Jev 来了,怎么用它——Ryan Vogel

• Greg 的开场介绍：Jev 出自 Diogo Almeida 之手——「没错，就是那位研究成果造就了 ChatGPT 的人」；在他看来这是件大事，因为它是「一种全新的做 AI 的方式」。嘉宾 Ryan Vogel 是 OpenCode 创始团队成员；节目发布时 Jev 还是邀请制，Greg 承诺看到最后就知道今天怎么拿到使用权。→ 详细
• Ryan 的一句话定位：这是「一种我们以前真没怎么见过的」分类器 AI。我们太习惯 LLM（大语言模型，ChatGPT、Claude 这类会说话的模型）了，「它们很慢，还是流式输出的」（边生成边一个字一个字往外吐）；Jev 在质量、速度、价格上都本质不同，用途多到「可能性真的是无穷无尽」，「最后又回到了人身上：就看你有多大的创造力了」。→ 详细
• Greg 给他的任务单：用最简单的方式解释 Jev；讲三四个疯狂用例，让观众带走效率、赚钱方面的东西——「哪怕很无聊、却可能做成 1000 万美元、1 亿美元生意的用例」；再把这些串成一个人人听得懂的完整故事。→ 详细

▲ 图注：片中说明卡「JEV IS A CLASSIFIER」——输入（一台 iPhone）→ schema（它是什么颜色？蓝、橙、红、绿、黄）→ 输出（橙 80%、红 10%、蓝 10%，加起来总是 100%）；调用方式像任何 API 一样，发一个输入加一个 schema；底栏写着 Jev 只返回数字，约 200 毫秒。

• Ryan：「Jev 说到底就是一个分类器，它的本质就是这个。」架构他不展开——「说实话我自己也没太搞懂」。用法只有两步：先定义一个输入，比如一台 iPhone；再定义一个输出 schema（schema：事先规定好「答案长什么样」的格式表，这里就是一个问题加一组选项）——这台 iPhone 是什么颜色？选项是蓝、橙、红、绿、黄。→ 详细
• Jev 还回来的不是一句话，而是每个选项的概率：「我相当有把握，80% 是橙色，但也可能 10% 是红色，或者 10% 是蓝色」，加起来正好 100。所以它「不会给你一个百分之百肯定的结论」，而是告诉你它对每个选项各有几成把握。→ 详细

▲ 图注：Ryan 自己的邮件分拣工具跑完后的界面。左表每行一封邮件，列出类别、优先级、垃圾邮件分、回复分和耗时；右侧面板显示 64 个并发 worker、1,701 封全部完成、平均 431 毫秒、每秒 136.4 封、p95 为 1,144 毫秒，输入 4,299,386 token、输出 495,533 token，预估费用 $0.181。

• 为什么拿邮件开刀：Ryan 自称「特别爱研究邮件，因为这个问题好像一直没被解决」——垃圾邮件多到回不过来；现有的邮件算法「还不错，但也算不上最好」；也有人让 GPT-5.6 Luna 这类大模型把每封邮件读一遍再打分，「但那样很费时间，不是即时的」。他想要的是「能瞬间把所有邮件分好类的东西」。→ 详细
• 输入是整封邮件，不做任何加工：表里每一行都是一个完整的邮件对象（主题、描述、正文、发件人），「没有任何包装或特殊处理」。输出 schema 定了四个字段，前两个是选择题：① 类别——购物、工作、营销、财务、安全等；② 优先级——他记得有五档：低、中、高、重要、紧急，紧急就像「你有一笔信用卡还款逾期了」，「这种邮件一进来你就得第一时间精准抓住」。→ 详细
• 后两个字段直接就是概率：③ 垃圾邮件分——「并不是每封邮件在是不是垃圾邮件这件事上都能简单地判个真或假」，他两年前注册、至今退订不掉的 Kickstarter 营销邮件分数就高，而 Mercury 发来的「Exon Enterprise 从 Stripe 收到了 22 美元」只是告知性通知；④ 回复分——这封邮件多值得你回，一封标题为「account violation possibility（账户可能违规）」的用户求助被打到 90%，「Jev 识别出来了：这个用户好像遇到了麻烦，我们大概应该回复一下」。→ 详细
• 结果：Ryan 先演了一段苦情戏——「大概得跑个 10 小时，然后我还得一封封过一遍……天哪，费用肯定贵得要命」——话没说完就跑完了：1,700 封邮件，420 万输入 token、50 万输出 token，总共 18 美分。「这就是 Jev 的威力，我没法解释得比这更清楚了。」英文口播这一句听起来像是「每一封 18 美分」，但画面上的预估费用是整批 $0.181——18 美分是总价、不是单价。→ 详细
• 把画面上的数字算一算（以下换算是本文做的，片中没说）：1,701 封花 $0.181，折合每封约 0.01 美分，一万封约 1 美元；平均每封吃进约 2,500 个输入 token、吐出不到 300 个输出 token——整封邮件原样塞进去也照样便宜；按每秒 136.4 封，整批十几秒就跑完。有一处要留意：画面上的平均耗时是 431 毫秒、p95（95% 的请求都快于这个数）是 1,144 毫秒，比 Ryan 后面说的「每次调用约 200 毫秒」慢一倍多，片中没解释两者口径差在哪。→ 详细

