返回列表
2026年10月13日 下午05:03

Jev + Claude，男女搭配，幹活不累

原始影片

學習筆記

TL;DR

將 Jev 這類具備「極速判斷」能力的模型（System 1）引入 Claude Code 工作流，負責篩選、決策與自動驗證，能大幅節省昂貴的推理模型（System 2）算力，實現高效且低成本的 AI 協作。

快速結論

將工作流程拆解為「判斷/決策」與「生成/推論」兩部分，是提升 AI 工作流效率的關鍵。Jev 作為極速模型，擅長在毫秒內處理條件判斷與分類，將原本交由 Claude（Opus/Sonnet）處理的簡單判斷外包給 Jev，能有效避免濫用高階模型導致的 Token 浪費，並顯著降低執行成本與時間。

透過將「決策節點」外包，開發者能建立一個「System 1（直覺反應）+ System 2（深度推理）」的混合架構。這不僅是技術優化，更是一種工作流設計的典範轉移：讓大模型專注於高價值的複雜任務，而讓極速模型負責繁瑣的篩選與校對，實現效能最佳化。

這支影片在說什麼

這支影片探討如何將具備快速判斷能力的模型「Jev」整合進 Claude Code 工作流中。影片旨在解決 Claude 在處理日常任務時因過度依賴大模型而產生的「又慢、又貴、效率低」的問題，適合希望優化 AI 開發效率、降低 Token 成本的工程師與 AI 使用者。

最重要的 3-5 個重點

  1. 模型路徑分配（Model Routing）： 讓 Jev 判斷任務難度，簡單任務（如查路徑、格式轉換）派發給輕量模型，複雜任務才由高階模型執行，實測可節省約 70% 的 Token 成本。
  2. 自動化篩選與分類： Jev 極其擅長處理大量數據的分類與打分，在封閉式場景（如留言情感分析、名單篩選）下，其準確度與穩定性甚至優於 Opus。
  3. 自動化驗證機制（Code Review）： 利用 Jev 進行輕量級代碼檢查、冗餘註解清理與壓力測試，能在 PR 前以極低成本過濾風險，讓人類與大模型專注於最後的高階審查。
  4. 架構升級： 核心邏輯為「System 2 訓練 System 1」，透過 Claude 監控 Jev 的決策並調整 Prompt，實現類似人類「肌肉記憶」的自動化流程。

知識架構

  • AI 協作核心理論：
    • System 1 (Jev)： 直覺反射、極速、低成本，負責選擇題、分類、打分、門檻判斷。
    • System 2 (Claude)： 深度推理、高成本，負責複雜邏輯、程式撰寫、架構審查。
  • Jev 的三個應用位置：
    1. 前端決策： 挑模型、挑 Skill（工具）。
    2. 資料處理： 大量資料分類、評分、風險預測。
    3. 後端驗證： 代碼質量 Linter、註解優化、Code Review 前置篩選、對抗性測試。

關鍵概念

  • Type Safe (Jev)： 一種不產生長篇推理、只回傳選擇機率的極速模型，反應時間約 0.9 秒，且輸出不收費。
  • Decision Node（決策節點）： 工作流中負責過濾與篩選的關鍵環節，是 Jev 的主場。
  • Agentic Coding： 透過自動化回圈（Feedback Loop）讓 AI 完成撰寫、審查、修復的開發流程。
  • OpenAI Decisions API： 與 Jev 底層邏輯相似的決策模型 API，預示業界對此架構的跟進趨勢。

重要例子與細節

  • Skill 選擇： 在裝有 182 個 Skill 的環境下，大模型盲選錯誤率高達 17.7%，透過 Jev 先行篩選可降至 7.3%。
  • 留言分類： 處理 1400 則 YouTube 留言，Opus 需 34 分鐘且花費 23 美元，Jev 僅需幾十秒且僅花幾美分。
  • 流失風險預測： 針對 203 位會員打分，Jev 耗時 25 秒，成本僅 1 美分。
  • 代碼清理： 掃描 2800 萬個 Token 的專案，識別冗餘註解與 Code Smell，總花費僅 1.19 美元。

可學習的洞察

  1. **工作流優

化：** 若一個任務可以被窮舉出明確的選項，那就應該交給「極速模型」處理。 2. 外包思維： 不需改變現有操作習慣，僅需在工作流加入一個「篩選/決策」節點，即可獲得顯著的生產力提升。 3. 互補機制： AI 工具的未來趨勢是多模型協作，不應只依賴單一強大模型。 4. 驗證先行： 將原本耗時的 Code Review 拆解為「預篩選（Jev）」與「深度修復（Claude）」，能大幅縮減開發週期。

可行動的整理

  • 起手建議： 先實作第一個位置（模型與 Skill 挑選），這是最不具侵入性且回報最快的起點。
  • 實作方法： 將影片逐字稿丟給 Claude，請其盤點過去的對話記錄，識別出哪些步驟適合改用 Jev。
  • 查詢資源： 訪問 shipwithjev 網站，查看社群分享的 500 多個應用案例。
  • 建立開關： 在 Claude Code 裡建立一個環境變數或開關，方便隨時比較開啟 Jev 與否的成本與品質。

複習問題

  1. 為什麼說 Jev 屬於 System 1 模型，而 Claude 屬於 System 2？
  2. 為什麼將 Skill 的篩選工作交給 Jev，能降低 Token 消耗？
  3. 在自動化驗證中，如何利用 Jev 協助進行大規模的 Code Review？
  4. 如何判斷自己的工作任務是否適合導入 Jev？
  5. 影片中提到的「System 2 訓練 System 1」具體是指什麼過程？

待確認資訊

無明顯待確認資訊。

觀看原始影片