用决策模型处理语音、路由与数据

Claire Vo 采访开发者教育工作者 John Lindquist，讨论使用决策型模型 Jev 的演示。这些是 2026 年 9 月展示的探索性应用，并非独立基准测试；节目有赞助商。

主持人将 Jev 描述为返回受约束的选择和分数，而非开放式文字。Lindquist 建议在较大应用的决策点使用这些输出，其余部分由普通代码和其他模型处理。

语音待办演示将口头命令分类，用于添加、完成或删除任务。多次处理帮助将不完美的转录与现有任务匹配，并选择操作。

两人讨论串联分类决策：每一步为下一步缩小选择范围。这样应用可以将自然语言映射到已知函数，而不是要求模型生成任意程序。

其他例子包括将购物请求映射到函数，以及建议合并重复记录。他们提到置信度阈值和用第二个模型审查；模型分数并不自动等于经过校准的概率，重要的合并仍需验证。

应用路由器可以从有限选项中选择目的地和操作。Vo 补充说，响应迅速的搜索体验仍依赖架构，例如分组和排序候选项，不能假设推理没有延迟。

他们用国际象棋等受约束任务讨论何时适合使用决策模型，并将其与开放式头脑风暴比较：后者可能更适合生成式模型。

Lindquist 展示路径查找和多智能体协调示例，包括避免网格中的碰撞。这些是特定设置的演示，不能证明系统在实体或高风险环境中的普遍可靠性。

一个演讲教练监听发言者是否覆盖预定义要点。主持人讨论测试不同的提问形式，以及单次判断不足时组合多个分类。

最后，他们反思人们如何设计和监督多个智能体。关于组织角色的评论是观察和预测，并非已经确定的就业结果。