Jev：给 Agent 的高频判断做专用模型

Jev 是 TypeSafe 推出的 System One 决策模型。TechCrunch 报道称，它不是一般用来聊天或写文案的大语言模型：软件把当前状态和提前定义的问题交给它，它不生成一段自然语言回答，而是返回预先限定的结果、概率和置信度，供程序直接使用。它要解决的不是“怎样把话说得像人”，而是在规则清楚的场景里更快地做出小判断。

它的输入可以是一条工单、一段客户留言、JSON 或 Agent 当前看到的结构化上下文；问题则预先写成代码能理解的形状。官方把常见返回分为三类：Choice 从既定选项中选一个，Score 在既定等级上评分，Noul 回答一个真假问题并给出概率。比如一条咨询可以分别判断“是售前、售后还是投诉”“紧急程度如何”“是否需要人工接管”，系统再依据事先设定的阈值把它路由、排队或升级。

对营销工作而言，这类判断适合线索分级、评论分类、内容检查，或决定 Agent 能否执行下一步。把“该交给谁”“是否需要人工处理”“哪一个预设选项更匹配”拆出来，生成内容、执行动作和审批就能由不同环节承担，而不必让一个聊天模型包办所有工作。Jev 也不替代 LLM：开放式写作、解释和方案生成仍更适合生成模型；Jev 的角色是处理那些可以预先写明选项、规则和分流方式的小判断。

Jev 和相关生态仍处于早期阶段。产品的速度、成本与可靠性要在自己的任务上试过才知道；结构化输出也不等于业务判断一定正确。先把它用于人能查看结果的分流或质检任务，再决定下一步，比直接接入自动发送、出价、定价或交易更稳妥。

一个实用的起点，是先写出真实业务里允许出现的几个选项和升级条件。例如评论是回答、转人工还是暂缓处理，线索是继续跟进、补资料还是淘汰。选项越清楚，团队越容易发现模型究竟在替谁做哪一种判断，也越容易在错误发生时回看原因。

这比把所有问题交给一次自由生成，更适合需要持续回看和调整的运营流程。