• Greg 复述他的理解：Jev 基本上就是一个 AI 决策者——你给它一些信息（比如邮件内容）加一组可能的选项（垃圾、紧急还是普通），它看完选出一个答案；也能换成别的判断，比如「这个客户有可能购买，还是不太可能购买」。→ 详细
• Ryan 说这「大概对了 90%」，差的那一点是：它给出的是决策的概率。你调 API 问「买还是不买」，底层其实是「83% 买、17% 不买」，概率高的那个胜出、返回给你——「它并不是那种百分之百果断的动作」。→ 详细
• Greg 把新旧用法对照成一句：以前是让 ChatGPT、Claude 读这封邮件、再解释我该怎么做；新的心智模型是让 Jev 读邮件、从一组动作里做选择（比如回复还是升级处理），外加一个置信度分数（它对这个选择有几成把握）。→ 详细

▲ 图注：片中说明卡「DECISION MODEL ≠ CHAT MODEL」。聊天模型（ChatGPT、Claude）：发一句话、收流式文本、边想边说、最长约 30 秒、代码里得先解析文本；决策模型（Jev）：发一个输入加 schema、收数字和类别、不展示推理、约 200 毫秒一次调用、类型安全可直接用。右侧小卡是下一节的「HELLO 测试」。

• Greg 说「问 Jev」，Ryan 马上纠正：「我们现在熟悉的这些 LLM 真的把我们的脑子带偏得太厉害了」——你并不是在「问」Jev，因为 Jev 不是文本模型，去看它的规格说明，「它根本不生成任何文本」。那表格里的数据是哪来的？「那是在 schema 里定义好的。」→ 详细
• 他当场开了个白板（Excalidraw）画给 Greg 看：邮件作为输入 → Jev（画成一个小圆圈，「因为它快……又快又便宜」）→ 输出 schema。输入「就像标准的 API 一样」，不是一句「这封邮件我该怎么处理」的提问。schema 里可以放一个 is_spam 字段，类型是他们叫作 noul 的东西——「就是 true/false，但它是个刻度」，取值在 0 到 1 之间，返回 0.90 就等于「有 90% 的概率是垃圾邮件」；「它不会给出那种确定的答案，但你可以从这种选择里推断出确定的答案」。也可以放一个 category 选项字段（营销、财务、垃圾邮件……），类别不是它自己生成的，它只在你传进去的选项里挑。→ 详细
• Greg 插了句大白话：schema 就是「数据库是怎么组织的」的高大上说法。Ryan 更正：连数据库都谈不上，「就是输出是怎么组织的」。开发者爱它，是因为它是 type-safe（类型安全：返回值是什么类型事先就定死了，拿到就能直接当数字、当类别用）——Jev 返回的 noul「就是一个数字对象，而不是一段写着数字的文本」，不用再做任何额外的数据处理，直接进代码。→ 详细
• 没有任何推理过程：它不会说「嗯，我觉得这是一封来自 Kickstarter 的垃圾邮件，所以我大概应该给它打个分」，只会说「category 是 spam，is_spam 是 90%」。这也是有人嘀咕「我不知道能不能信任它」的原因——最近 AI 的发展方向恰恰是推理模型，「说白了就是模型把话说出来，在自己的思考过程中找出可能的问题」。Ryan 答得很老实：「或者它也许会做，只是在服务器上做得特别快，我们也不清楚。但从我们的角度看，它不推理。」Greg 收成一句「它就只给你一个决策」，Ryan 接上：「它是一个决策模型。」→ 详细

