← 返回全部情报
How I AI:John Lindquist 六个 Jev 工作流——23 个 demo 共花 0.73 美元,决策模型把「太贵太慢」的产品体验做实 的封面

·How I AI / ChatPRD·工程实践收录 2026-10-23

How I AI:John Lindquist 六个 Jev 工作流——23 个 demo 共花 0.73 美元,决策模型把「太贵太慢」的产品体验做实

工程决策模型JevHow I AI实时语音多智能体数据清洗

一句话结论

TypeSafe 的决策模型 Jev 不写长文,只对非结构化输入做结构化判定;John 用语音待办、去重、命令栏路由、下棋、多 agent 避障与演讲要点勾选六个工作流证明:足够快、足够便宜时,很多产品交互才变得可行。

打开原文 How I AI:John Lindquist’s 6 Jev Workflows

背景与理念

Jev 不是生成式聊天模型,而是把文本变成决策、分数与分类,好让程序继续执行函数。Claire 与 John 都强调:过去因成本或延迟不划算的流程,现在可以做成实时体验。

具体做法

六个工作流。一是语音待办:连续口授,多步分类判断是否可执行、模糊匹配任务、匹配 remove/complete/改优先级等函数。二是大规模去重:对公司名等近重复记录打置信度,高置信自动合并、低置信人工复核。三是命令栏多层路由:先选工具再在工具内路由动作与对象。四是与 LLM 下棋:枚举合法着法、排前三并做两步前瞻。五是多 agent 网格避障:每个 tick 重算各 agent 下一步,避免碰撞。六是演讲要点实时勾掉:对转写做 windowing,凑够信息就判定是否覆盖某条要点。

关键数据/例子

23 个 demo 合计约 0.73 美元;Claire 处理 2 万条记录账单约 0.004 美元(0.4 美分)。

John 曾把约 5GB JSON 交给 Jev 整理,约 0.40 美元、几分钟完成。

棋类对照:该设置下 Jev 平均着法约快 10 倍、约便宜 4 倍。

创新点

第一,把决策模型当「可编程判定层」,用自然语言对接函数调用。

第二,用置信度阈值区分自动合并与人工复核。

第三,用「即时重算」代替一次性完美规划,适合多 agent 冲突场景。

可否复用

  1. 有界动作空间(按钮、API、棋步、清单项)优先试决策模型,而不是让生成模型「想出」答案。
  2. 语音与实时产品把多步分类串成流水线,并用置信度接人工。
  3. 演讲/会议助手可用 windowing:攒窗口→判定→清空再继续,控制成本。

笔记会在输入时自动保存。