影片筆記：Jev 的 8 个“像作弊一样”的神级用法

<!-- 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。）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

一句話總結

影片介紹了一款名為 Jeff（或聽寫為 Jiuzhen/Justine/JIT/Jazz）的新型 AI 模型，其核心定位為「決策器」而非傳統文本生成模型。該模型以極高的速度和極低的成本處理結構化判斷任務，適用於廣告攔截、郵件排序、動態 UI 組裝等場景，但不擅長非結構化建議、代碼生成及複雜邏輯推理。

核心重點

1. 模型定位與核心優勢：

• Jeff 被定義為一種強大的「決策器」（Decision Maker），而非傳統的文字生成模型。
• 核心優勢在於極高的處理速度與極低的成本，能夠快速做出成千上萬甚至幾百萬個決策。
• 類比於早期的 ChatGPT，具有強大但原始的特性。

1. 適用與不適用場景：

• 適用條件：使用者能清楚描述決策邏輯，並能提供明確的上下文和結構化問題。
• 不擅長領域：
• 非結構化問題（例如詢問「如何跟老闆談話」的建議）。
• 代碼生成能力不強。
• 在無時間限制的複雜邏輯對決中（如與 Fable 下棋），可能因處理速度慢而輸給專門模型。

1. 主要應用案例：

• 結構化判斷：如判斷「熱狗是否為三明治」（結果顯示機率為 73%）。
• AI 文案檢測：檢測網站或創意寫作是否為 AI 生成（例如分析 anthropic.com，顯示 26% 為 AI SOP）。
• 廣告與彈窗攔截 (Unclutter)：由 Kissy 製作，與 JIT 搭配，瞬間移除網頁垃圾信息。
• 自動化集成 (Zapier)：作為 Zapier 平台中的 App，處理日曆邀請的自動接受或拒絕，連接 9000+ App。
• 郵件優先級排序：根據 Jeff 判斷的「回覆優先級」對郵件排序，100 封郵件不到半秒完成。
• 瀏覽器模糊搜索：基於關鍵詞匹配的升級版，支持模糊搜索，開源免費。
• 動態網頁 UI 組裝：從預先配置的 UI 元素庫中挑選組件，在不到一秒內拼湊出網頁（非從零搭建）。
• 視頻片段剪輯 (TripFast)：輸入關鍵字掃描視頻及字幕，自動剪輯對應片段（90 多分鐘視頻在不到兩秒內完成）。
• 配色與 Emoji 預測：根據描述拼湊配色方案（如「80s disco」）或推薦相關 Emoji。

1. 價格與獲取：

• 輸入 Token 費用：每百萬輸入 Token 4.2（單位未明確，疑為美元或特定貨幣單位）。
• 輸出 Token：免費，數量不限。
• 初始贈送 5 美元額度，鼓勵免費嘗試。

詳細大綱

一、 Jeff 的核心定義與特性

• 模型定位：
• 被描述為一種新的 AR（文中疑點，可能指 API 或 Architecture），本質上是一個強大的「決策器」。
• 核心能力：快速且便宜地做出成千上萬甚至幾百萬個決策。
• 適用場景條件：
• 使用者能清楚描述想做的決策。
• 能提供明確的上下文和結構化問題。
• 在滿足上述條件時，對使用場景非常強大。
• 不擅長領域：
• 不是文本生成模型。
• 不擅長處理非結構化問題（如詢問「如何跟老闆談話」的建議）。
• 寫代碼能力不強。
• 在無時間限制的複雜邏輯對決中（如與 Fable 下棋），可能因處理速度慢而輸給專門模型。

二、 具體應用案例演示

1. 基礎判斷示例：

• 將問題整理為 GS1/指令/Prompt（例如：「熱狗算三明治嗎？」）。
• 提供判斷標準，模型會給出結構化定義（如「什麼是實物」）。
• 結果示例：判斷熱狗算三明治的機率為 73%。

1. AI 文案檢測器：

• 用於檢測網站或創意寫作是否為 AI 生成。
• 案例：分析 anthropic.com，顯示 26% 為 AI SOP，並具體拆解判斷依據。

1. 廣告與彈窗攔截器 (Unclutter)：

• 由 Kissy 製作，與 JIT 搭配使用。
• 機制：將網頁元素連同說明發送給 Jeff，判斷何為垃圾信息或煩人內容，並瞬間移除。
• 特點：幾乎瞬間生效，效果顯著。