• Ryan 说大家已经把 AI 和 LLM 画了等号——「那种做下一个 token 预测的对话式 agent」（每次猜下一个字该是什么，一个字一个字接龙）；Jev 也算 AI、算机器学习，但严格来说就是个决策模型，「你没法跟它说『嘿，你今天过得怎么样』——还是说，其实可以？」→ 详细
• 他的脑洞是：「可我自己也是个决策模型啊」——打 hello 就是依次决定敲 H、E、L、L、O。于是他在 Excalidraw 白板上把 category 换成 A 到 Z 全部字母、每个字母一个 noul，让模型根据前面的字母决定下一个：已经打出 H、E、L、L，最佳决策就是 O。现场演示用的 prompt 是「猫和大象，哪个更大？」→ 详细
• 结论：全程实时、非常快，但「显然它没怎么针对这种『逐个预测下一个字母』的补全任务训练过」。好玩之外，这个实验反过来说明它不是能来回聊天的传统 LLM，而是「基于决策的」模型（说明卡上的注脚是 Runs in real time. Not trained for text.）。→ 详细

• Greg 替听众把问题摆正：想做生意、想投资自己、搞副业的人看完会想，「我听 Ryan 讲的时候，我是信他的，我也能看出这让人窥见了未来，但我不知道该怎么用」。→ 详细
• Ryan 先讲成本：这是「第一个能适配大量不同应用场景的模型」，同时非常快、非常便宜，没有其他 AI 那种「我每个月得在这上面砸 1,000 美元」的门槛，「你可能投个 5 美元就够了」。OpenCode 团队开通账号时有大约 5 美元的新手赠送额度，「我们用了两天都没用完」——而且用得超级狠，他所有的 demo 都在跑它；他估计「充个 10 美元，就能用上差不多三个月」。→ 详细

• Ryan 已经让女朋友用上了：她开平面设计工作室，网站挂着联系表单，找上门的咨询很多，得分辨「是高质量的，还是只是推销骚扰之类的垃圾信息」。做法就是同一类分类——设一个「是否好线索」字段，让 Jev 在 0 到 1 之间打分。→ 详细
• 分数怎么用：拿到一条 98% 的线索，「分数相当高，你多半会想回复它」；而那种「嗯……我好像是想做点平面设计，但也不太确定」的人，「多半自己都不知道想要什么」，需要老板多花力气去摸清客户的底。→ 详细
• 还能倒过来翻旧账：把所有历史邮件过一遍，问「有没有我漏掉的线索？有没有哪些高价值客户，我可以再去跟进争取一下」。→ 详细

• Ryan 给的一条总法则：「你可以把自己的工作流梳理一遍，凡是你在看数据的环节——什么类型的数据都行——只要你看着数据心想『嗯，这里我得做个决定』，那你大概就该考虑在这一层加上 Jev。」换句话说，找用途的出发点是你自己工作流里那些「得做个决定」的环节。→ 详细
• 边界紧跟着就给了：「当然，不是说 100% 的交互都交给它，它更应该扮演一个以提建议为主的参谋角色。」它的长处在于「能在一瞬间做出这些判断」，而不是替你拍最终的板——片中说明卡底栏也写着 Keep Jev in an advisory role（让 Jev 待在参谋的位置上）。→ 详细
• 客服分诊的例子：假设你收到大量客服咨询，有人进来说「嘿，我的 XYZ 产品需要帮助」，Jev 瞬间完成分类，然后决定「这个该路由给哪个产品团队？我把它转到这边」。→ 详细
• 为什么「快」本身就是卖点：「不管输入输出是什么结构，每次向 Jev 查询大约只要 200 毫秒。」对比之下，AI 处理有些任务要花 30 秒左右，你还得搞流式输出、等响应全部返回、挂一个监听器（一直守着等结果回来的那段程序）——「一大堆复杂的东西」；用 Jev「只要『砰』地发一个快速的 API 调用，直接就能用」。Ryan 的保证是：只要你心想「这是个决策，也许这里可以用 Jev」，「我保证效果会很好，而且超级便宜、超级快」。→ 详细

▲ 图注：片中说明卡「THE AI TRAFFIC COP」。进线（表单线索、客服工单、邮件）→ 约 200 毫秒里 Jev 判断「是什么、多重要、下一步」→ 分三路：高分马上交给真人（"It's the CMO of Coca-Cola."）；中间自动化处理，或让 LLM 起草回复；低分直接忽略（置信度太低、不值得处理）。下方两例：设计工作室线索 0–1 打分、98% 就快速回复；客服台约 200 毫秒路由到对的团队。底栏：Keep Jev in an advisory role.

