Jev + Claude Code：快慢思考如何让AI Agent成本暴降90%

近几年真正让人眼前一亮的模型不多，Jev（源自"Jevons悖论"命名）却是个例外。它不是又一个更大更强的语言模型，而是一类被称为"系统一模型"的全新前端模型——快、便宜、结构化，专门用来做决策。当它与 Claude Code、Codex 这类"系统二"编码代理组合，能在编程工作流里构建极其紧密、低成本的反馈循环。本文梳理这套思路的原理与实际应用。

Jev 是什么：不生成文本，只输出概率

普通大语言模型的工作方式是：给它提示和数据（比如一张发票加上"这张发票是否欺诈"的问题），它会逐个 token 生成一句话回答。由于自回归架构，这个过程往往耗时较长。

Jev 的思路完全不同。你给它同样的提示和数据，同时提供一组预设选项（欺诈 / 干净 / 需人工审核），它会基于概率为每个选项打分，比如"这张发票有 88% 概率是干净的"。它不生成任何文本，只在你提供的答案集合里返回概率。

由于架构差异，响应速度极快——通常 200 到 300 毫秒内就能拿到结果。你可以把它理解成一个"聪明的开关语句"：把返回的概率丢进 if 判断，就能快速对海量数据做决策。

在 TypeSafe 的 playground 里，Jev 提供了几种基础原语：

• Null（真伪判断）：评估某件事的真实性，返回是/否的概率。粘贴一张虚构的欺诈发票，它给出 85% 真实性；加入欺诈信号说明后，判断变成 94%，反复运行数值都稳定在附近，波动仅 2~3 个百分点。
• 选择（多项选择）：最多可定义 255 个选项。把发票问题改成"人工审核/欺诈/干净"，它在 100 毫秒内返回 98% 欺诈、2% 人工审核。
• 评分（光谱打分）：最多 11 档评分标准（0~10 分）。比如给销售线索打分，定义"0 分是没预算的学生、3 分是大型企业"，输入一个企业负责人信息，它返回 2.91 分，可据此触发不同的跟进逻辑。

评分原语的另一个典型场景是日志分级——把"连接池被耗尽"的日志丢进去，它给出 2.99 的严重度评分，超过 2.5 就立即通知值班工程师。由于 Jev 又便宜又快，你几乎可以实时监控关键系统。

Jev 背后的架构原理与传统自回归语言模型有本质区别。传统大语言模型采用"下一个 token 预测"机制，每生成一个词都需要完整的前向传播，序列越长耗时越线性增长。Jev 则更接近判别式模型（Discriminative Model）而非生成式模型（Generative Model）——它的任务不是"写出答案"，而是"从候选集中挑选答案"，本质上是一个多类别概率分类器。这使得它能绕开自回归推理的延迟瓶颈，将单次决策压缩到毫秒级。类比来看，它更像 BERT 系列的填空式模型，而非 GPT 系列的续写模型。这种架构的代价是无法处理开放式生成任务，但在结构化决策场景（欺诈检测、日志分级、任务路由）中，这个限制反而成为优势：输出空间有界，结果可直接接入 if/else 逻辑，无需再用另一个模型做"意图解析"。

系统一与系统二：快慢思考的分工

TypeSafe 把 Jev 定位为"系统一模型"，这个概念显然受《思考，快与慢》启发。人类认知有两套模式：系统一快速、自动、反射式，几乎不需要有意识努力；系统二缓慢、注重细节。重要的是，通过训练可以把某些任务从系统二迁移到系统一——就像学开车，起初要不断检查后视镜、挡位（系统二），熟练后变成条件反射（系统一）。

对应到 AI：Claude Fable 5.1、GPT-6 Astra 这类速度较慢、注重细节的模型是"系统二"；Jev 则是"系统一"。它足够快，可以始终开启、在后台持续运行。

两者组合会产生化学反应：Jev 给出一堆带概率的即时决策，if 语句据此自动执行动作；而更深入的系统二模型可以定期反思"我们的策略是什么、能否改进"，然后重写系统一所用的标准和指令，再回传给 Jev。这就是一个系统二训练系统一的闭环。

这套框架来自心理学家丹尼尔·卡尼曼（Daniel Kahneman）在《思考，快与慢》（Thinking, Fast and Slow）中提出的双系统认知理论。系统一（System 1）依赖直觉、模式匹配和经验，几乎不消耗认知资源；系统二（System 2）则负责逻辑推理、规划和深度分析，但速度慢、资源消耗大。在软件工程语境中，这个隐喻尤其贴切：编译器的语法检查更像系统一（规则明确、执行极快），而架构评审更像系统二（需要上下文理解和权衡）。将 AI 模型按此框架分类，本质上是在探索"哪些判断可以被规则化、结构化，从而降低单位决策成本"。TypeSafe 的创新在于，他们试图通过专门训练让一类模型在特定判断任务上达到"直觉级"的速度与成本，同时用系统二模型持续校准这些判断标准，形成可进化的闭环。

Minecraft 实验：Astra 规划，Jev 执行

视频作者做了一个直观演示：让 Jev 和 GPT-6 Astra 实时协作玩 Minecraft。分工是——Astra 负责高层规划（先建庇护所、准备工具、天黑前采矿、朝铁镐和钻石推进），Jev 负责即时执行（根据当前状态在可选任务里快速多选切换）。

