Jev 是什麼？不寫字、只做判斷的 AI，跟 ChatGPT、Claude 差在哪
最近很紅的 Jev 不是另一個聊天機器人，而是只負責「快速做判斷」的 System One 模型。這篇用電商客服和知識庫的例子，整理 Jev 跟一般 LLM 的差別、適合用在哪，以及容易誤會的地方。
MAP · 本文地圖
最近開發者圈很常討論 Jev。我看了一些實測和應用之後，第一個感覺是：它做的事情很像一個快速的切換器（switch）。
以前要判斷「這句話該走哪條通道」，我們會丟給 ChatGPT、Gemini 或 Claude。它們會想比較久，但對這種單純的分類題，得出來的答案其實差不多。Jev 就是專門把這一步做快、做便宜的東西。
這篇整理我理解的 Jev，以及它跟一般 AI 的差別。
三句話看懂 Jev
- Jev 不寫字，只做判斷：你給它選項，它回答「選哪個」和「有多確定」，不會產生回覆、程式碼或解釋。
- 最適合的工作是分流：客服意圖分類、要不要轉真人、該看哪份知識檔、該用哪個模型。
- 它不取代 LLM，而是站在 LLM 前面：簡單的判斷交給 Jev，真正要寫回答、要推理的部分還是交給 ChatGPT、Claude 這類模型。
- 已有大公司實際導入：Vercel 把 Agent 指令的安全審查從 OpenAI 模型換成 Jev，速度快了 5～18 倍。
- 要搭配信心值使用：Jev 會回傳機率，信心不夠時就升級給 LLM 或真人，這才是安全的用法。
- 小提醒：Jev 本身是 TypeSafe AI 的雲端服務，不是開源模型；開源的是社群做的路由工具和「Open Jev」復刻版。
Jev 是什麼？
Jev 是 TypeSafe AI 在 2026 年 9 月推出的模型，官方把它歸類為 System One 模型。
這個名字來自康納曼的《快思慢想》：
- System 1（快思）：快速、直覺的判斷，像看到紅燈就停。
- System 2（慢想）：慢慢推理、計算，像在解數學題。
ChatGPT、Claude 這類 LLM 比較像 System 2，什麼都能聊、能寫、能推理；Jev 則刻意只做 System 1 的事：讀懂一段文字，然後在你給的答案範圍內，快速做出判斷。
Jev 只會回答三種問題
Jev 的輸出不是一段文字，而是有型別的答案。官方把問題分成三種「原語」：
| 類型 | 問的問題 | 回傳什麼 | 客服例子 |
|---|---|---|---|
| Choice（選擇） | 這屬於哪一類？ | 你定義的其中一個選項 | 這則訊息是 退貨、物流、帳號 還是 其他？ |
| Score（分數） | 程度有多高？ | 一個數字 | 這位客人有多生氣？0～2 分 |
| Noul（是非） | 是不是？ | 0～1 的機率 | 這則訊息是在要求退款嗎？0.95 |
因為答案是固定格式，你的程式可以直接拿去 if / switch，不用再去解析 AI 寫了什麼、擔心它多講一句廢話讓 JSON 壞掉。
用電商客服來看：同一個意思，同一條通道
客人可能會這樣說：
「退貨」 「我要退貨」 「我要退錢」 「這商品不行，要退」 「東西壞了可以換嗎？」
以前用關鍵字比對，「我要退錢」可能抓不到；改用 LLM 判斷，準是準，但每一句都要等它想一下、花一次完整的 token。
用 Jev 的話，你先定義好通道：
退貨退款 / 換貨 / 物流查詢 / 帳號問題 / 其他
前面四句都會被分到 退貨退款，最後一句可能分到 換貨。接著程式就照通道走：
- 退貨退款 → 查訂單、帶出退貨流程
- 客人生氣分數 ≥ 1.5 → 直接轉真人
- 信心低於 0.7 → 交給 LLM 再判斷一次，或轉真人
JEV・先秒判通道
信心太低 ▶ 交給 LLM 或轉真人
大部分訊息在這一步就分流完成，不用每句都叫大模型
這就是 Jev 最擅長的事：把很多種說法，收斂成少數幾條固定通道。
Jev 跟一般 AI（LLM）差在哪？
| Jev（System One） | ChatGPT／Gemini／Claude（LLM） | |
|---|---|---|
| 輸出 | 選項、分數、是非機率 | 自由文字 |
| 能做的事 | 分類、評分、判斷 | 寫作、回答、推理、寫程式、呼叫工具 |
| 答案範圍 | 由你事先定義 | 開放，可能講出範圍外的東西 |
| 信心值 | 每個答案都附機率 | 通常沒有可靠的信心值 |
| 成本 | 只算輸入 token，輸出不收費 | 輸入、輸出都算，推理模型還有思考 token |
| 輸入 | 目前只吃文字（上限 64k token） | 多數支援圖片、檔案、語音 |
| 定位 | 流程裡的「分流器」 | 流程裡的「大腦」和「嘴巴」 |
價格的部分，官方目前標價是每百萬輸入 token 0.042 美元，輸出免費。對照一般 LLM 的價格，拿來做大量分類幾乎可以不用算成本。
套進知識庫流程：哪一步換成 Jev？
我自己設計知識庫客服時，會把動作拆成好幾次 AI 呼叫（細節可以看 RAG 入門那篇的兩段式 AI 路由）：
- 判斷語意：客人在問什麼？
- 選知識庫：根據語意，哪幾份知識檔有用？
- 回答：把知識檔內容和問題一起交給 AI，產生回覆。
這三步裡，第 1、2 步本質上都是選擇題，正好是 Jev 的強項：
| 步驟 | 原本 | 換成 Jev 之後 |
|---|---|---|
