Jev 火了:AI 支出或砍掉 60%
Jev 怎么用呢?🤔
问题一旦提出来,就开始研究,发现了好多新东西,探索的乐趣啊!🏄
拿到 API 后研究了一圈,发现大家已经把 Jev 玩出花了。给同样拿到 API、但还不知道怎么玩的人,整理一份 Jev 使用清单:
0. fast-jev-compaction
给 Claude Code 做上下文压缩,用精准裁剪替代默认的摘要压缩。
1. jev-ultrafast
Browser Use 做的高速浏览器 Agent,让 Jev 判断下一步做什么、点哪个元素。Google Flights 搜航班完整跑完约 7.1 秒。
2. typesafe-mcp
把 Jev 接进 Claude Code、Claude Desktop 和 Codex,随时做 Choice / Score 这类结构化判断。
3. jev-mcp
封装事实核验、Prompt Injection 检测和语义排序。
4. Jev Codex Router
这个很有意思:Jev 先判断 Coding 任务难度,再决定交给便宜模型还是旗舰模型。作者回放 237 个真实 turn,自测成本降低约 60%。
5. neo4jev
给知识图谱候选边打概率,再用 beam search 找路径。搞过图谱的朋友一定知道这个有多重要。太省力啦!
6. TypeSafe on Neon
拿 Jev 做模型 Router,先判断任务,再转给 Grok 4.6、GPT-6 Astra 等模型。
看完这一圈,Jev 的玩法其实很简单:
要不要?选哪个?打几分?下一步干什么?
这些高频的小判断交给 Jev,真正需要写代码、长文本和复杂推理的时候,再叫传统大模型出来干活。
@forgebitz 提到一个很有意思的判断:
分类是很多公司的巨大用例,LLM 处理上亿资产依然又贵又慢,Jev 这类模型有机会砍掉 50%-60% 的 AI 支出。
Jev Codex Router 的实测也给出了约 60% 的降本结果。当然,这个数字还需要更多真实业务验证,但方向很值得关注。
忙活了一下午,我也终于赶在下班前把 Jev 集成进了 monk.party,顺手做了一个监控看板。
实际跑起来后,有个细节我很喜欢:Jev 默认输出置信度。
以后完全可以根据置信度做分层路由:高置信度直接执行,拿不准就交给 Flash,再难一点才叫旗舰模型。
给个好评。👍
折腾完这一下午,我对 Jev 的理解反而更简单了:
Jev 负责便宜地做决定,Flash 负责便宜地干活,旗舰模型留给真正困难的问题。
AI 应用下一轮降本,可能已经开始了。🏄
Jev + Flash + AGI 会成为什么?谁需要这样的体系?
我觉得是字节和谷歌。十亿级别的免费用户,需要豆包,需要 Gemini。
Jev 提供了一种可能性。