企业官网建设流程全解析

Jev-Mobile架构深拆：低频VLM高层规划+高频Jev执行器，79%任务成功率与32.7%端到端延迟下降是怎么做到的

【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

移动端 GUI 智能体（Mobile GUI Agent）过去几年一直困在同一个死结里：让大模型"看懂屏幕 + 决定下一步 + 操作界面"，一次循环至少一轮多模态推理。AndroidWorld 上的典型方案每执行一步都要调一次 VLM——视觉编码、全局推理、动作生成全挤在一次调用里，延迟以秒计、成本随步数线性膨胀，任务稍长就跑不动。Jev-Mobile 给出的答案是另一种分工：把"看"和"想"交给低频的 VLM，把"点"和"选"交给一个毫秒级、几乎零成本的结构化决策模型 Jev。VLM 只在关键节点做高层规划、输出局部子目标；Jev 则基于实时无障碍树（Accessibility Tree）生成的结构化候选动作，逐节点做类型化决策，一次 VLM 调用可以驱动多步 GUI 操作。最终在 AndroidWorld 基准上拿到79% 任务成功率、成功轨迹端到端延迟下降 32.7%、VLM API 开销减少 73.4%。

本文结合社区情报与 jev-chat-jarvis 仓库源码，把这条架构链路拆开：Jev 作为执行器到底"长什么样"、候选动作如何从无障碍树里程序化生成、VLM 与执行器之间如何划分控制权、三项指标各自说明了什么——以及这套"低频规划 + 高频执行"的组合拳，和本仓库里已在真机跑通的聊天副驾工程，共享着哪些设计内核。

一条被低估的分工线：System One 决策模型不该只做路由

Jev-Mobile 的核心判断，藏在对 Jev 这个模型的定位里。Jev 是 TypeSafe AI 于 2026 年 9 月发布的"System One"模型：不生成文本，只在封闭集合内输出带概率与置信度的类型化答案——choice（选择）、score（打分）、noul（是非）。社区对它的一个经典概括是"Jev 不是聊天机器人，而是一个智能 if 语句"，另一个更工程化的说法是：把重复性判断从 LLM 卸载到专用决策层，构建高效的混合智能体系统。

从成本与延迟曲线看，这种卸载极其划算：Jev 的响应落在70–500ms区间，输入价格约$0.042/百万 token，且输出 token 免费——一次典型判断请求仅约 1000 输入 token、实测约 900ms 返回、成本 0.00004 美元级别。在通用 LLM 上，同等的一次判断需要一次完整的模型前向与几百上千 token 的文本生成；在 GUI 智能体里，这一步的代价会被乘以"任务步数"。

因此 Jev-Mobile 的分工是：VLM 负责"需要语义理解、跨步骤推理"的高层规划，Jev 负责"在给定选项里选一个、给候选动作打分"的局部决策。前者低频，后者高频。这一分工在 cn/CLAUDE.md 里描述的三路客户端结构里可以找到同构的印证：判断（Jev）、回复（DeepSeek 生成）、视觉（OCR 用）各自独立成客户端，判断路一次请求打包全部题目、约 1 秒返回；生成路才承担起草候选回复的文本任务。"判断用专用模型、生成用通用模型"不是一个想法，而是已经被真机工程验证过的模式。

无障碍树是执行器的"手眼"，候选动作由代码程序化生成

Jev 作为执行器要能干活，前提是它必须"看得见"当前界面。Jev-Mobile 的做法与 jev-chat-jarvis 如出一辙：用 Android 无障碍服务读实时无障碍树，而不是让 VLM 看截图。差异只在于用途——聊天副驾用它提取"对话内容"，GUI 执行器用它生成"可执行候选动作"。

在 global/a11y/src/main/java/com/jev/overseas/a11y/NodeCollector.kt 里，NodeCollector 以最多 8000 个节点的预算遍历当前窗口的无障碍树，把每个节点拷贝成结构化的 NodeRecord：viewId、text、contentDescription、屏幕坐标 bounds、可点击 / 可滚动 / 可编辑等 flag 集合、以及动作列表（CLICK、SCROLL_FORWARD、SET_TEXT…）。关键设计是只读不写：它从不调用 performAction。

这批结构化为执行器铺好了路。Jev-Mobile 中的候选动作生成是程序化的：从无障碍树里把"可点击、可滚动、可输入"的节点枚举出来，结合屏幕坐标与控件类型，编译成一组受限的候选动作（点这个按钮、滚这条列表、往这个输入框填文本）。Jev 需要做的不是"想象下一步"，而是在这组真实存在的候选里做选择/评分——这正是 choice/score/noul 三类问题的天然用武之地。

