TypeSafe 的 Jev 是一種可將文字判定、分類和評分功能整合進應用程式的 AI。本文將介紹 Jev。
Jev 不是聊天對象，而是應用程式的判斷者
理解 Jev 的捷徑，是先想想希望 AI 回傳什麼。不是「說明這段文字」，而是「這段文字是不是廣告」、「屬於工作還是私人用途」、「與搜尋結果的相關程度有多高」。這類問題的答案形式可以事先決定，正是 Jev 所處理的範圍。
一般對話式 AI 最廣為人知的用法，是以文字回答問題。另一方面，Jev 的設計用途是讓開發者在軟體內部使用。與其說使用者直接和 Jev 對話，不如說它是在日常使用的應用程式背後，負責整理資訊或分流處理流程。
兩者之間的介面就是 API。API 是應用程式向其他服務請求處理並接收結果的窗口。將文字和問題傳送給 Jev，接收判定結果，再讓應用程式據此執行下一步。
回傳的是判定結果、選項或分數
資料中介紹的用法大致有三種：判定某項內容是否為廣告、從儲存資料夾等候選項中選擇，以及為搜尋結果的相關程度評分。這類 AI 因為負責做出判斷，因此被稱為「判斷模型」。
例如，整理電子郵件的應用程式可以輸入郵件內文，並讓 AI 從「工作」、「私人」和「其他」等選項中選擇分類位置。這是用來說明運作方式的例子。其構想不是先讀完一段很長的說明文字，再從中找出分類結果，而是直接取得應用程式可用的答案。
一般的大型語言模型也能進行分類，或以指定格式輸出。差異不在於能不能分類，而在於 Jev 將這類判斷作為主要用途來設計和提供。不過，僅憑提供的資料，無法確認 Jev 的內部架構，也無從得知它與一般語言模型的效能差異。
減少搜尋和觀看影片時的小麻煩
資料中列出的開發案例包括：跳過 YouTube 影片贊助片段的擴充功能、從聊天室中移除負面留言的功能、依照使用者意圖搜尋 Gmail，以及篩選任務等。資料也介紹了改變複製貼上、拖放和頁面內搜尋等操作方式的嘗試。
這些案例的共同點是，重點不在於撰寫新文字，而是從既有資訊中做出選擇：保留想看的部分、找出要找的郵件、篩選出需要處理的項目。可以說，AI 發揮作用的場景正從聊天畫面轉向日常操作。
不過，介紹中的開發案例和穩定的產品功能並不是一回事。例如，若要移除「負面留言」，如何區分騷擾和合理批評，會影響結果的意義。導入時必須先決定要排除哪些內容，並確認包括誤刪案例在內的實際結果。
AI 的工作不只有生成文字
2026年10月10日的資料介紹了多家公司提供類似 Jev 的判斷模型。這類模型會回傳軟體可直接處理的答案，例如條件成立的機率、從候選項中做出選擇，或分階段評估。
其背景在於，AI 執行多項工作時，並非每個階段都需要長篇文字。在判斷接下來要使用哪種處理方式，或結果是否符合條件等流程分支中，只要有選項或判定值，就能繼續執行。
Jev 的切入角度，是將判斷功能放進應用程式，而不是把 AI 當成一位對話對象。不過，即使答案形式很簡單，判斷本身也未必容易。該資料也記載了初步評估結果，指出判斷模型在一致性和複雜決策方面仍有待克服的問題。
導入時，應先界定判斷範圍，再考慮速度
若要實際使用，務實的做法是先分別思考「要讓 AI 判斷什麼」以及「判斷錯誤時會發生什麼事」。為電子郵件加上標籤，和自動隱藏留言，誤判造成的影響並不相同。也可以考慮設計一套機制，將難以判斷的案例交由人工處理。
回傳簡短答案，也不代表整個系統的費用一定會降低。資料還指出，將這種模型用於壓縮程式碼輔助 AI 的對話紀錄，可能會破壞透過重複利用過去輸入來降低成本的機制。
提供的資料未包含 Jev 的具體價格表、獨立的準確度驗證，以及資料的儲存和使用條件。若要導入並處理工作電子郵件或客戶留言，還必須另外確認這些條件，以及模型對實際輸入內容的誤判率。
コメント