[控场AI]
· 4 分钟阅读· 2,258 字

Jev革命:工程师正在用System One模型构建什么

Jev革命:工程师正在用System One模型构建什么

Jev 创建者呼吁自动化一切,System One 模型正进入开发者工具链与企业产品。

文章围绕 Jev 在 AI Engineer Code Summit 上的亮相展开,介绍其主要创建者 Diogo Almeida 提出的“自动化一切”主张,以及 Glean 等公司已将 Jev 应用于生产环境的事实。文章指出,Jev 的核心理念是聚焦 System One 模型,即以低延迟、直觉式判断见长的一类模型,擅长模式识别、快速分类与简单决策,但不适合复杂多步推理。因此开发者应把 Jev 视为自动化流水线中的一个组件,用于代码格式化、简单 bug 修复、日志分析与常规测试生成等高频低复杂度任务。文章最后强调,判断哪些任务适合交给 Jev、哪些仍需人工或更强推理模型介入,将成为未来工程师的核心竞争力。

从理论到实践:Jev正在改变开发者的工作方式

在AI Engineer Code Summit上,Jev的主要创建者Diogo Almeida向开发者发出了一个直截了当的号召:自动化一切。这不仅仅是一句口号,而是基于System One模型正在展现的实际能力。另一边,Glean等公司已经在展示他们如何使用Jev——这意味着这项技术已经从实验室走向了生产环境。

Jev的核心理念在于利用System One模型处理那些需要快速响应、直觉式判断的任务。与需要大量推理步骤的System Two模型不同,System One模型更接近人类的本能反应,能够在毫秒级别完成决策。这种特性使得Jev在自动化重复性工程任务时表现出色,尤其是在代码生成、测试和部署等环节。

System One / System Two 是认知心理学中的一对经典概念,由丹尼尔·卡尼曼在《思考,快与慢》中普及。System One 指快速、自动、直觉化、低能耗的思维过程,例如识别面孔或理解母语;System Two 则是缓慢、费力、需要工作记忆参与的分析性推理,例如解数学题或做逻辑规划。在 AI 领域,这一区分被借用来描述两类模型架构与推理范式:一类追求低延迟、单步或少步输出,适合分类、匹配与模式补全;另一类通过思维链、多步规划与自我校验来提升复杂任务的正确率,但代价是更高的时延与算力消耗。理解这一对照,有助于把握 Jev 为何强调“在特定任务上做到极致”,而不是追求通用全能。

System One模型的实际应用场景

Glean的案例提供了一个观察窗口。虽然具体细节有限,但可以推断,Glean正在利用Jev来增强其企业搜索和知识管理产品。System One模型的低延迟特性非常适合需要实时响应的搜索场景,这或许解释了为什么Glean选择Jev作为其技术栈的一部分。

Diogo Almeida的演讲则更侧重于开发者如何拥抱自动化。他鼓励工程师将日常工作中重复性的部分交给Jev处理,从而释放精力专注于更高层次的设计和架构决策。这种思路与当前AI编程助手的发展趋势一致,但Jev的独特之处在于其对System One模型的专注——不是追求全能,而是在特定任务上做到极致。

开发者如何开始使用Jev

对于想要尝试Jev的工程师来说,理解System One模型的能力边界是关键。这类模型擅长处理模式识别、快速分类和简单决策,但在需要复杂推理或多步规划的任务上可能不如System Two模型。因此,Jev的合理用法是将其作为自动化流水线中的一个组件,而不是试图用它解决所有问题。

Almeida的“自动化一切”呼吁可以理解为一种方法论:识别出工作流程中那些高频、低复杂度的环节,然后用Jev将其自动化。这包括但不限于代码格式化、简单的bug修复、日志分析、以及常规的测试用例生成。通过将这些任务交给System One模型,开发者可以显著减少上下文切换和手动操作的时间。

上下文切换(context switching) 指开发者在不同任务、工具或思维状态之间转移注意力时产生的认知开销。研究表明,频繁切换会导致效率下降,并且重新进入深度工作状态往往需要数分钟乃至更久。在工程实践中,上下文切换常来自打断式通知、跨仓库跳转、环境配置与重复性的手工验证。将高频低复杂度的环节交给自动化组件处理,本质上是在减少这类切换:让机器承担“进入状态”的成本,人则保留连续时间用于设计与调试。这也是“自动化一切”方法论在工程效率层面的直接依据。

早期采用者的经验与启示

Glean的参与表明,Jev已经在企业级产品中得到了验证。虽然公开信息有限,但可以合理推测,Glean看重的是Jev在延迟和吞吐量方面的优势。在企业搜索场景中,用户期望即时得到结果,System One模型的快速响应能力正好满足这一需求。

另一方面,Almeida作为Jev的主要创建者,他的演讲更像是一个行动号召而非技术布道。他并没有过度承诺Jev的能力,而是强调开发者应该主动探索自动化机会。这种务实的态度或许正是Jev社区当前的特点:更关注实际产出,而非概念炒作。

企业搜索(enterprise search) 与面向公开网页的通用搜索不同,它面向组织内部的文档、代码、工单、会议记录与知识库等异构数据源,强调权限感知、数据连通性与结果可追溯。用户在使用这类系统时通常处于工作流之中,对响应延迟格外敏感,亚秒级与数秒级的差异会直接影响采纳率。因此,低延迟的检索与排序模型在该场景中价值突出,而结果的召回质量又依赖于对查询意图的快速判断——这正好落在 System One 式模型的能力区间内。Glean 选择此类技术栈,可以理解为对“实时性优先”的产品定位的技术回应。

未来展望:System One模型的演进方向

从峰会上透露的信息来看,Jev的生态正在逐步形成。创建者的号召和早期采用者的案例共同勾勒出一个方向:System One模型将越来越多地嵌入到开发工具链中,成为默认的自动化层。对于工程师而言,这意味着需要重新思考自己的工作方式——不是与AI竞争,而是学会如何有效地指挥AI完成那些琐碎但必要的任务。

当然,System One模型并非万能。开发者需要判断哪些任务适合交给Jev,哪些仍然需要人工介入或更复杂的推理模型。这种判断力本身可能成为未来工程师的核心竞争力之一。

#Jev#System One模型#AI编程#自动化#Diogo Almeida#Glean#AI Engineer Code Summit
分享:

相关推荐