仓库里可对照的真实案例是 cn/app/src/main/java/com/jev/probe/capture/ChatAppAdapter.kt：每个聊天 App 一个适配器，把无障碍树变成中性的 ChatSnapshot。QQ 靠id/mjn节点取正文、按气泡贴哪侧头像判发送方；X 私信是 Compose 树，消息全在 content-desc 里，按"发件人：正文。时间。Read。"的格式解析；飞书正文自绘，树里只有气泡矩形，于是改为"矩形 + 离线 OCR"。无论哪种形态，采集层输出的都是统一的Msg(side, text)消息列表，下游判断、回复、悬浮窗全部无关 App。适配器只认树里真实存在的东西，绝不去猜——这与执行器"候选动作必须来自无障碍树"的原则完全一致。

再看 cn/app/src/main/java/com/jev/probe/capture/NewMessageGate.kt：它以 (side, text) 为键维护已见消息集合，只有当"未见消息出现在某条已见消息之下"（即消息真正抵达底部）才判定为新消息；上下翻历史、列表滚动都不会触发误判。GUI 执行器面临同样的扰动问题——界面滚动、控件移动、加载动画——一个可靠执行器同样需要这类"变化检测"来确认动作是否生效，而非每帧都交给模型重新理解。

显式控制权移交：单次 VLM 调用执行多步动作的关键设计

Jev-Mobile 的第二项核心创新是显式控制权移交（explicit control handover）机制，它支撑起"单次 VLM 调用驱动多步 GUI 动作"的能力。

传统移动端智能体每步一个循环：截图 → VLM 推理 → 输出动作 → 执行 → 再截图。Jev-Mobile 则让 VLM 输出"局部子目标"，之后进入执行器主导的局部闭环：Jev 依据无障碍树候选动作逐节点决策，一连执行多步，直到子目标达成、或遇到无法类型化判断的局面，才把控制权交还给 VLM。移交的显式之处在于：它不是软性的"模型自觉"，而是有明确判定条件的状态转移——执行器在候选空间内能安全收敛就继续，候选枯竭、动作失败、或需要新的语义理解时才触发 VLM 调用。

这套"低频高层 + 高频局部"的节奏，在本仓库的会话状态机里能找到非常接近的工程形态。global/core/src/main/kotlin/com/jev/overseas/core/session/AssistantSession.kt 是整个聊天副驾的流控核心，意图方法在 UI 线程立即返回，读取与模型调用全部跑在后台 executor 上，并且每一项后台工作都携带它启动时的 generation 号，一旦 generation 前进，迟到的结果直接丢弃。打开面板 → 读取聊天 → 分析（Jev 判断）→ 用户选立场 → 起草 → 检查评分 → 填入——每一步都是一次显式的状态转移，任何一步的结果过期都不会污染后续流程。

与之配套的是 global/core/src/main/kotlin/com/jev/overseas/core/engine/Assistant.kt 里的RunBudget：单轮模型请求上限 17 次、模型等待时间上限 90 秒，请求失败只重试一次且必须是可重试类型（限流、服务端、超时、网络），鉴权错误绝不重试。并行请求在等待时只计一次时间。这给"高频执行"划了一条工程红线：执行器再快，也不能无限消耗模型预算——与 Jev-Mobile 用执行器压低 VLM 调用频率的动机完全同构。

再往深一层看，global/core/src/main/kotlin/com/jev/overseas/core/engine/Analysis.kt 展示了 Jev 决策如何被代码转译成行动：AnalysisEngine 把行为问题与摩擦问题拆成两个并行请求——主请求覆盖行为、线索与语气，摩擦请求只看最近一轮加前 4 条消息，防止一条旧消息把平静的当下误判为紧张；返回的概率经阈值（0.7 命中 / 0.3 缺席，中间是 unsure）转译成 detected / unsure / absent，而unsure 且影响决策的答案会让用户选择而不是猜测，并派生出明确的 NextStep：DIRECT_DRAFT、CHOOSE_STANCE、NO_REPLY_NEEDED、SAFETY_HOLD、BOUNDARY、UNCLEAR。

这与执行器的行为模式如出一辙：概率输出必须落成确定的行为分支，拿不准就交还控制权。VLM 规划下发的"局部子目标"，在本仓库里对应的就是 global/core/src/main/kotlin/com/jev/overseas/core/engine/Goal.kt 的 Goal 结构：起草前先把回复目标固化为 summary、mustInclude、mustAvoid、authorized_commitments，起草模型只能在目标内写字，Jev 再逐条检查——"先定目标，再让高频决策器在目标约束下工作"是两套系统共享的设计语言。

79%、32.7%、73.4%：三项指标到底说明了什么

Jev-Mobile 在 AndroidWorld 上报告的三个数字，对应三个不同层面的收益，值得分别解读。

79% 任务成功率是结果指标。AndroidWorld 以真实 App 交互为评测环境，成功率对每一步的可靠性都敏感——一次误点、一次滚动失败、一次对弹窗的误判都可能断送整个任务。79% 的可信度取决于一个前提：高频执行步骤的质量没有因为"换了个小模型"而塌方。而执行器质量的保障恰恰来自候选动作的受限生成——Jev 不在开放空间里"自由发挥"，只在无障碍树提供的真实候选里做类型化选择，动作空间的收缩直接压低了低级错误率。仓库的实测数据提供了同方向的证据：global/docs/TESTING.md 记录的在线评测中，预期为真的行为信号 48/48 命中、预期为假 51/54 判清（3 个 unsure、0 个判错）、含违规回复的拦截 6/6、干净回复不误拦 11/12、摩擦 73/74、语气 37/37。决策模型的可靠性可以用"把选择题答准"来量化验证，这正是它敢扛起高频执行环节的底气。

