企业官网建设流程全解析

从「哄人」到「干活」：Jev式「少说多做」会否让AI助手集体转向克制表达

【免费下载链接】jev-chat-jarvisThe chat decision assistant: before you reply, Jev reads the chat, judges intent and risk, and drafts replies you fill in with one tap. You press send. Android · Windows · macOS · iOS | 聊天辅助决策工具：先看懂对方再回复，发不发由你。项目地址: https://gitcode.com/gh_mirrors/je/jev-chat-jarvis

AI 助手正在经历一场罕见的「话痨疲劳」：聊天模型越卷越能聊，动不动先夸你三句、再回你一段正确的废话；可当用户真的想让它办成一件事时，它又开始「一本正经地胡说八道」。2026 年 9 月中旬，一个「不生成文字」的模型 Jev 却一夜刷屏——不写诗、不寒暄、不哄人，只回答选择题、打分和是非判断。社区给它起了两个外号：「哑巴模型」和「一个智能 if 语句」。本文不打算复述热度，而是结合本地仓库 jev-chat-jarvis（一个把 Jev 判断模型装进聊天场景的「对话副驾」）的真实源码，回答三个问题：用户为什么开始反感 AI 的废话；「不生成」如何被工程化成产品竞争力；决策与表达的分离，会不会成为下一代助手的默认架构。

「哄人式对话」的行业反思：用户开始反感 AI 的废话

过去两年，对话式大模型的迭代主线是「更会说话」：更长的上下文、更圆滑的措辞、更周到的情绪价值。社区里流传的吐槽一针见血——模型「拼命展现自己有多能聊、多能写，还会对用户各种吹捧」，但真到了要它干活的时候，它「最直白、最不绕弯、最一本正经地胡说八道」（见社区文章《Jev是什么？哑巴模型居然全网爆火》）。用户要的从来不是被哄，而是被理解、被办成事；过度表达不仅不增加价值，反而稀释了信息的可信度，这就是「哄人式对话」的反噬。

Jev 的出现正好踩在这个情绪转折点上。2026 年 9 月 15 日，前 OpenAI InstructGPT 核心作者 Diogo Almeida 创立的 TypeSafe AI 带着 4000 万美元种子轮融资结束两年隐身，发布首个「System One」模型 Jev。它最出圈的特点恰恰是「不做」：不生成文本、不写代码，只输出带概率与置信度的类型化结果——选择（choice）、打分（score）、是非（noul）。社区文章的标题几乎就是行业情绪的注脚：《Jev：不是聊天机器人，而是一个智能 if 语句》《发布 3 天登顶 HN：不生成一个字的模型》。HN 上这篇介绍帖冲到 1863 分、491 条评论；随后「只做选择题的模型火了 2170 个项目」「上线 24 小时 13% 的付费团队连夜换到 Jev」等报道接连出现，甚至传出估值 100 亿美元的说法。

当然，爆火之下也有降温声。社区文章《别吹 Jev 了》直言「最大的特点是不说话、不生成文字」，并提醒别把「不生成」神化成「新技术路线」。这其实是对的：Jev 的价值不在于「不说话」本身，而在于它把「判断」从「生成」里剥离出来——判断可以更便宜、更快、更可验证，而表达则留给更擅长写字的模型。这个分离，才是真正值得讨论的设计思想。

Jev 的「不生成」：表达克制如何被工程化成竞争力

判断模型的取舍：只回答，不寒暄

先看 Jev 的硬指标。据社区实测与文档：响应约 70–500ms，输入价格约 $0.042/百万 token，输出 token 免费；一次典型判断约消耗 1000 输入 token（见仓库 cn/CHANGELOG.md 中 OpenCode Zen 预置说明）。它能做到这种成本结构，前提是任务被严格收窄：在封闭集合里做类型化判断——选一个、打一个分、判一个是非，每个答案都附带概率分布和置信度，而不是自由生成一段话。

关键在于题目本身的设计。在仓库 cn/tools/jev/questions.py 里，判断层被固化为 7 道固定题 + 1 道排序题：literal_question（对方最新消息是不是字面意思）、true_intent（真实意图）、danger_level（危险等级，10 档）、should_reply_now（该不该马上给出实质内容）、best_action（下一步最佳动作）、she_needs（对方现在要什么）、tension_resolved（紧张是否已解除），外加对 3 条候选回复排序的best_reply。项目文档 cn/tools/jev/TASK.md 把口径定得很死：题目用英文写（Jev 主训练语言是英文），聊天内容保留中文原文；7 道判断题一次请求全发，即官方推荐的 speculative fan-out，省时省钱。