• Greg 把前面的用例收成一个画面：Jev 就是一个 AI 交警——有信息要进来，由 Jev 决定「它该去哪儿、接下来该发生什么」；它输出的就三样：这条信息是什么、有多重要、下一步该做什么。→ 详细
• 三条去路按置信度分：高分交给真人，比如女朋友工作室来了条线索，「天哪，这条线索她得马上跟进，这可是 Coca-Cola，是 Coca-Cola 的 CMO」；置信度低一些、又只是「奥兰多的一家本地小商家」，就交给自动化，或让 LLM 去起草点东西、发点东西；「置信度低到你直接忽略它就行」。→ 详细
• Ryan 的确认：「完全正确」——「凡是需要你做决定、而且这个决定得又快又及时、可能还要给用户反馈的地方，都可以用它来做。」→ 详细

• Greg 先交底：「我整个人就是围着创业点子转的，这个播客讲的就是这个。」Ryan 接：「我也是，我脑子也总是在琢磨，下一个能这么玩的路子是什么。」→ 详细
• 他的公式原话：「哇，现在有 Jev 了。那我怎么去找到这样一门生意——它有一条处理成本很高的进线信息队列——然后直接把 Jev 放到这条队列的最前面？」原文是 expensive queue of incoming information——他要找的不是随便一门「能用上 AI 的生意」，而是一门本身就排着一条昂贵进线队列的生意。→ 详细
• 「队列」具体指什么，Ryan 替他说完了：「你有一大堆进线需求涌进来，大家都有事找你，而你得把他们分派给对的人。」Greg：「没错。」前面的邮件、表单线索、客服工单，都是这种队列。→ 详细

▲ 图注：片中说明卡「PUT JEV AT THE FRONT OF THE QUEUE」，副标：找一门进线信息队列很贵的生意，把 Jev 放在最前面。之前（加引号的「即时」报价）：「获取即时报价」→「我们会在今天下班前发邮件给你」；之后（真的即时报价）：「我家车道需要高压冲洗」→ Jev 给附近商家打分 → 立即给出最佳匹配和报价。底栏：你不会浪费客户的时间。

• 点子本身：Ryan 说这「需要稍微搭一点架构」——做一个本地服务聚合的生意，「相当于在你所在地区一大堆本地服务之上再加一层 SaaS」（SaaS：按月订阅的在线软件）。用户输入「嘿，我家车道需要高压冲洗一下」，Jev 把这条需求和本地区所有商家的信息一起当输入，「返回一组百分比，告诉你哪家大概最适合你」——填一张表，马上就能匹配到一家离你很近的公司。他也坦白「底层实现显然会更复杂一点」。→ 详细
• 它瞄准的痛点：网站上那种写着「获取即时报价」的表单，「结果从来都不即时，永远是『我们会在今天下班前给你发邮件』」。Ryan 的判断是这类东西「很多都可以丢进一个分类器」，让用户真正拿到即时答复——「嘿，这个很匹配」「嘿，这个不太匹配」。注意他说的「即时报价」里，Jev 负责的是匹配不匹配的判断；报价金额本身怎么算出来，片中没讲。→ 详细
• 为什么速度在这里值钱：「客户能看到你没在浪费他们的时间。」如果这个客户将来真成了你的客户，这就是「一个好到离谱的信号」，等于在表态：「嘿，我们不想浪费你的时间，也不想浪费我们自己的时间。咱们把这事搞定，一起推进。」也就是说，200 毫秒的快不只是省成本，本身就是对客户的一种服务姿态。→ 详细

• Ryan 主动拿出一个失败实验：把 Jev 接到比特币信号上，每分钟跑一次，在「买入 / 持有 / 卖出」三个选项里做决策——「结果看起来表现不太好」，说明这个模型「虽然很棒，但确实也有短板」。→ 详细
• 他的明确建议：「我不会把这个模型放到你的股票组合、比特币之类的东西前面去。」它是用来做路由，或其他「不需要超强模型智能」的决策的。→ 详细
• 对照组：同样的测试换成 OpenAI 最新的前沿模型 GPT-6 Astra，「比这个表现好一点」，因为它会交叉参考一些新闻信息；但他强调这是「拿苹果比橘子」，两者根本是不同类型的模型——分类器和决策器能干这活，「但它并不是在所有场景下都是最优解」。（片中没给任何收益数字，「好一点」就是全部信息。）→ 详细

▲ 图注：Ryan 在自己的 YouTube 视频里录的自动切片工具。左边是拖进去的长视频（画面里正好是 Diogo Almeida 发布 Jev 的推文），右边「Best clips」面板列出挑出的片段，每条带时间段、Surprising / Insight 标签、百分比分数和字幕摘录（如 "It's so incredibly cheap. Look at this, I've used five cents…"）；右下角是 Ryan 的画中画。

