EP227：Jev 的九大应用场景
内容提要
文章介绍Jev的九大用途：模型路由、安全护栏、工具调用权限分类、邮件分类、重排序、LLM评估、批量标注、实时决策和置信度门控，核心思路是用LLM负责生成、用Jev处理周边决策。文章还对比了LLM、RAG、AI代理与代理式AI，说明MCP与函数调用的区别，并列举Claude Code上下文窗口的九个来源。
延伸解读
Jev 的定位：快速决策模型
文章将 Jev 描述为 TypeSafe AI 的首个 System One Model，速度比前沿 LLM 快 100 倍且成本更低。这使其适合处理那些因大模型太慢或太贵而被跳过的任务。核心思路是让 LLM 负责生成内容，而 Jev 负责生成周围的决策，例如路由、分类和评分。
九大应用场景的共同逻辑
文章列举的九个场景——模型路由、安全护栏、工具调用权限分类、邮件分类、重排序、LLM 评估、批量标注、实时决策和置信度门控——都属于决策类任务。它们不需要生成自然语言，而是对输入进行分类、评分或选择。Jev 的快速和低成本特性正好匹配这些高频、轻量的判断需求。
MCP 与函数调用的关键区别
文章指出，MCP 和函数调用都让 LLM 能使用工具，但区别在于函数实现的位置和执行方式。本地函数调用在用户机器上执行，而 MCP 允许函数位于远程服务器，通过协议调用。这使得代理可以连接大量公开托管的外部工具，扩展了能力边界。
Claude Code 上下文窗口的九个来源
文章用汉堡比喻 Claude Code 每次模型调用前组装的上下文窗口，包含九个来源：系统提示、环境信息、CLAUDE.md 指令层级、自动记忆、路径范围规则、工具元数据、对话历史、工具结果和压缩摘要。这些来源共同决定了模型看到的信息，其中 CLAUDE.md 采用四级层次结构，便于用户编辑和版本控制。
Q&A
Jev 是什么？它和大型语言模型（LLM）有什么不同？
Jev 是 TypeSafe AI 推出的首个 System One Model，速度比前沿 LLM 快 100 倍，成本也更低。它主要用于处理决策类任务，而 LLM 则负责生成内容。
Jev 的九大应用场景具体包括哪些？
九大场景包括：模型路由、安全护栏、工具调用权限分类、邮件分类、重排序、LLM 评估、批量标注、实时决策和置信度门控。
LLM、RAG、AI 代理和代理式 AI 之间有什么区别？
LLM 直接根据提示生成回答；RAG 先检索知识库再让 LLM 生成有依据的回答，但不保证正确；AI 代理有目标、能规划、调用工具并循环反馈；代理式 AI 则是多个 AI 代理通过编排层协作实现共同目标。
MCP 和函数调用有什么不同？
两者都让 LLM 使用工具，但函数调用在本地实现和执行，而 MCP 的函数可以位于远程服务器，通过 MCP 协议远程执行，从而让代理能连接大量公开托管的工具。
Claude Code 的上下文窗口由哪些部分组成？
Claude Code 的上下文窗口由 9 个来源组成：系统提示、环境信息、CLAUDE.md、自动记忆、路径范围规则、工具元数据、对话历史、工具结果和压缩摘要。
使用 Jev 替代 LLM 的核心思路是什么？
核心思路是让 LLM 负责生成内容，而把围绕生成的决策任务交给 Jev 处理，因为 Jev 更快、更便宜，适合做决策类工作。
