Claire Vo 的 Jev 实验：用结构化决策支持产品工作

Claire Vo 介绍使用 TypeSafe AI 的 Jev 进行的一周实验。该模型旨在返回结构化决策，而不是长篇生成文本。节目由 OpenArt 赞助，产品和价格信息反映 2026 年 9 月的情况。

Vo 说 Jev 激发了个人生产率、工程和产品工作的想法。她对这些工作价值的估计是个人判断，并非实测收入或受控的生产率结果。

她对比生成文本的通用语言模型与返回受约束值的决策接口。两者都可以处理文本，但输出格式和预期工作负载不同。

Vo 解释，定价可能使大规模分类更有吸引力。她引用的费率和补贴访问属于当时情况；使用服务前应检查当前价格、限制及数据处理条款。

她演示的输出包括在选项中选择、评分和估计概率。结构化值更容易被软件使用，但格式本身不能保证决策正确或概率经过校准。

第一个例子按工作类型对拉取请求分类。她用结果观察工程投入如何分布在维护、内容和工具等领域。

她报告了对自己代码仓库运行时的低成本。这些是特定输入及当时定价下的个人测量，并非通用成本估计或准确率基准。

另一个例子分析本地保存的 Claude Code 和 Codex 会话，对工作分类。把这类记录提交给服务之前，用户需要考虑密钥、个人信息、权限和服务的数据政策。

Vo 描述对邮件片段评分以便分拣，再用另一个模型处理类别。她没有展示私人邮件，并认为决策模型与语言模型结合可以提供更丰富的分析。

对于她自己的产品 ChatPRD，她从拉取请求、支持工单和对话等信号构建洞察图谱。模型帮助分类和分组，另一个模型再帮助解释这些组。

她介绍处理约 1100 个信号和大量成对分类。分组与生成的解释应对照原始记录核查，尤其是在结果用于产品决策时。

Vo 演示一个根据数千条 YouTube 评论构建的仪表盘。它将反馈分组并展示情绪、节目选题等类别，让原始材料更容易探索，而不是取代原始材料。

第二个演示把实时语音映射到颜色与引语。她介绍实时语音服务如何提供文本、Jev 如何在颜色中评分或选择，以及另一个 API 如何提供引语。

她指出演示中某一部分存在延迟，并鼓励观众关注看似即时的应用背后的架构。速度取决于整条流水线，而不只取决于决策模型。

Vo 最后总结三种模式：分析数据、将结构化决策与生成模型配合，以及构建交互体验。这些案例展示她自己的实验，并非与所有模型的通用比较。