让听写更便宜、更准确。
6个AI工具互联：Jev与多个模型协同工作
原帖称将 Grok Bot、Claude Opus 5.5、REA、Jev、Dots 和 Obsidian 连接为一个系统而非六个独立应用，并展示仪表板统计：212 个已完成任务、节省 7 小时 40 分钟和 179 美元。
Jev的读取置信度评分
Jev每次读取都会给出置信度评分，约每秒13次，只有低置信度的部分才需要人工复核。
用 Jev 给 OCR 结果打分并人工复核
作者表示，Jev 会对 OCR 解析的每个区域进行评分，并将不确定的部分交给人工复核，形成自动化检查工作流。
Jev实现低成本自动化招聘外联
一位用户展示通过一次免费Apollo搜索找到470名机器学习工程师，使用Jev在MonidHQ上完成排名、验证并拨打5通电话，总花费仅0.077美元。
Jev + Grok 协作让工作流提速 90%
用户分享 Jev 与 Grok 协作的体验：提交想法后，Grok 拆解任务，Jev 选择最优路径，Grok 执行并检查结果，整体效率提升 90%。