Jev 会读取中间目标、当前状态（血量、饥饿值、时间、采矿进度）、历史记录和可用任务列表，从中做多项选择；遇到需要反馈时暂停，交给 Astra 评估情况并下达新的小目标。Codex 每两分钟审查一次，遇到里程碑或"Jev 死亡"这类挫折时也会复盘"为什么会死、下次怎么改进"。

这几乎完美映射了人类玩游戏的方式：系统一完成大部分操作，系统二偶尔反思并重新训练系统一。程序跑了约 10~20 分钟，Jev 先建好带门的庇护所，拿到石镐、钻石镐，最终甚至到达了下界。

编程工作流：Jev 能解决的四类实际问题

Jev 在 AI 软件开发中的应用才是重点。

技能选择：省下上万 Token

Claude Code 用户常安装几十甚至上百个技能（skills），每个技能描述都会占用上下文窗口的 token。官方 Jev 手册提到一个例子：Hermes 代理有 182 个技能，仅靠代理自己选择时错误加载技能的比例约 17%，经 Jev 推荐后降到 7%。作者把所有技能放到 Jev 后面按需推荐，直接省下约 1 万 token。

浏览器验证：几秒、几分之一美分的反馈循环

有人用 Jev 结合浏览器操作，约 7 秒内查到航班价格，成本约 0.4 美分。这意味着可以本地运行 Jev 快速验证应用中数百种用户流程。因为 Jev 面对熟悉网站（如 Google Flights）就像人用系统一浏览一样直觉快速，可以构建又快又便宜的验证代理，交给系统二代理去修 bug。

更进一步，有团队用它搭建了"高度并行的对抗性测试套件"——几十个浏览器并行随机点击、模拟真实用户试图搞崩应用，成本只要几美分。每个 PR 可以并行启动数十到数千个 Jev 代理找漏洞，作者估算每天成本仅 5~10 美元。此时成本瓶颈不再是 token，而是计算资源。

定性代码检查：把 lint 规则变成自然语言问题

作者演示了用 Jev 清理"垃圾注释"：判断注释的准确性和有用性。9.3 秒处理 150 条注释，约 0.01 美元；分析整个代码库（约 1700 条待改注释）约 0.57 美元。

这类"定性检查"传统上很难用 lint 规则覆盖。有了 Jev，你可以直接用自然语言提问："函数名是否描述了其功能和副作用""日志里是否记录了密钥或财务数据"，记录敏感信息就报错。每个 PR 都能以极低成本跑这类检查。

传统静态分析工具（如 ESLint、Pylint）依赖预定义规则，擅长捕捉格式错误、未使用变量、潜在的类型不匹配等结构性问题，但对"语义质量"几乎无能为力。例如，一个注释在语法上完全合法，但内容过时、误导或冗余，任何 lint 规则都无法识别。Jev 在此开辟了一类新的"语义 lint"能力：它可以理解自然语言提问的意图，对代码片段做定性评估。这与近年兴起的 LLM-based code review 工具（如 CodeRabbit、Sourcery）思路相近，但 Jev 的速度和成本优势使其更适合作为 CI 流水线的常驻环节，而非仅在人工请求时触发。可以预见，未来的代码质量检查体系可能呈现"三层结构"：传统 lint 处理语法层、Jev 类模型处理语义层、GPT/Claude 类大模型处理架构层。

代码坏味道扫描

沿用 Martin Fowler《重构》中的"代码坏味道"概念（重复代码、死代码、魔法数字等），作者让 Jev 扫描整个代码库。彻底检查需要 2800 万输入 token，仅 1.19 美元。做法是让系统二先做小规模检查、查看结果、调整标准，再让 Jev 大规模运行。

基于 Jev 的代码审查：把注意力用在刀刃上

作者构想了一个更完整的模式：让编码代理构建自己对代码库的"系统一理解"——包含一堆不变量、坏味道、评分标准。每个 PR 自动与一份 50500 项的检查清单比对，就像高级工程师从 1001000 个角度做直觉审查，把严重问题转交给系统二主代理修复。安全相关问题甚至可以路由给专门模型（如 GLM 5.3），因为主流云端模型往往拒绝处理安全类请求。

这个方向已有实践佐证：Sentry 的一位工程师提到，在其安全流水线上用 Jev 类小模型，比原方案便宜 5 倍、更快，同时保持高准确率。作者让运行 Opus 5 的代理评估后发现，把代码审查的 token 量减到十分之一，光成本上就有巨大优势。

一种正在成型的趋势

作者坦言，上一次对新模型这么兴奋还是四年前 ChatGPT 首次发布时。他判断这会成为未来的一种范式：系统一模型（Jev，或 OpenAI、Anthropic 可能推出的同类）与系统二模型（如 Claude Fable）协同，在代理式编程中实现更好的结果。

系统一负责在整个代码库、代码差异上做极其廉价的广泛筛选，只有最强的信号才交给系统二模型投入最多注意力；系统二又能反过来重写系统一的标准，赋予代理"反射能力"。更健壮的安全流水线、更便宜的代码审查、全天候的对抗性测试、快速的定性检查——这些应用共同指向一个成本结构被重构的编程未来。