# 影片筆記：【AI 革命】告別昂貴 Token！Jev 如何讓你的 Claude Code 效率提升 10 倍


<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->
## ⚠️ 可先使用，仍有待修正項目

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

- 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）
- 待修正：逐字稿可先使用，但有待校正清單（segment=261 asr_repetition_or_hallucination: 出現異常重複字元或 token）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

> **⚠️ 警告：逐字稿辨識疑點**
> 本筆記基於提供的分段筆記與逐字稿片段生成。由於逐字稿中存在疑似識別錯誤（如 `segment 261: asr_repetition_or_hallucination`），以下內容忠於原始筆記，但請注意部分模型名稱、產品名稱及數據可能為聽寫錯誤或識別異常。若發現不合理片段，已列入「逐字稿辨識疑點」，請勿直接視為確定事實。

## 一句話總結

演講者介紹由 ChatGPT 創始人之一 Diogo 開發的新型 AI 模型 **JEV**，該模型並非大型語言模型，而是專注於選擇、判斷與評分的「分流器」，具備極高速度與極低成本，可將簡單任務分流至低成本模型，複雜任務分流至高成本模型，從而大幅提升 Claude Code 等工具的效率並節省 Token 費用。

## 核心重點

1.  **JEV 模型定位**：
    *   JEV 不是傳統的大型語言模型（LLM）。
    *   核心能力僅三種：選擇結果、判斷真假（是/否）、基於標準評分。
    *   開發者為 ChatGPT 創始人之一 Diogo。

2.  **極致效能與成本**：
    *   **速度**：比 ChatGPT 快 20 到 200 倍。
    *   **成本**：輸入每百萬 TOKEN 僅約 4 美分，輸出完全免費。

3.  **分流機制（Router）**：
    *   JEV 作為「分流器」或過濾器，判斷任務複雜度。
    *   **簡單任務**：分流至低成本模型（如 Haiku）。
    *   **複雜任務**：分流至高成本模型（如 Opus, Fable）。
    *   效益：避免用高成本模型處理簡單問題，節省 Token 並提升響應速度。

4.  **實戰應用場景**：
    *   **電子郵件自動化**：快速檢索、分類、判斷重要性，高信心度直接自動化，低信心度移交 Claude。
    *   **發票詐欺檢測**：掃描供應商發票，識別潛在詐欺信號。
    *   **遊戲與瀏覽器控制**：在 Doom 射擊遊戲、瀏覽器自動化（找機票）及乒乓球遊戲中展現極快反應速度。

## 詳細大綱

### I. JEV 模型概述
*   **開發背景**：由 ChatGPT 創始人之一 Diogo 發明。
*   **核心定位**：非大型語言模型（Non-LLM）。
*   **三大能力**：
    1.  選擇結果（從選項中選一）。
    2.  判斷真假（是/否判斷）。
    3.  評分標準（定義中/高標準並進行評分）。
*   **主要優勢**：
    *   **速度極快**：比 ChatGPT 快 20 到 200 倍。
    *   **成本極低**：
        *   輸入費用：每百萬 TOKEN 約 4 美分。
        *   輸出費用：完全免費（不收取 TOKEN 費用）。
    *   **易於接入**：可接入任何模型。
    *   **可分流**：可根據任務難易度分流至不同模型。

### II. JEV 的接入方式
*   **官方 API**：透過 `typesafe.AI` 網站的 API Console 登錄並調用。
*   **聚合平台**：透過 `openrouter` 調用（演講者個人偏好，使用約兩年）。
    *   OpenRouter 聚合了上百種不同模型。

