Jev 的用法模式：不看別人做，想不到可以這樣用

September 22, 2026 · View on GitHub

🇹🇼 中文｜🇬🇧 English

Jev 的用法模式：不看別人做，想不到可以這樣用

這頁按手法整理，不按領域。能力地圖回答「它在哪裡站得住」，這頁回答「原來還可以這樣問」——很多任務要先換個問法，才看得出它其實是 Jev 的候選。

每個手法寫四樣：做法、為什麼不直覺、代表實作與證據、什麼時候會失敗。收錄門檻：至少有一個公開、能跑的實作，只有構想的不收（見 CONTRIBUTING.md）。證據標記照慣例：🔬 我們自己測的、📖 TypeSafe 官方示範、📚 第三方作者自述（我們沒有重跑）。一條「有實測數字」不等於在你的資料上也成立；只有示範、沒有數字的，也照實寫出來。

部分代表案例取自〈Jev 應用圖譜：60 個案例〉（編號沿用 JEV-xx）與 awesome-jev。整理日期 2026-09-23。

1. 把「生成」改成「在候選裡選」

做法：程式先把所有可能的答案找出來（例如用寬鬆的正規表示式撈出文件裡每一個地址或日期片段），Jev 只負責從中挑一個。

為什麼不直覺：抽取、排版這類看起來「要寫字」的任務，直覺會交給生成式模型。改成選擇題之後，答案一定出自原文，不可能編出來。

代表	做了什麼	證據
預解析候選值（JEV-15）	信件標頭有四個地址，問「收據要寄到哪一個」	📖 示範
日期要素抽取（JEV-14）	讓 Jev 挑年、月、日各是哪一段，由程式組成日期並檢查合不合法	📖 示範
原文保真排版（JEV-06）	Jev 只判斷哪幾行該接在一起、每一段是什麼區塊，排版由程式做，原文一個字都不改	📖 示範（範例兩次往返、10,211 tokens、0.8 秒）

什麼時候會失敗：正確答案如果不在候選裡，Jev 救不回來——找候選的那一步要寧可多撈、不能漏撈。

2. 一步一選的導航

做法：把搜尋或定位拆成一連串的選擇題：這一層該往哪個分支、這一頁該點哪個連結、這一段是不是答案所在。

為什麼不直覺：「在一棵幾千個節點的分類樹裡找位置」看起來需要一次看完全部，其實每一步只需要在十幾個選項裡選一個。

代表	做了什麼	證據
層級分類（JEV-16）	在專利分類、商品分類、醫學主題詞這類多層標籤樹裡逐層往下選，保留前幾名分支同時往下走	📖 示範
neo4jev（JEV-35）	在 Neo4j 知識圖譜上，每一步從相鄰的關係裡選下一步，並判斷是否到達目標	📚 示範
長文件語意定位（JEV-05）	條款切成帶行號的片段，逐段問「這段能不能回答問題」	📖 示範
瀏覽器自動化	每一步從畫面上的元素裡選一個動作	📚 多個實作，見該頁

什麼時候會失敗：錯誤會沿著路徑累積，早一步選錯，後面全錯；要保留幾條備選路徑，或允許退回上一層。

3. 塞進現有工具，當語意運算子

做法：把 Jev 包成 SQL 函數、grep、sort，或「對每個函式問一題」的命令列工具，讓原本只能比對字面的工具能依意思篩選和排序。

為什麼不直覺：大家想到 Jev 會想到「接進 agent」，比較少想到它可以是一個指令。

代表	做了什麼	證據
sqlite3-jev（JEV-37）	SQLite 擴充，在 SQL 裡直接呼叫 Jev 分類每一列	📚 示範
every（JEV-33）	對程式碼裡的每一個函式問同一個是非題	📚 作者自己寫的 20 個函式：recall 10/10、AUROC 1.000（作者說「不是 benchmark」）；1,302 個函式 3.7 秒、0.018 美元
jgrep	用「描述」當 pattern 的 grep	📚 公開資料集上的垃圾簡訊過濾：precision 0.87、recall 0.95、F1 0.91
jsort	兩兩比較，再用 Bradley–Terry 模型排出順序	📚 分數差 1 時，Jev 約 73% 會選分數高的那個；差 3 時約 95%

什麼時候會失敗：直接拿 Jev 的機率當排序依據要小心，見我們整理的 ORDER BY 排序查證；要排序的話，jsort 那種兩兩比較比直接排機率更站得住。

4. 比對兩份東西「說的」跟「做的」一不一致

做法：把兩份應該一致的東西一起放進 state——commit 說明與程式碼差異、客服的承諾與執行紀錄、「已完成」的宣稱與實際的測試結果——問它們一不一致。

為什麼不直覺：很多錯誤不在任何一份文件裡，而在兩份之間。單看任一份都正常。

代表	做了什麼	證據
jev-belay	Claude Code 的 Stop hook：讀對話紀錄找證據，擋下沒有驗證就宣稱完成的回合	📚 100 次真實紀錄：AUROC 0.976（只看措辭是 0.777）；預設門檻下擋了 8 次、7 次擋對
jev-commit（JEV-47）	pre-commit hook：commit 說明跟程式碼差異對不對得上	📚 示範
jev-resilience（JEV-44）	回應是 HTTP 200，但內容其實是錯誤訊息或維護公告時，當成故障處理	📚 示範（只有離線的請求測試）
progressgate（JEV-46）	偵測 agent 反覆試已經被否定的假設、原地打轉	📚 示範
引用支持度判讀	宣稱與引文放在一起，問引文支不支持宣稱	🔬 我們自己的測試

