初了解 Jev AI - 用於決策分類、加速回覆、省 token費用

Jev AI 官網

先進文章分享 

讓 AI 學會做選擇：Jev 帶來的 5 個 Agent Skill 靈感

情境

如果你需要「從已知的固定規則/清單中，極速精準地選一個」  → 使用 Jev 的 Choice（需事先定義）。

Jev 引發廣泛討論，是因為它具備 RLCD（Reinforcement Learning for Calibrated Decisions，校準決策強化學習） 特性。它不僅能從選項中選一個（Choice），還會給出極度可靠的「信心機率值（Confidence）」。

如果你完全不知道資料有什麼規律，希望 AI「閱讀大量雜亂文本後，幫忙歸納發想出 5 種新型別」 → 交給 Claude / LLM 進行開放式分析。

最常被討論應用的場景

Multi-Agent（多代理人）架構中的信心閘道路由器（Confidence-Gated Agent Router）

用傳統規則（Regex / if-else）：太死板，使用者換句話說系統就無法識別。

用 Claude / GPT 擔任 Router（總管）：延遲極高：使用者問一句話，光是讓 LLM 決定「該指派給誰」就要花 1.5 ~ 3 秒。  費用浪費：每一次 routing 都要把全部 Agent 的說明（System Prompt）塞進去，白白浪費幾千個 Token。

RAG 檢索重排（RAG Reranker）

向量資料庫（Vector DB）搜尋出 30 篇文件區塊（Chunks），若把 30 篇全部塞給 Claude，會塞爆 Context Window 且費用驚人。

開發者用 Jev 的 Score Primitive（評分原語），平行在 100ms 內對 30 個 Chunk 的關聯度打 1~10 分，瞬間剔除低於 7 分的雜訊，只將最精華的 3 篇送給 Claude 生成答案。

解決向量檢索（Vector Search）的常見盲點：向量搜尋往往會搜出「關鍵字很像，但內容都在講別件事」的文件（餘弦相似度高，但資訊價值為 0）。  讓 Jev評份後對於給予低分，系統便可直接過濾掉。

大幅減輕 Claude / Open AI / Gemini 的負荷： 送給 Claude 的不再是 20 篇參差不齊的文件，而是經過 Jev 認證得分高的高價值片段。Claude 既不會被無關段落誤導，生成回答的速度也能提升一倍以上。

可以在同一個 API 請求中，直接帶入 30 個對象（Array of 30 items），Jev 的伺服器會在 GPU 上進行平行矩陣推論（Parallel Pass），同時計算出 30 個獨立的分數。 

20260923 實作 Jev 應用於 api 選擇，目前 api 不對外所以沒有包成 MCP， ai agent 依據問題會呼叫對應的 API，目前調整用 Jev 的 noul  問題清單來決定呼叫那個 API，原本一個 skill.md 會有每個 API 的說明，需調整為每個 API 都有自己的 md檔。