# 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。

2.  **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。

3.  **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。

4.  **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%。
2.  **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。
3.  **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。
4.  **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。
5.  **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。
6.  **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。
7.  **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。
8.  **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。
9.  **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）。

2.  **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。

3.  **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。

4.  **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）。

5.  **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。

6.  **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）。

7.  **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？