「少说」是被设计出来的输出

克制表达在这套题目里不是修辞，而是显式定义的选项。

先看should_reply_now，它的 instructions 特意澄清：「这不是『该不该发消息』，时机无关；只有所需的事实、明确的过错或明确的时间地点已经出现在这段对话里，才答 true」。换句话说，它判断的是「下一条消息该不该携带实质内容」——当对方在考验你记不记得某件事、而回忆内容不在眼前时，正确答案是 false，即「先别急着给内容，别瞎猜」。再看best_action的选项，专门有一个say_less：「少说或什么都不加，多余的词会过度解释、重新打开已经结束的话题，或在对方已经下最后通牒时火上浇油」。she_needs也有明确的nothing档：「对方已真正满意、事情已经过去」，并且指令强调，一旦对方说出「没事了 / 那就这样 / 收到了 / 过去了」，即使更早时对方要过行动或道歉，也必须选 nothing。把「不说」设计成一道标准答案，这在以生成为中心的助手产品里几乎不可想象。

这套题目不是拍脑袋写的。cn/tools/jev/TASK.md 记录了一个真实的校准事故：用截图里的对话实测时，should_answer_now给出 0.77（该回），而best_action给出「先翻聊天记录」0.60，两题互相打架；对话结尾「她还需要什么」被判断成「行动」（0.62），压过了正确答案「什么都不用了」（0.38）。项目的解法是把题目措辞重写，并靠人工标注集把矛盾压下去——cn/tools/jev/fixtures/labeled_set.json 提供了 20+ 条覆盖情侣拌嘴、对方明显生气、对方已满意、纯闲聊、同事催进度、阴阳怪气、最后通牒等场景的中文对话片段，危险等级标注覆盖 0–9 全程；cn/tools/jev/calibrate.py 跑完全部标注集输出每道题的命中率，验收线是：danger_level平均绝对误差 < 1.0 档、true_intent与she_needs命中率 ≥ 60%（见 cn/docs/acceptance.md）。

产品化：先判断、再写字、发不发由你

判断层只是上游。jev-chat-jarvis 的产品思路在 cn/README.md 里一句话讲完：「它先判断，再写字。」整个链路是：无障碍服务读取聊天界面 → Jev 一次返回真实意图、危险等级、对方要什么、该不该马上回、最佳动作（约 1 秒）→ 生成模型起草 3 条口语化候选 → Jev 再对候选排序 → 悬浮窗展示 → 用户一键填入输入框，发送键永远由人按下。

Android 端把这条链路拆成了三个可独立配置的客户端：cn/app/src/main/java/com/jev/probe/jev/JudgeClient.kt 只负责判断题与排序题，cn/app/src/main/java/com/jev/probe/jev/ReplyClient.kt 只负责起草与摘要，视觉 OCR 走独立一路（见 cn/docs/v1.3-plan.md）。有趣的是，生成侧也被要求「克制」：cn/app/src/main/java/com/jev/probe/jev/ReplyClient.kt 的系统提示词规定「每条不超过 40 字（英文不超过 30 个单词）、口语、自然、像真人在聊天软件里发消息。不要解释」，且要求回复与知识库一致——「可以直接引用其中事实，不要编造知识库里没有的事实」。候选回复还可以只出 1 条（跳过排序，出得更快）或换一组（判断不变、只重新生成，见 cn/CHANGELOG.md v1.7）。

「不发送」则被做成了工程上的硬约束。cn/app/src/main/java/com/jev/probe/capture/GuardedInputWriter.kt 的填入流程是：ACTION_SET_TEXT写入输入框 → 150ms 后校验文本是否真的写进去了 → 失败则聚焦重试 → 再失败退到剪贴板 +ACTION_PASTE→ 再次校验。整个过程只碰输入框，绝不碰发送动作；配合 cn/app/src/main/java/com/jev/probe/capture/NewMessageGate.kt 只在「对方发来新消息」时才触发分析（翻历史、自己的消息都不触发），克制既体现在「AI 说什么」，也体现在「AI 什么时候开口」。数据边界同样克制：只读无障碍树暴露的屏幕内容、截屏只在本机 OCR 不上传、密钥与知识库存 App 私有目录、历史记录默认关闭（见 cn/README.md 与 cn/docs/v1.3-plan.md）。

一个有意思的产品细节是悬浮窗的折叠态：卡片收起时只显示危险等级和对方意图，点击才展开看完整判断与候选（cn/CHANGELOG.md v1.7）。「克制」一路从模型选项渗透到题目设计、提示词、填入行为，再到 UI 的信息密度——这是把「少说多做」当成完整产品哲学在做的典型。