什麼時候會失敗：兩份東西都要真的放進 state；只給其中一份、另一份用摘要或長度代替，就是在看不到內容的情況下判斷。

5. 花大錢之前先問便宜的

做法：在呼叫大模型、叫醒 agent、升級到更貴的模型之前，先用一次 Jev 問「值不值得」。

為什麼不直覺：成本通常花在「不該發生的那次大模型呼叫」上，而不是判斷本身。

代表	做了什麼	證據
wakegate	睡著的 agent 被計時器或事件喚醒前，先問這次值不值得一整輪大模型	📚 21 個手寫情境；中位數 253 毫秒；11 次該叫醒的有 2 次是靠「不確定」區間才叫醒
jev-router（JEV-48）	依任務難度選最便宜夠用的模型	📚 示範
SDE cascade（JEV-13）	小模型先抽欄位，Jev 逐欄檢查，沒過的才交給強模型	📖 示範
第一關篩選	大模型 agent 深入處理之前，用兩題是非題先篩	🔬 我們自己的測試

什麼時候會失敗：閘門的門檻要用自己的資料調；wakegate 的例子裡，靠「不確定就叫醒」才沒有漏掉兩次該叫醒的情況。

6. 沒把握就退一步

做法：低信心時不硬給答案，而是退回比較粗的答案、交給人，或交給更強的模型。

為什麼不直覺：直覺是「沒把握就停下來」；但很多時候退一層的答案仍然有用。

代表	做了什麼	證據
按信心退回上一層分類（JEV-18）	SEC 文件的行業分類，沒把握時回報上一層的大類	📖 範例中，一組準確率 40% 的細分類，改回報上一層後是 70%
第一關篩選	兩題是非題只守住兩個代價最高的極端，其他一律進有界的人工批次複查	🔬 我們自己的測試
信心門檻棄權	低於門檻就不答，量出覆蓋率與準確率的取捨	📚 見該條目

什麼時候會失敗：校準是群體統計，不是單題保證；類別本身糊在一起時，它可能很有把握地錯（見 README 的 DAIR Emotion 例子）。

7. 一次多問，連「可能用得上」的問題一起問

做法：同一份 state 的問題一次送出，包括還不確定需不需要的；回來之後由程式決定用哪幾題的答案。

為什麼不直覺：多問幾題幾乎不增加等待時間（官方說法），所以「先問再說」比「需要時再問」便宜。

代表	做了什麼	證據
Speculative fan-out	官方的模式說明	📖
同一份文件的多維判斷（JEV-03）	一次請求對同一份 GDPR 文件做多個判斷、分類、評分	📖 示範
jev-torneo-animales	擂台賽：一次請求就問衛冕者對接下來 K 個挑戰者，衛冕者一輸就丟掉後面的答案	📚 作者自述 1,999 場約 16 秒
瀏覽器自動化	每一步同一次呼叫問三題：下一個動作、目標達成了沒、是不是卡住	📚 見該頁

什麼時候會失敗：每題是獨立評估的（官方說法），題目之間不會互相參照；要組合答案，得在程式裡做。

8. 當傳統機器學習的特徵

做法：Jev 不下最終判斷，而是對每筆資料回答一批問題，把機率當成特徵，交給 CatBoost 這類傳統模型去學。

為什麼不直覺：大家把 Jev 當「判斷者」，很少想到它可以是「特徵產生器」，讓自己的標註資料決定權重。

代表	做了什麼	證據
Autoresearch 特徵發現（JEV-17）	反覆提出新問題當特徵，用模型的錯誤決定要不要留下這個問題	📖 示範
拆解判斷的代價	一題直接判斷 vs 拆成十幾個維度再學權重	📚 見該條目

什麼時候會失敗：拆解不會自動比較準；那份第三方測試發現，拆解在困難的良性案例上誤判率暴增（見該條目）。

9. 重問幾次，看答案穩不穩

做法：同一題問好幾次，用答案一不一致當作額外的不確定訊號。

為什麼不直覺：大家只看單次的信心值；但答案會在重問之間變動，本身就是一個訊號。

代表	做了什麼	證據
分類一致性（JEV-02）	內容審核的邊界案例重複分類	📖 重問時選出同一答案的比例：Jev 90.8%，幾種大模型設定 87.5% 到 100%
是非題一致性（JEV-01）	車險理賠的多個事實判斷	📖 示範
純回憶史實題	每題重問三次	🔬 有唯一答案的題三次完全一樣；沒有唯一答案的題三次之間會變動，甚至換選項