### III. JEV 實戰應用案例
*   **案例一：任務分流器（Router On/Off）**
    *   **機制**：提示詞先進入 JEV，由 JEV 判斷任務複雜度。
    *   **分流邏輯**：
        *   簡單任務 -> 分流至低成本模型（如 Haiku）。
        *   複雜任務 -> 分流至高成本模型（如 Opus, Fable）。
    *   **效益**：避免用高成本模型處理簡單問題，節省 TOKEN。
*   **案例二：電子郵件自動化處理**
    *   **流程**：
        1.  JEV 快速檢索所有郵件。
        2.  JEV 對郵件進行分析與分類（報價、SEO、緊急、每週摘要等）。
        3.  JEV 判斷郵件重要性及是否需要真人回覆。
        4.  **分流機制**：
            *   高信心度（>0.8）：直接進入表格/自動化處理。
            *   低信心度（<0.8）：移交給 Claude 進行最終判斷。
    *   **效能數據**：
        *   6 封郵件：耗時 3.4 秒，費用 $0.000002。
        *   424 封郵件（7天）：篩選出 82 封重要郵件，耗時 0.5 秒。
    *   **輸出**：Excel 表格歸類，並起草回覆郵件。
*   **案例三：發票詐欺檢測**
    *   **功能**：掃描供應商發票，識別潛在詐欺。
    *   **評分維度**：明細總價、對賬跡象、強烈詐欺信號、警告信號、異常。
    *   **效能數據**：6 張發票耗時 1.78 秒，費用 $0.00003。
    *   **結果**：區分真實發票與造假嫌疑，標記紅/黃/正常信號。

### IV. JEV 與其他模型的對比演示
*   **遊戲控制（Doom）**：
    *   JEV 可完全操縱射擊遊戲，判斷走位與射擊目標。
    *   反應速度極快，傳統大模型無法達到此反應速度。
*   **瀏覽器自動化（JEV Ultra Fast）**：
    *   控制瀏覽器速度極快，例如 7.1 秒內找到瑞士至英國的機票。
    *   GitHub 項目已獲 15,000+ Star。
    *   預示未來將出現大量基於 JEV 的瀏覽器控制開源項目。
*   **乒乓球遊戲（JEV POM）**：
    *   對比測試：JEV 控制球拍彈球的反應速度遠快於 Gemini、Haiku 和 GPT 5.6 SOL。
    *   可與用戶對戰，但人類反應通常仍快於 JEV。

### V. 結論與資源
*   **演講者觀點**：對 JEV 感到非常興奮，認為其與 GPT-6、Astra、Fable 5.1 等不同，是一種全新的 AI 模型類型。
*   **資源獲取**：
    *   社區名稱：**AI Agent 大師學院**。
    *   獲取方式：YouTube 描述欄連結 -> Youtube 資源區 -> 本期視頻 -> 下載 PDF 文件。
    *   PDF 內容：包含 JEV 重要指標、練習提示詞（Prompts）。

## 工具 / 模型 / 名詞整理

*   **AI 模型/技術**：
    *   **JEV**：影片主要介紹的模型，非 LLM，專注於選擇、判斷、評分。
    *   **Claude**：提及 Fable, Opus, Haiku 等變體或相關模型。
    *   **ChatGPT**：被對比對象，速度較慢。
    *   **GPT-6**：提及的新型號。
    *   **Fable 5.1**：提及的高成本模型變體。
    *   **Astra**：提及的新型號。
    *   **Gemini**：被對比對象。
    *   **Haiku**：低成本模型，用於分流簡單任務。
    *   **GPT 5.6 SOL**：被對比對象，版本編號存疑。
    *   **JEV Ultra Fast**：瀏覽器自動化版本。
    *   **JEV POM**：乒乓球遊戲版本。
*   **平台/網站**：
    *   **typesafe.AI**：提供 JEV 官方 API Console。
    *   **OpenRouter**：聚合平台，演講者偏好使用。
    *   **GitHub**：開源項目存放地。
    *   **YouTube**：影片發布平台。
*   **遊戲/應用**：
    *   **Doom**：射擊遊戲，用於測試 JEV 反應速度。
    *   **JEV POM**：乒乓球遊戲，用於測試 JEV 反應速度。
*   **組織/社區**：
    *   **AI Agent 大師學院**：演講者提到的社區名稱。

## 操作流程整理

### 流程一：任務分流器（Router On/Off）
1.  **輸入**：提示詞進入 JEV。
2.  **判斷**：JEV 判斷任務複雜度。
3.  **分流**：
    *   若為簡單任務 -> 發送給低成本模型（如 Haiku）。
    *   若為複雜任務 -> 發送給高成本模型（如 Opus, Fable）。
4.  **輸出**：獲得結果，節省 Token。

