极光 GPTBots.ai 接入 Jev：给企业 AI 装上「快思考」层

企业 AI 智能体每天都在做大量判断：这条消息是投诉还是咨询？这段检索内容跟用户问题相关吗？该用哪个模型来处理？

这些判断不需要生成文字，只需要一个答案——是/否、A/B、相关/不相关。但大多数平台还在用完整的大语言模型来完成：生成几百个 token，只为了得出一个分类结果。

结果就是：为不需要的文字买单，为几毫秒的判断等上几秒，而且永远不知道模型到底有多确定。

当 AI 只需要「判断」，不需要「思考」

9月15日，TypeSafe AI 发布了 Jev——一个专为判断而生的"System One"模型。它不生成文字，只返回结构化的概率决策：选择、评分、或是/否，每个答案都带有校准后的置信度分数。

发布一周内，Jev 已被 Vercel、Cloudflare、LangChain 等主流开发者平台集成，成为近期 AI 基础设施领域最受关注的模型发布之一。

根据 TypeSafe 公布的基准测试数据：

速度

70–500ms 端到端响应，对比大语言模型的 3–329 秒。

成本

输入 0.042 美元/百万 Token，输出免费——比大模型判断任务便宜最高 445 倍。

可靠性

结构化输出错误率 0%，部分大模型高达 45.5%。

GPTBots.ai 的两层架构：一层思考，一层判断

GPTBots.ai 并不是在已有系统上「外挂」了一个 Jev。平台本身就运行着多个决策层机制——模型自动路由、知识文档动态 Top-K、FlowAgent 和 Workflow 的意图分类器。这次集成，是把这些能力统一到 Jev 这个专用决策引擎下。

1、模型自动路由：每个任务开始前，GPTBots.ai 会评估传入的问题并匹配最佳模型。Jev 让这个路由决策从一次完整的大模型调用，压缩到 500ms 以内的判断，成本降至万分之一美分级别。

2、知识文档动态 Top-K：RAG 检索出的几十个文档切片中，不是每个都跟问题相关。Jev 对每个切片打分，过滤掉不相关内容后再交给大模型——减少幻觉风险，节省 token 消耗。

3、FlowAgent 和 Workflow 意图分类：分类器识别用户意图后，将对话路由到正确的业务分支。Jev 为每个路由决策附带置信度分数：高置信度自动执行，不确定的升级到大模型或人工。

“ 模型路由、动态检索、意图分类——这些构建块我们本来就有。Jev 给我们的，是一个专用决策引擎，用全新的速度和成本来处理这些判断。以前每次路由决策都要付一次完整的大模型调用费，现在每个判断只花不到一美分——还附带校准后的置信度分数。”

—— 罗伟东，GPTBots.ai 创始人兼 CEO

置信度驱动的执行：自动、复核、升级

两层架构引入了可配置的置信度阈值机制。每个 Jev 决策都带有概率分数，企业可以按工作流自行设定阈值——哪些决策高置信度自动执行，哪些需要复核后再行动，哪些必须升级给真人。

计费分类可以设定在高置信度时自动执行；合规决策可能需要接近确定的结果才放行。平台适配的是「犯错的成本」，而不只是「做对的速度」。

对企业客户意味着什么

当判断的成本趋近于零，AI 智能体的竞争焦点会从"谁更聪明"转向"谁做对更多次"。聪明一次不贵，但每天做对一百万次——这才是真正难的事。