Signal YCurated AI News
更新于 11/5 20:4061 个信源

How I AI:Jev 的 8 个真实用例,以及 OpenAI 在 DevDay 如何使用 ChatGPT Sites(附 Claire 的 DevDay 回顾)

KOL说10/5 23:03Lenny's Newsletter查看原文 ↗
摘要

开发者 John Lindquist 在播客中演示 Jev 的 8 个真实用例,主张应把它看作快速、廉价的决策引擎,而非聊天机器人。

核心要点
  • John Lindquist 是 egghead.io 的创建者,目前运营面向 AI Agent 开发者的实践项目 mega.dev;他演示了实时语音助手、数据去重、应用路由、棋局分析、多智能体协调和现场演讲教练等用例。
  • Jev 的输出是分数、分类、概率和函数调用等结构化决策,而不是文本;John 建议在传统程序需要 if/else、switch 或分支决策的地方使用它。
  • 成本极低:John 在 23 次开发运行中只花了 73 美分;Claire 处理 5GB JSON 只花了 40 美分。
  • 棋局基准显示,Jev 不到 1 秒分析完整对局,比低推理 LLM 快 10 倍、成本低 4 倍,且没有牺牲准确率。
  • 分层分类比追求单次完美决策更有效:把一次分类结果输入下一次分类,再结合实际使用数据合并步骤,可提升准确率而不显著增加成本。
原文佐证
  • Jev outputs decisions instead of text, and that constraint is its defining feature.
  • He spent just 73 cents across 23 development runs, while Claire processed five gigabytes of JSON for 40 cents.
  • It analyzed a full game in under a second, running ten times faster and costing four times less than the low-reasoning LLM without sacrificing accuracy.
AI 洞察
这代表应用层 AI 正从“生成内容”转向“低成本决策调用”,模型更像程序控制流中的一个分支判断,而不是聊天窗口。成本骤降会让暴力枚举、多层分类和实时路由成为更简单可靠的工程策略;若这类小模型足够稳定,Agent 编排、语音交互和工具调用的架构都会被重新设计,传统 LLM 则更多退居复杂推理与生成任务。