### 流程二：電子郵件自動化處理
1.  **檢索**：JEV 快速檢索所有郵件。
2.  **分析**：JEV 對郵件進行分類（報價、SEO、緊急、每週摘要等）。
3.  **判斷**：JEV 判斷郵件重要性及是否需要真人回覆。
4.  **分流決策**：
    *   信心度 > 0.8：直接進入表格/自動化處理。
    *   信心度 < 0.8：移交給 Claude 進行最終判斷。
5.  **輸出**：生成 Excel 表格歸類，並起草回覆郵件。

### 流程三：發票詐欺檢測
1.  **掃描**：輸入供應商發票。
2.  **評分**：JEV 根據明細總價、對賬跡象、強烈詐欺信號、警告信號、異常進行評分。
3.  **標記**：區分真實發票與造假嫌疑，標記紅/黃/正常信號。
4.  **輸出**：識別潛在詐欺。

## 值得注意的限制或風險

1.  **模型名稱不確定性**：
    *   影片中提到的「JEV」在主流 AI 模型中較不常見，需查證是否為特定新模型名稱或聽寫錯誤。
    *   「Fable」、「GPT 5.6 SOL」、「Astra」等模型名稱不符合已知公開模型標準，可能為口誤或識別錯誤。
2.  **開發者背景存疑**：
    *   演講者稱 JEV 由 ChatGPT 創始人之一「Diogo」發明，需查證 ChatGPT 創始人中是否有名為 Diogo 的人，以及 JEV 是否為其發明的模型。
3.  **成本數據極低**：
    *   輸入每百萬 TOKEN 約 4 美分，以及 $0.000002 等極低費用數據，需查證是否為真實 API 計費單位或演示數據，可能存在識別錯誤。
4.  **資源真實性**：
    *   演講者提到的 PDF 文件內容（JEV 重要指標、練習提示詞）需查證是否為真實存在的教學資源。
5.  **技術局限性**：
    *   JEV 僅專注於選擇、判斷與評分，並非通用大型語言模型，可能不適用於需要複雜生成或推理的任務。
    *   在乒乓球遊戲中，人類反應通常仍快於 JEV，顯示其在即時互動方面仍有物理限制。

## 逐字稿辨識疑點

*   **JEV**：逐字稿中多次出現此名稱，但該名稱在主流 AI 模型中較不常見，需查證是否為特定新模型名稱或聽寫錯誤（如 Jina, Jet, 或其他縮寫）。
*   **Fable**：演講者提及 "Claude fable" 或 "Fable"，通常 Claude 的模型版本為 Haiku, Sonnet, Opus。"Fable" 可能是聽寫錯誤，需查證是否指代特定模型或口誤。
*   **GPT 5.6 SOL**：逐字稿提及 "GPT5.6SOL"，此版本編號與命名方式不符合已知公開模型，需查證是否為口誤或特定內部版本。
*   **Astra**：提及 "GPT6 Astra"，需查證 "Astra" 是否為特定模型名稱或口誤。
*   **Diogo**：演講者稱 JEV 由 "Diogo" 發明，且為 ChatGPT 創始人之一。需查證 ChatGPT 創始人中是否有名為 Diogo 的人，以及 JEV 是否為其發明的模型。
*   **4 分錢美金**：演講者稱輸入每百萬 TOKEN 為 "4 分錢美金"，需查證此價格是否準確或為口誤。
*   **0.0000002 / 0.00003**：費用數據極低，需查證是否為真實 API 計費單位或演示數據。
*   **PDF 文件內容**：演講者提到 PDF 中有 "JEV 的提示詞"，需查證該 PDF 是否為真實存在的教學資源。
*   **Segment 261 異常**：逐字稿中存在 `asr_repetition_or_hallucination` 異常重複字元或 token，可能影響部分內容的準確性。

## 可延伸追問

1.  JEV 模型的具體技術架構是什麼？它如何實現比 LLM 快 20-200 倍的速度？
2.  如何準確查證「Diogo」與「JEV」的關係？是否有官方文檔或論文支持？
3.  OpenRouter 和 typesafe.AI 對 JEV 的支持程度如何？是否有長期穩定的 API 服務？
4.  JEV 在「高信心度」與「低信心度」的分流閾值（0.8）是如何確定的？是否有最佳實踐指南？
5.  除了電子郵件和發票，JEV 還有哪些適合的工業級應用場景？
6.  如何驗證 JEV 的「輸出免費」是否長期有效？是否有隱藏的計費條款？