访问票据自动化:Jev 判断成本不到1派萨
Kaustav Banerjee 分享了一个访问票据的完整自动化工作流:20 个步骤中 4 个关键判断由 TypeSafe AI 的 Jev 完成,而非 LLM。LLM 仅运行一次,整个票据成本 ₹0.16,Jev 占比不到 1 派萨。
THE JEV GUIDE · CURATED EDITION
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
01 / EXPLORE
0 表示待收录
Kaustav Banerjee 分享了一个访问票据的完整自动化工作流:20 个步骤中 4 个关键判断由 TypeSafe AI 的 Jev 完成,而非 LLM。LLM 仅运行一次,整个票据成本 ₹0.16,Jev 占比不到 1 派萨。
作者将 Bitsocial 社区的 AI 审核分流从 gpt-5.6-luna 升级到 gpt-6-luna,输入成本降低 50%,输出成本降低 58%,且更智能。Jev 仍负责简单检查,不确定的内容交给 grok-4.7 处理。
Jev创始人发布一小时大师课,解析Jev的实际工作流程:LLM→决策→验证→编码智能体,并讨论为何仅靠LLM不够、Jev背后的三大原语,以及如何将大型AI任务拆解为小而可靠的步骤。
作者基于@karminski3的测试框架,补充测试了Jev在迷宫问题上的多组结果,并与随机游走和专业迷宫算法进行对照。
用户分享用 Jev 模型解数独的慢动作画面。
作者在 Skills IL 中使用 TypeSafe 的新模型 Jev 构建了一个工具,用于检测通过短信、WhatsApp 或电子邮件收到的银行钓鱼消息。用户可以直接粘贴可疑消息内容进行验证。
社区展示了在 Cloud Run 上使用 RTX PRO 6000 运行 Jev 的方案:冷启动约 47 秒,端到端延迟约 117 毫秒,并发 32 时吞吐达 100+ req/s。他们还用 Jev 构建了贪吃蛇、Dino 和俄罗斯方块等游戏。
JEV 正在接入 Ekko Agent 的记忆系统,参与语义分类、候选记忆重排与写入前校验等关键环节,帮助 Agent 找到更相关的记忆,并更谨慎地决定什么值得记住。目前处于测试阶段,初步体验显示部分场景的召回准确度有所提升。
有人构建了一个庞大的 Jev 相关目录,涵盖技能、代码仓库、X/Reddit 帖子、资源、网站等,并可按不同用例筛选。
作者建议,处理Jev的返回值时不应直接视为正确,而应关注confidence;对于Choice类型,应加入cannot_tell选项以避免误判。
作者认为Jev不适合用于AI生成内容检测,并提到所有AI检测工具都大同小异,除非准确率超过90%否则无意义,同时推荐了另一个API。 链接
作者将近期发布的 Claude Opus 5.5 与 Jev 组合,在营销场景中自动为 120 个竞品广告评分,筛选出 10 个值得改编的,并为每个生成多个版本。