• 痛点是每个做内容的人都有的：做了一条长视频，还想要能发短视频的切片。Ryan 的流程：把视频文件拖进去 → 先转写成逐词级文字稿（每个词都带时间点）→ 把整份稿子连同几组不同的分类器决策一起交给 Jev，找出最好的片段。现场「它先准备音频，然后大约 3 秒就给 17 个片段打完了分」。→ 详细
• 挑出来的都是有意思的部分，而不是「呃，我先来把这个设置一下」这种填充废话，是像「跑得飞快。完全没问题。我们有 110 万 token」这种能单独成片的句子。→ 详细
• 「这个我大概只花了 10 分钟。」他认为继续打磨迭代、再结合其他类型的 AI agent，拿这个点子做成创业项目「大概能走得挺远」。他找点子的办法很朴素：「你只要琢磨它一晚上加一个早上，脑子里就会冒出一堆点子。」→ 详细

▲ 图注：Browser Use × TypeSafe 演示视频的最后一帧，标题「Zürich → London. In 7.1 seconds.」（右上标注 REAL WEB · 1× SPEED）。左边 Google Flights 已搜出 9 月 20 日（周日）苏黎世到伦敦的单程，最低 $127 起，推荐的三班直飞是 $216 / $265 / $271；右栏计时 07.07 秒，单程、苏黎世、伦敦、9 月 20 日、搜索航班五步全部打勾，显示已找到航班、航线和日期已核对，决策延迟中位数 178 毫秒。

• Ryan 放了一段 Browser Use 团队（做浏览器操控的那帮人）的实时录屏：Jev 操控浏览器，选日期、搜航班，7.1 秒就选好一趟从苏黎世飞伦敦的航班，「这全是实时的」。他的对比：换成任何别的浏览器操控类 AI agent，同样的任务「大概得花一分钟、两分钟，甚至三分钟」。Greg：「这可是件大事，真的是件大事。」→ 详细

• 现状：Jev 目前还要排候补名单，「等这期视频上线的时候，它可能已经全面开放了」。想马上用，就去 Vercel AI Gateway（Vercel 提供的模型调用入口），那上面已经直接上了 Jev，「你立刻就能开始测试」；他们还在自家的 AI 工具包里加了些东西，方便你上手折腾。→ 详细
• Ryan 的入门建议：把这个链接和 typesafe.ai 丢给你的 AI agent，问它「嘿，我怎么开始试用 Jev？」，大概立刻就能上手。更进一步，随便跟哪个 AI agent 聊聊你的业务，问它：「我每天做的哪些工作流，能从 Jev 这样的决策器里受益？」Greg 的反应是：「这个建议太有用了。」→ 详细

• Greg 说录完就要去点那个 Vercel 链接、「开始拿它给一些东西做分类」，也会在简介里放上 Ryan 的链接——「他的 YouTube 频道关注的人少得离谱，我记得好像才一千个订阅」。→ 详细
• Ryan 的提醒：「这东西危险地……危险地让人上瘾。」一旦见识到它的速度、看到它的价格，「你只会说一句『我的天』」；它「便宜到你根本察觉不到，测一下大概也就千分之一美分的样子」（按主题三的换算，邮件演示里每封约 0.01 美分，也就是百分之一美分，这里是他的随口估计）。做过任何形式的分类、或者只是想给自己的邮件或别的系统搭点什么，都去试试——「我觉得我们已经很久没见过这么快的 AI 了」。→ 详细

• Ryan Vogel：Greg 在片尾说他的 YouTube 频道「关注的人少得离谱，我记得好像才一千个订阅」，关注链接放在视频简介里——X：https://x.com/ryanvogel ；YouTube：https://www.youtube.com/@vogeldev/videos → 详细
• Jev 官网：视频简介里写作「Jev/Typeface AI」，链接是 https://typesafe.ai ；即时试用入口 Vercel AI Gateway：https://vercel.com/ai-gateway → 详细
• Greg Isenberg：X：https://twitter.com/gregisenberg （Instagram、LinkedIn 见视频简介）→ 详细
• 片中提到的其他工具与模型：OpenCode（Ryan 所在团队）、Excalidraw（白板）、GPT-5.6 Luna（拿来对比「让大模型逐封读邮件」的慢做法）、GPT-6 Astra（比特币测试的对照组）、Browser Use（浏览器操控演示）。→ 详细