1. Zapier 自動化集成 (Sepier/Zap平台)：

• Jeff 已加入 Zapier 平台，可作為 App 使用。
• 案例：處理日曆邀請，根據判斷標準自動接受或拒絕。
• 優勢：可連接 Zapier 提供的 9000 多個 App，實現複雜自動化判斷。

1. 郵件優先級排序：

• 替代傳統按時間排序，根據 Jeff 判斷的「回覆優先級」對成千上萬封郵件進行排序。
• 速度：100 封郵件不到半秒完成排序。

1. 瀏覽器模糊搜索：

• 基於關鍵詞匹配的升級版，支持模糊搜索。
• 特點：速度快，開源，免費，支持自帶 Key。

1. 動態網頁 UI 組裝：

• 前提：需預先配置好 UI 元素庫（按鈕、輸入框、字體等）。
• 機制：Jeff 從庫中挑選組件，在不到一秒內拼湊出網頁。
• 限制：非從零搭建，僅為現有元素的選擇與組合。

1. 視頻片段剪輯 (TripFast)：

• 功能：輸入關鍵字（如 YRL Works），掃描視頻及字幕，自動剪輯出對應片段。
• 速度：90 多分鐘視頻在不到兩秒內完成剪輯。

1. 配色方案與 Emoji 預測：

• 配色：輸入描述（如「80s disco」、「Blue Screen of Death」），Jeff 會拼湊出對應的配色方案。
• Emoji：輸入內容（如「減肥」、「組樂隊」），Jeff 會判斷並推薦最相關的 Emoji。

三、 價格與獲取方式

• 收費標準：
• 輸入 Token：每百萬輸入 Token 4.2（單位未明確，疑為美元或特定貨幣單位）。
• 輸出 Token：免費，數量不限。
• 贈送額度：
• 初始贈送 5 美元額度。
• 鼓勵用戶免費嘗試和探索。

工具 / 模型 / 名詞整理

• Jeff：影片主要討論的 AI 模型，被定義為「決策器」。
• Jiuzhen / Justine / JIT / Jazz：逐字稿中交替出現的名稱，可能指代同一模型的不同稱呼、口誤或聽寫差異。
• ChagPT / ChatGPT：文中提及「很像早期的 ChagPT」，推測指 ChatGPT。
• Fable：文中提及與 Jeff 下棋的對手或模型。
• GS1：文中提及「整理成 GS1, 指令」，疑為結構化格式標記或特定術語。
• anthropic.com：用於 AI 文案檢測的案例網站。
• madewithjv.com：文中提及的網站，疑為 madewithjeff.com。
• Unclutter：由 Kissy 製作的智能廣告和彈窗攔截器產品。
• Kissy：Unclutter 的創作者。
• Sepier / Zapier / Zap平台：文中提及 Sepier 已將 Jeff 加入 Zap 平台，推測指自動化平台 Zapier。
• Workroom：文中提及「新建一个 Workroom」，疑為 Workflow（工作流）。
• Type-6 Jeff：Zapier 中的動作名稱，疑為 Type Jeff 或特定版本。
• Zepconnect2026 / NextGZeph：活動相關詞，疑為 Zap Connect 2026 或 NextGen Zap。
• Grogbit：文中提及「以前还在 Grogbit 里做过工具」，疑為某開發平台或產品。
• TripFast：視頻剪輯工具名。
• YRL Works：視頻關鍵字。
• 配色關鍵字：80sdisco, 80spopretro, Morio, LouisG, Warrior, Blue Screen of Death, Matrix, 海滩。

操作流程整理

1. 結構化判斷流程：

• 將問題整理為 GS1/指令/Prompt。
• 提供判斷標準。
• 模型輸出結構化定義或機率結果（如熱狗是否為三明治）。

1. 廣告攔截流程 (Unclutter)：

• 將網頁元素連同說明發送給 Jeff。
• Jeff 判斷何為垃圾信息或煩人內容。
• 瞬間移除相關內容。

1. Zapier 自動化流程：

• 在 Zapier 平台中調用 Jeff 作為 App。
• 輸入數據（如日曆邀請）。
• Jeff 根據判斷標準自動執行動作（接受或拒絕）。
• 連接其他 9000+ App 實現複雜自動化。

