TypeSafe 的 Jev 是一种 AI，可将对文本的判断、分类和评分功能集成到应用中。本文将介绍 Jev。
Jev 不是聊天对象，而是应用的判断助手
理解 Jev 的捷径，是先想清楚希望 AI 返回什么。不是“解释一下这段文字”，而是“这段文字是不是广告”“属于工作还是私人用途”“与搜索结果有多相关”。它处理的是这类能够预先确定答案格式的问题。
人们熟悉的用法是让通用对话式 AI 以文字回答问题。相比之下，Jev 面向开发者，供他们在软件内部使用。与其说用户会直接和 Jev 对话，不如说它在日常使用的应用背后负责信息分类和处理流程分流。
两者之间的连接点是 API。API 是应用向其他服务请求处理并接收结果的接口。应用将文本和问题发送给 Jev，接收判断结果，再据此执行下一步操作。
返回的是判断结果、选项或分数
资料中介绍的用法大致有三种：判断内容是否为广告、从保存文件夹等候选项中进行选择，以及为搜索结果的相关度等内容打分。由于这类 AI 使用模型来承担判断任务，因此被称为“判断模型”。
例如，邮件整理应用可以输入邮件正文，并让 Jev 从“工作”“私人”和“其他”等选项中选择分类。这只是用于说明机制的例子，其思路不是先阅读一段冗长的解释再提取分类，而是直接获取应用所需的答案。
常规大型语言模型也能进行分类或按指定格式输出。两者的区别不在于能不能分类，而在于 Jev 是围绕这类判断作为主要用途来设计和提供的。不过，仅凭所提供的资料，无法确认 Jev 的内部结构，也无法比较它与通用语言模型的性能差异。
减少搜索和看视频时的小麻烦
资料中列举的开发案例包括：跳过 YouTube 视频赞助商片段的扩展程序、从聊天中移除负面评论的功能、根据用户意图搜索 Gmail，以及筛选任务等。资料还介绍了改变复制粘贴、拖放和页面内搜索操作的尝试。
这些案例的共同点是，与其生成新文本，不如说是在筛选已有信息：保留想看的片段、找出要搜索的邮件、缩小需要处理的项目范围。可以说，AI 的用武之地正从聊天界面转向日常操作。
不过，介绍中的开发案例与稳定的产品功能并不是一回事。例如，移除“负面评论”时，如何区分骚扰与正当批评，会影响结果的意义。导入时需要明确想排除什么，并检查误删的案例。
AI 的工作不只有文本生成
一份日期为 2026 年 10 月 10 日的资料介绍了多家公司提供类似 Jev 这种形式的判断模型。这些模型会返回软件可直接处理的答案，例如某个条件成立的概率、从候选项中作出选择，或分阶段评估。
这背后的原因是，AI 执行多项任务时，并非每个阶段都需要长篇文字。在决定下一步使用哪种处理方式、判断结果是否满足条件等流程分支中，只要有选项或判断值，处理就能继续进行。
Jev 的特点在于，不把 AI 当作一个聊天对象，而是将判断功能放进应用中。不过，答案格式简单，并不意味着判断本身也简单。该资料还记载了一项初步评估，指出判断模型在一致性和复杂决策方面仍面临挑战。
导入时，应先明确判断边界，而非只关注速度
如果要实际使用，首先应分别考虑“让它判断什么”以及“判断错误会造成什么后果”。给邮件添加标签，与自动隐藏评论，两者的误判影响并不相同。还可以考虑这样的设计：遇到难以判断的情况时，将其交由人工处理。
答案简短，并不意味着整个系统的成本必然降低。资料还指出，将该功能集成到用于压缩编程辅助 AI 对话记录的场景中，可能会破坏一种通过复用历史输入来降低成本的机制。
所提供的资料没有包含 Jev 的具体价格表、独立的准确性验证，也没有说明数据保存和使用条件。若要将其用于处理工作邮件或客户评论的业务，需要另行确认这些条件，以及针对实际输入的误判率。
コメント