| 1. 判斷語意 | LLM 呼叫 | Jev Choice：選出意圖通道 |
| 2. 選知識檔 | LLM 讀目錄後選檔 | Jev Choice 或對每份檔案問 Noul「這份跟問題有關嗎？」 |
| 3. 產生回答 | LLM | 還是 LLM，Jev 不會寫回覆 |
所以比較準確的說法是：Jev 能把前面的判斷步驟變快、變便宜，但最後要寫答案的那一步，還是要交給 LLM。像「退貨要附什麼？」這種問題，Jev 能幫你把它導到「退貨」通道、選出退貨規則那份檔案，但要把規則講成一段客人看得懂的話，仍然是 LLM 的工作。
如果某些通道的回覆是固定的（例如直接回傳退貨表單連結、或轉真人），那整條路可以完全不經過 LLM，這種情況省下的時間和 token 最明顯。
實際案例：Vercel 用 Jev 加速安全審查
要說 Jev 實際能省多少時間，Vercel 是很好的例子。
Vercel 內部有讓 AI Agent 執行指令的工具，而在 Agent 真的去跑一條指令之前，會先經過一道安全審查：判斷這條指令能不能執行，會不會刪錯東西、碰到不該碰的資源。這個「審查員」原本是用 OpenAI 的模型（Luna 5.6）來擔任。
問題是，Agent 每一步都要先過審查，審查員只要慢一點，整個流程就跟著卡住。而「這條指令安不安全」本質上就是一道是非題，正好是 Jev 擅長的事。
Vercel 把審查這一步換成 Jev 之後，根據 TechCrunch 和 The Next Web 的報導：
- 這一步的速度快了 5～18 倍（以 p95 延遲來看，也就是比較慢的那 5% 請求）
- 準確度反而比原本更好（報導沒有公布具體數字）
這個案例剛好說明了 Jev 的定位：審查員不需要會寫文章，只需要又快又準地說「可以」或「不行」。把這種卡在每一步前面的判斷交給 Jev，省下的時間會在整個流程裡一直累積。
Vercel 也在 2026 年 9 月把 Jev 上架到自家的 AI Gateway，開發者可以直接透過 AI SDK 呼叫。報導提到，上架 24 小時內就有將近 13% 的付費團隊用過它，是 Vercel 今年採用速度最快的模型。
另一種用法：讓 Jev 決定用哪個模型
除了分流客服，Jev 也被拿來做模型路由。OpenRouter 在 2026 年 9 月 25 日推出了 Jev Router：每個請求先讓 Jev 判斷任務類型和難度，再挑出夠用、又最便宜的模型。
- 簡單的改名、格式整理 → 交給小模型
- 困難的除錯、長推理 → 交給強模型，甚至加高推理強度
OpenRouter 自己的測試是，在四組 Agent 基準測試共 423 題中，Jev Router 完成 237 題，舊的 Auto Router 完成 130 題，多解了約 82%。社群也有人做了開源的 jev-model-router，讓 Claude Code 每一輪自動挑模型。
這跟客服分流其實是同一個概念：先用很便宜的判斷，決定後面要花多少成本。
容易誤會的地方
1. Jev 不是開源模型
Jev 是 TypeSafe AI 的雲端服務，要用 API key 呼叫。網路上說的「開源」通常指兩種東西：社群做的路由工具（例如 jev-model-router），以及模仿 Jev 做法、可以自己架的「Open Jev」復刻版。如果你的資料不能出公司，要注意這點：用官方 Jev 時，你送去判斷的文字會經過 TypeSafe 的伺服器。
2. 「結果跟 LLM 差不多」要看題目
在「退貨還是物流」這種清楚的分類題上，Jev 和 LLM 的答案大多一樣，這也是用 Jev 划算的原因。但遇到需要推理的判斷，例如「依照退貨政策第 3 條和這筆訂單日期，這位客人符不符合退款資格」，就不該只靠 Jev 一句話決定。
官方也說得很清楚：它的機率是「整體校準過的」，不保證每一個答案都對。所以實務上一定要設信心門檻，低於門檻就升級給 LLM 或真人。
3. 通道要你自己定義好
Jev 只能在你給的選項裡選。如果選項設計得模糊，例如「退貨」和「售後問題」同時存在，它也會混淆。花時間把通道定義清楚、準備一批真實客人的問句來測，比換什麼模型都重要。
4. 只吃文字
Jev 目前只支援文字輸入。客人傳商品照片說「這個壞了」，照片本身還是要先交給有視覺能力的模型處理。
什麼時候適合用 Jev？
適合：
- 問題可以整理成固定幾個選項的分類
- 量很大、每一次都要求快（客服、留言審核、工單分派）
- 想在 LLM 前面加一層便宜的分流，省 token
- 需要信心值，決定要不要轉真人
不適合：
- 需要產生回覆、文章、程式碼
- 需要多步推理或計算才能得出結論
- 要處理圖片、語音
- 資料完全不能離開公司內網（可以考慮自架 Open Jev 類型的方案）
結語：快判斷，加上慢思考
我對 Jev 的理解是：它不是要跟 ChatGPT、Claude 比誰比較聰明，而是把「判斷該走哪條路」這件事，從大模型手上拿出來。
以前我們讓一個很會思考的模型，花時間回答一個其實很簡單的選擇題；現在可以讓 Jev 先秒判通道，有把握的直接走流程，沒把握的再交給 LLM 或真人。對做客服、知識庫、LINE 機器人的人來說，這種「快判斷＋慢思考」的分工，會是接下來很實用的架構。
如果你也在設計 AI 客服或知識庫流程，想交流做法，歡迎寫信給我，信箱在關於頁。
參考資料
STAGE CLEAR!
獲得 EXP +80。有問題或想看的主題，歡迎寫信告訴我。