1. 郵件排序流程：

• 將郵件數據發送給 Jeff。
• Jeff 根據「回覆優先級」進行判斷。
• 系統根據判斷結果對郵件進行排序（100 封郵件不到半秒）。

1. 動態 UI 組裝流程：

• 預先配置 UI 元素庫（按鈕、輸入框、字體等）。
• Jeff 從庫中挑選所需組件。
• 在不到一秒內拼湊出網頁結構。

1. 視頻剪輯流程 (TripFast)：

• 輸入關鍵字（如 YRL Works）。
• 掃描視頻及字幕。
• 自動剪輯出對應片段（90 多分鐘視頻在不到兩秒內完成）。

1. 配色與 Emoji 預測流程：

• 輸入描述（如「80s disco」）或內容（如「減肥」）。
• Jeff 判斷並輸出對應的配色方案或推薦 Emoji。

值得注意的限制或風險

1. 非結構化問題處理能力弱：不擅長處理如「如何跟老闆談話」等非結構化建議。
2. 代碼生成能力不足：寫代碼能力不強。
3. 複雜邏輯推理速度慢：在無時間限制的複雜邏輯對決中（如與 Fable 下棋），可能因處理速度慢而輸給專門模型。
4. UI 組裝限制：動態網頁 UI 組裝並非從零搭建，僅為現有元素的選擇與組合，需預先配置好 UI 元素庫。
5. 名稱辨識不確定：模型名稱在 Jeff, Jiuzhen, Justine, JIT, Jazz 之間交替，可能影響準確查找或理解。

逐字稿辨識疑點

• 模型名稱不一致：逐字稿中交替出現 Jeff, Jiuzhen, Justine, JIT, Jazz。根據規則，僅標註為疑點，不確定是否為同一模型的不同稱呼、口誤或聽寫錯誤。
• ChagPT：文中提及「很像早期的 ChagPT」，疑為 ChatGPT 的聽寫錯誤。
• GS1：文中提及「整理成 GS1, 指令」，疑為 JSON、XML 或其他結構化格式標記的聽寫錯誤，或特定內部術語。
• Sepier：文中提及「Sepier 已經把 Jeff 加進了 Zap 平台」，疑為 Zapier 的聽寫錯誤。
• Workroom：文中提及「新建一个 Workroom」，疑為 Workflow (工作流) 的聽寫錯誤。
• Type-6 Jeff：文中提及「Type-6 Jeff」，疑為 Type Jeff 或特定 API 調用方式的聽寫錯誤。
• Zepconnect2026 / NextGZeph：文中提及「Zepconnect2026」和「NextGZeph」，疑為 Zap Connect 2026 或相關活動名稱的聽寫錯誤。
• Grogbit：文中提及「以前还在 Grogbit 里做过工具」，疑為某開發平台或產品名稱的聽寫錯誤。
• madewithjv.com：文中提及網站名，疑為 madewithjeff.com 的聽寫錯誤。
• 4.2 每分：文中提及「每百万输入token4.2每分」，語意不明，疑為價格單位或計費方式的聽寫錯誤。
• ear word：文中提及「确实有点ear word」，語意不明，疑為特定術語或聽寫錯誤。
• SOP：文中提及「26% 是 AI SOP」，疑為 Content、Text 或其他詞彙的聽寫錯誤，或特定內部縮寫。
• AR：文中提及「新的 AR」，疑指 API 或 Architecture，但原文如此，保留疑點。

可延伸追問

1. Jeff 模型具體的技術架構是什麼？它與傳統 LLM 在底層邏輯上有何根本區別？
2. 「GS1」具體指什麼格式或標準？在實際應用中如何構造這種輸入？
3. 在 Zapier 中集成 Jeff 的具體步驟和代碼示例為何？
4. 對於「非結構化問題」，是否有變通方法可以繞過 Jeff 的局限性？
5. Jeff 的「決策器」定位是否意味著它主要用於分類、二值判斷或排序任務，而非生成任務？