title: 在自动剪口播中尝试引入 Jev 后，我对它有了新的理解
author:
- Next蔡蔡
created:2026-09-24
updated:2026-09-24
tags:
- AI观察
- AI思考
status: draft最近 Jev 模型的讨论度很高。
如果用几个标签概括它的话：「System One 模型」、「决策模型」、「只判断、不生成」、「比 LLM 更快」、「比 LLM 更便宜」、「适合大规模自动化」，以及「杰文斯悖论」。
中间也看了一些 Jev 的应用案例，好像还挺厉害的，但我一直没发现自己能把它用在哪。所以就没分享。
然后我这两天在折腾 AI 剪口播，因为我的口播中经常会出现半句重说/整段重说的情况，需要判断哪些重说应该保留，哪些重说应该删除。
这个判断任务看起来非常适合 Jev。于是我就试着把 Jev 放进这个工作流里。
但实际跑下来，我发现 Jev 对剪口播的精度并没有明显提升。
这篇文章就是记录我在这个过程中的一些实践思考，大家也可以从中更好理解以下四个问题：
Jev 到底是什么？
Jev 和 LLM 的关系？
哪些场景值得使用 Jev？
个人要怎么应用 Jev？
Jev 离不开 LLM
自动剪口播中有一个很常见的问题：同一段话可能会被重录几次。
如果要做自动剪辑，就需要判断：
这两段是否存在重复表达（是否判断题）？
如果是，保留哪一遍（选择题）？
A: 留后遍、B: 留前遍、C: 两遍都留、D: 拿不准。
这类任务有这么几个特点：
会反复出现 需要快速判断 有限解 没有内容生成
和 Jev 的核心特点（不负责生成，只负责判断）基本一致。
虽然 LLM 也能做分类、筛选、Yes / No 这类任务，但 Jev 更快、更便宜。所以从表面上看，自动剪口播似乎是一个很适合 Jev 的场景。
但真正把它放进整个工作流后，我发现事情并没有这么简单。
自动剪口播的完整流程，并不是把一段口播直接交给 Jev。
更接近下面这样：
LLM 先做语义分析，找到可能重复的片段。
Jev 再判断这些片段是否真的重复，以及属于哪种重复。
最后由代码执行剪辑。
这里有一个很重要的区别。
Jev 无法直接从一段原始口播中找到并标注重复内容。
它需要前面的 LLM 先理解语义，找到可能存在重复的片段。也就是说，Jev 在这个案例中无法离开 LLM 单独发挥作用。它更像是一个可以被嵌入复杂工作流中的判断模块。
如果真的想让判断更准确，就会发现还需要继续拆解。比如：
两段内容是完全重复，还是部分重复？ 后一段有没有新增信息？ 哪一段表达得更完整？
每出现一种新的情况，就可能需要增加一个问题、一个阈值和一组测试用例。
这让我意识到：
Jev 确实适合有限解的问题，但“有限解”不等于“解题简单”。
一个问题最后虽然只需要输出“保留”或者“删除”，但在得到这个答案之前，可能包含很多复杂的前置判断。
而且，Jev 要想发挥更好的效果，通常需要我们提前把问题拆得足够清楚。这件事本身就是有成本的。
在自动剪口播这个相对简单的场景里，拆解工作已经很少了。如果换成更复杂的任务，可能还需要处理更多边界情况。
但如果一个问题被拆得过细，最后反而可能出现另一种结果：
Jev 的单次调用确实更快、更便宜，但整个系统变得更慢、更贵，也更难维护。
不是所有工作流都值得引入 Jev
这就是我实际跑下来之后，最明显的感受。
在 Jev 的叙事框架里，我们看到的是它和 LLM 在单次调用速度、单次调用价格的对比。
但在真实工作流里，我们不能只看这两个数字。
还要看：
前置语义分析需要多少成本； 任务拆解需要多少成本； 阈值和测试用例是否容易维护； 出现误判之后是否容易排查； 最终是否真的减少了整个系统的成本。
在自动剪口播这个案例里，Jev 确实可以参与判断。
但它前面仍然需要 LLM 做语义分析。为了让 Jev 的判断更准确，还需要继续补充问题、设置阈值、增加测试。
而我实际跑下来，Jev 对重复表述判断的精度提升，并没有大到让我觉得它是这个任务不可替代的一环。
所以我的结论不是 Jev 没用。
而是 Jev 可以被使用，但未必值得为了使用它，重新改造整个工作流。
它更适合那些高频、实时、答案边界清晰，而且结果容易测试的判断任务。比如风控审核、交易监控、工单分流、海量数据分类，各种打分系统、浏览器自动化等。
如果一个任务本身使用频率不高，或者前置分析已经很复杂，那么直接调用 LLM，可能反而是更简单的方案。
如果真的要用 Jev，可以这么开始
前面提到的 Jev 应用场景，一般在企业/组织中更容易找到。
如果个人实在找不到自己的工作流或项目哪些地方可以用到 Jev，分享一个很简单的方法，就是让你的 Agent 安装上官方的 TypeSafe skill：
npx skills add typesafe-ai/skills --skill typesafe-ai
记得配置 API Key，然后发送这段提示词：
使用 typesafe skill，检查当前项目，找一个现在需要大模型判断，但实际上只需要简单分类选择或回答 yes or no 的环节，先用 Jev 跑实验，不要改代码
如果实在找不到，也可以在这两个集合站看看别人都是怎么应用 Jev 的，说不定就对你有启发：
Jevable：https://jevable.com/
Awesome Jev：https://logicrw.github.io/awesome-jev-projects/
以上就是我在 AI 剪口播工作流中引入 Jev 的实践和思考，如果对你有启发的话，欢迎一键三连，我们下期再见，拜拜！
谢谢你看到了这里。