趋势推演：决策与表达的分离会成为下一代助手的默认架构吗

Jev 本身是一个模型，但它真正撬动行业的地方，是让「判断」成为一种可以被单独定价、单独部署、单独调用的基础设施。社区实测给出的成本账相当极端：Agent 决策比 LLM 快 40–200 倍、便宜 40–400 倍、输出 token 免费（见社区文章《给Codex配上Jev，直接起飞》）。之所以有这种数量级差距，是因为判断模型不需要为「生成」付出推理代价——它在封闭集合上做选择，相当于把一张「选择题试卷」交给一个专用模型，而不是让通用模型边写作文边做判断。

架构层面的证据也在快速积累。社区报道的 Jev-Mobile 方案提出「低频 VLM 高层规划 + 高频轻量 Jev 执行器」的协同架构：VLM 只输出局部子目标，Jev 基于无障碍树生成的结构化候选动作做类型化决策，一次 VLM 调用可执行多步 GUI 动作，在 AndroidWorld 基准上达到 79% 任务成功率，成功轨迹端到端延迟降低 32.7%、VLM API 开销减少 73.4%。浏览器 Agent 插件方向也出现「基于 Jev 的判断模型改变浏览器代理高延迟运行模式」的 21k star 项目。还有文章系统梳理了判断器在智能体中的十个落点：实时控制循环、浏览器操作选择、工具风险门控、模型路由、目标/卡住检查、上下文压缩、技能与工具选择、输出护栏、工单邮件分类、RAG 重排序——本质是把「重复性判断」从 LLM 上卸载到专用决策层。TypeSafe 自己也把 Jev 定位成可嵌入 Harness（智能体编排外壳）的中间件判断器，可接入 middleware 或工具链替代传统 LLM 做分类任务。

本仓库正是这个趋势的一个最小闭环样本：在 cn/docs/v1.3-plan.md 的公共契约里，判断接口（Jev）、回复接口（任意 OpenAI 兼容 chat/completions）、视觉接口（OCR）三路地址、密钥、模型完全解耦，判断接口还内置了 OpenRouter、博查 Jev、TypeSafe 直连、Vercel、OpenCode Zen 等多个预设（见 cn/CHANGELOG.md v1.4/v1.7）。用户可以把判断交给 Jev、把写字交给 DeepSeek、把视觉交给通义，三路各自计费、各自调优——「决策与表达分离」在这里不是一个概念，而是配置文件里的三个字段。官方兼容协议POST /v1/systemone（请求体{model, state, questions}）让多家服务商（博查、Vercel AI Gateway、OpenCode Zen）都提供 Jev 的托管入口，判断层正在变成像「路由、限流、护栏」一样的基础组件。

那么，这是否意味着 AI 助手会「集体转向克制表达」？从成本与质量两个维度看，答案是方向性的「会」，但形态不是所有模型都变成哑巴。更可能出现的是分工：表达层继续由通用模型承担，但「该不该说、说什么类型、说到什么程度、什么时候闭嘴」这类决策被逐步下沉到判断层——因为判断可以被标注、被校准、被验收（本仓库的 7 题命中率标准就是一个例子），而生成很难被这样约束。产品层面，「少说」将成为显式卖点：回复长度上限、折叠面板、发送权分离、只在必要时开口，这些今天还是差异化设计，明天可能就是默认选项。

当然也要给狂热降温：判断模型不生成文本，不等于它天然正确。本仓库的实践恰恰说明，判断层的价值高度依赖题目质量和标注集——7 道题的措辞经历了「两题互相打架」的返工，danger_level 的 10 档要求每档写具体情景而非抽象程度（见 cn/tools/jev/TASK.md），这才是 Jev 式「少说多做」能成立的前提。从「哄人」到「干活」，AI 助手缺的不是更多话术，而是更可靠的判断，以及判断之后的克制。当一个助手既能看懂潜台词、又知道什么时候该闭嘴、还从不替你做最后决定时，「克制」就不再是风格问题，而是信任问题——这可能是这场「哑巴模型」狂欢留下的最长期的价值。

【免费下载链接】jev-chat-jarvisThe chat decision assistant: before you reply, Jev reads the chat, judges intent and risk, and drafts replies you fill in with one tap. You press send. Android · Windows · macOS · iOS | 聊天辅助决策工具：先看懂对方再回复，发不发由你。项目地址: https://gitcode.com/gh_mirrors/je/jev-chat-jarvis