科技人人都是产品经理·产品老高··AI 生成
Jev新决策模型的试用心得
作者分享了试用一款名为 Jev 的「决策模型」的体验与反思。Jev 与传统大语言模型不同，不生成文本，只输出分数、概率或 yes/no 判断，被作者称为「系统一模型」。文章核心观点是，当前 vibe coding 让人疲惫的根源在于人类需替 AI 做大量决策，而 Jev 通过提供结构化、带置信度的判断，直接替代了人的决策环节，从而可能从根本上解放生产力。作者将其接入自建知识图谱系统，实现了异常流程的自动决策，并论证了这种「确定性优先」的思路更适合企业级应用。适合对 AI 应用落地、LLM 技术原理及企业自动化有深度兴趣的读者。原文 ↗原文 ↗
核心观点
- ▍当前使用大模型（如 Cursor/Claude）写代码感到疲惫的根本原因，是用户需要替 AI 做决策，扮演一个永不休止的「审稿人」角色，而 Jev 这类模型直接输出决策结果，有望将人从这种决策疲劳中解放出来。
- ▍企业级 AI 追求的不是类人的创造力与多样性，而是确定性的、校准过的判断；Jev 的逻辑（输出结构化概率）比传统 LLM 更符合企业对「结论」的需求。
- 01传统大模型（GPT/Claude）采用自回归生成 + RLHF 训练，其本质是预测下一个字，学会讨好人类而非真正判断；作者称其为「系统二模型」。
- 02Jev 采用 RLCD（决策强化学习），不生成文字，直接对给定状态和选项输出概率分布，响应时间 70-500 毫秒，被定位为「System One Model」。
- 03Jev 的输入价格极低（0.042 美元/百万 token），输出免费，只能输出三种结构化结果：是非题概率（0-1）、选择题概率分布、评分题（分数+置信度）。
- 04作者将 Jev 接入自建的知识图谱系统，在「缺货」异常节点传递订单金额、用户等级等状态，Jev 判断「取消订单」（置信度 0.94），系统据此自动执行退款与通知流程。
- 05作者对比了使用免费国产模型的糟糕体验——AI 反复否认数据中的明显趋势，用户需花费数小时与 AI 掰扯，最终身心俱疲。
反方 / 局限
- — Jev 目前版本（1.13）还很早期，上下文仅 32K，不支持多轮对话，无法输出复杂结构化内容。
- — 文章承认 Jev 的核心推理链不透明，虽输出结果表现合理，但无法验证其内部是否进行了真正的逻辑权衡，仍是一个黑箱。
- — 作者推崇「确定性优先」的思路，但并未讨论极端情况下的风险——当一个高度自动化的决策系统基于不完美的概率判断做出错误决定时，其责任归属与纠错机制会变得复杂。
前置背景
技术原理
平行视角
未来推演
延伸追问