成功轨迹端到端延迟下降 32.7%是架构收益。移动 GUI 智能体的延迟大头从来不是动作执行本身，而是每步一次的多模态推理往返。把大部分步骤从"VLM 一次前向"降级为"Jev 一次 70–500ms 的类型化判断"，多步任务的总延迟自然被削掉近三分之一。这个数字成立的关键在于"成功轨迹"这个限定——失败的轨迹往往伴随着额外的重试与异常处理，不能用来衡量架构的稳态性能。仓库里同类的延迟哲学可见于 cn/CLAUDE.md：判断路一次打包 7 题约 900ms 返回，回复路与视觉路才走更重的模型；cn/CHANGELOG.md 记录"只要 1 条候选时不做排序，出得更快""判断和回复各自最多等 30 秒，超时给重试"——延迟是显式的预算项，被主动管理与优化，而非被动承受。

VLM API 开销减少 73.4%是成本收益。开销按调用次数或 token 计量。执行器接管后，任务中大部分决策步骤不再触碰 VLM，总 API 开销被压到原来的约四分之一。这里要强调一个容易被忽略的事实：73.4% 是"减少"，不是"归零"——VLM 仍然承担高层规划，说明作者保留了语义理解环节，只砍掉了重复的、可类型化的部分。这与 Jev 的成本曲线完全吻合：Jev 输出 token 免费、输入约 $0.042/M、单次判断约 1000 输入 token、成本 0.00004 美元量级，而 cn/CHANGELOG.md 记录的在线评测同样佐证这种"便宜量又足"的决策用量：draft 评测 21 次请求共 $0.0038，edge 评测 22 次请求共 $0.0035，revision 评测 162 次请求共 $0.0205——每类判断一次调用，单次成本以亚美分计。当执行器把这类决策从"每步一次 VLM"替换为"每步一次 Jev"时，73.4% 的开销下降是算术上必然的结果。

需要保持清醒的是评测边界。AndroidWorld 是封闭基准，79% 尚未与真实世界 App 更新的对抗性环境划等号；无障碍树的候选生成依赖目标 App 的控件暴露程度——仓库在 cn/README.md 中把"隐藏界面内容或禁止截屏的 App 一律不读"列为硬约束，cn/CLAUDE.md 也明确"只读目标 App 正常开放给无障碍服务的内容"，这就是同一物理边界的工程表达。此外，Jev-Mobile 的指标来自其论文与工程实现，本文未逐字复现其评测脚本；三个数字应作为架构效果的量化锚点，而非放之四海皆准的承诺。

同一内核的两次落地：从 GUI 执行器到聊天副驾

把 Jev-Mobile 与本仓库对照着看，会发现它们不是"恰好相似"，而是同一套设计哲学在不同任务域的两次实现：

1. 结构化状态，而非原始像素。执行器读无障碍树生成候选动作，聊天副驾读无障碍树提取消息列表。模型永远不直接面对未经处理的屏幕。
2. 决策与生成分离。Jev 做判断（意图、危险等级、该不该回、候选排序），生成模型只负责起草文本；GUI 侧则让 Jev 做动作选择，VLM 只做规划。判断路的典型延迟约 1 秒、成本亚美分，正是它能够高频运转的原因。
3. 显式状态机与显式控制权。Generation 失效丢弃、RunBudget 预算封顶、NextStep 分支明确；执行器同样以显式条件决定"继续执行"还是"交还 VLM"。
4. 拿不准就交还给人或上层。unsure 答案让用户选择而非猜测，回答不完整的请求宁可失败重来也不编造答案（"Missing answers are never filled in"）；执行器遇到候选枯竭或无法类型化判断的局面同样交还控制权。

这套架构的启示在于：移动端智能体的瓶颈不是"模型不够聪明"，而是"把每一步都交给最贵的模型"。Jev-Mobile 用 79% 的成功率证明，把高频决策从 VLM 卸载到 System One 决策模型，非但不掉质量，反而因为动作空间受限、决策确定性提高而更稳；用 32.7% 的延迟下降和 73.4% 的开销缩减证明，这种卸载在经济上是压倒性的。当社区还在争论"要不要让大模型直接操作手机"时，Jev-Mobile 与 jev-chat-jarvis 已经从两个方向给出了同一个答案：让大模型负责理解与规划，让专用决策模型负责执行与选择，让显式的状态边界决定二者何时交接。

【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