10. 媒體先轉成帶時間戳的文字，再逐句掃

做法：影片、聲音、長篇內容先轉成一句一句的文字（附時間戳），再對每一句問同一題。

為什麼不直覺：Jev 只收文字，看起來跟影音無關；但字幕和逐字稿本來就是現成的文字。

代表	做了什麼	證據
jev-skip（JEV-32）	讀 YouTube 字幕，標出業配片段	📚 23 支影片：抓到 SponsorBlock 使用者標記的業配秒數 77%，每小時誤跳 34 秒，每支影片 0.0008 美元
判斷玩家在對哪個 NPC 說話	讀一句語音轉文字，對每個 NPC 問「是在跟你說話，還是只是提到你」	📚 F1 0.96；全小寫、沒標點、名字被聽錯的逐字稿上 0.93；比模糊比對名字的做法（64%）準很多（92%）
jevmeter（JEV-52）	影片逐句評分，疊在畫面上	📚 作者自己的評測集 99%
jev-audio-beeper（JEV-53）	西班牙語逐字稿逐詞判斷要不要消音	📚 示範
Jev 校稿	對 repo 裡的中文逐句問有沒有寫錯字	🔬 門檻 0.5：抓到 67% 的學生錯字，repo 正確句子誤報 2%

11. 感知先交給別的工具，轉成符號或文字

做法：畫面、感測器、語音先由別的工具轉成結構化資料或文字（OCR、DOM、深度圖、手勢追蹤），Jev 只判斷轉出來的東西。

為什麼不直覺：直覺是「要看圖就找視覺模型」；但很多系統早就算好了那個訊號，只是沒有露出來。判斷準則見 AGENTS.md 的「候選訊號本來就不是文字」。

代表	做了什麼	證據
typesafe-computer-use（JEV-30）	macOS 螢幕先 OCR，再讓 Jev 選下一個動作	📚 同一張截圖：每次決策 0.0002 美元、0.13 到 0.38 秒；直接把截圖丟給 Claude Opus 5 是 0.032 美元、5.2 秒（量的是成本與速度，不是準確率）
mobile-jev（JEV-29）	讀 Android 介面，選點擊或輸入	📚 示範
jev-drone（JEV-57）	相機畫面先算成深度與分割的符號場景	📚 示範
瀏覽器自動化	讀 DOM，不看截圖	📚 見該頁

12. 把「評測」本身當成決策任務

做法：評一個 agent 回合做得好不好，本身就是判斷題：回答有沒有根據、工具用得對不對、通過還是不通過。把軌跡、最終回答與檢索到的證據放進 state，用幾題原子化的問題評分，而不是叫大模型寫一段評語再解析出分數。

為什麼不直覺：大家把評測交給「更聰明的模型」，直覺是評審要會講理由；但需要的證據其實都在軌跡裡，而評審每天要跑幾萬次，慢和貴會直接壓縮你敢評的次數。

代表	做了什麼	證據
LangChain 的 Jev-as-a-Judge	凍結五個 agent 回合，讓 Jev 與三個大模型評審在同一批輸入上各評 100 次，分開量「跟人一致」與「自己穩不穩」	📚 通過與否 5 題全中、變異數低 92–913 倍、每次 0.00035 美元；但 5 題、單一標註者、對照組沒關隨機取樣（三點但書見該條目）
jev-belay	用同樣的想法擋下沒有驗證就宣稱完成的回合	📚 100 次真實紀錄 AUROC 0.976

什麼時候會失敗：評審穩定不等於評審正確——一個穩定地錯的評審，會用很低的成本大量產生錯誤回饋（LangChain 自己也這樣提醒）。上線前要跟人工標註對齊過，之後也要定期抽查。

13. 小而意外的用途

代表	做了什麼	證據
unclutter（JEV-31）	瀏覽器擴充：判斷網頁上哪些元素是廣告、推廣、訂閱彈窗，做成可重複使用的規則	📚 示範
hono-jev-router（JEV-36）	依請求的意思分派 HTTP 路由	📚 示範

看起來可以，其實不該這樣用

這些是我們自己查過或測過、結論是「不行」或「要非常小心」的：

讓 Jev 決定刪掉 agent 自己的執行紀錄：那是不可逆的刪除決策，不是一個判斷題；見 context 壓縮辯論。
預測還沒發生的人類行為（這則訊息會不會被回覆、這個客戶會不會成交）：判斷當下答案還不存在；見 AGENTS.md 的「別碰的地方」。
多回合策略、從隱藏資訊推對手：撲克和西洋棋都示範過失敗；見 analysis/jev-games-tcg.md。
需要它自己記得的知識：知不知道事前看不出來；需要的資料放進 state。
查簡體字：字元清單比 Jev 準，而且零成本；見 Jev 校稿。

看起來可以，其實不該這樣用

標籤