Nakita ko na itong pangalan sa iba pang artikulo, interesado ako kung ano ito https://t.co/7qiEKzo5Yd Binago ng Jev AI ang karaniwang pag-unawa sa AI agent Julian Goldie SEO　#AIsummary #Claude #Codex Ang Jev ay nagbabago sa pagdedesisyon at awtomatikong proseso ng AI agent 🔳 Mga Katangian ng Jev Ang Jev ay isang System 1 AI model na nakatuon sa pagdedesisyon tulad ng pagpili, pag-evaluate, at pagtataya—hindi sa paggawa ng teksto—at itinadhana upang masiguro ang mabilis at mura na pagproseso ng malaking bilang ng mga desisyon. 🔳 Pagkakahati ng Gawain sa mga Tradisyonal na Model Samantalang ang malalaking model ay nagsisilbing mag-imbento, magplano, at magbuo ng teksto, ang Jev ay nagsisilbing magdesisyon sa maikling sagot tulad ng pagpili ng susunod na gamit, pagpasya kung ipagpapatuloy ang proseso, at kung kailangan ng tao na i-verify. 🔳 Mabilis at Mura Sa video, binigyang-diin na 20 hanggang 200 beses mas mabilis at 40 hanggang 400 beses mas mura kaysa sa karaniwang AI model, na nagpapaliit sa pangangailangan na ipagkaloob ang malaking bilang ng maliit na desisyon sa mga mataas na performans na model. 🔳 Mga Uri ng Pagdedesisyon Ang Jev ay nag-aalok ng tatlong paraan ng pagdedesisyon: Choice (pagpili mula sa maraming opsyon), Score (pag-evaluate batay sa nakatakdang pamantayan), at Yes/No (pagtataya sa probabilidad), at maaari mong makakuha ng antas ng kumpiyansa para sa bawat desisyon. 🔳 Awтомatikong Proseso gamit ang Kumpiyansa Maaari mong tukuyin ang mga patakaran kung saan ang awtomatikong proseso ay gagawin kung mataas ang kumpiyansa, at ipapasa sa tao kung mababa ito—kaya hindi lamang kinokontrol nito ang posibilidad ng maling desisyon ng AI, kundi pati na rin ang mga sitwasyon kung saan walang sapat na kumpiyansa. 🔳 Parallel na Pagproseso ng Maraming Desisyon Maaari mong ipadala ang maraming tanong tungkol sa iisang sitwasyon at i-parallel ang pagdedesisyon tungkol sa susunod na hakbang, antas ng urgensiya, at pangangailangan ng pahintulot—na nagdudulot ng pagbawas sa oras at gastos sa loob ng AI agent. 🔳 Halimbawa ng Pagkaklasipikasyon ng Pananaliksik Pagkatapos i-summarize ang mga akademikong papel sa AI, ibinigay ng developer ang pamagat, summary, at 24 na posibleng tema sa Jev para i-classify. Sa video, binigyang-diin na ang kabuuang gastos para sa 18 na proseso ay 8 sentimo lamang, at ang median processing time ay 256 milisecond bawat isa. 🔳 Halimbawa ng Pag-organisa ng Email Sa pagklasipikasyon ng 500 email, hinati ito sa mga opsyon tulad ng sagutin, dagdag na pagsisiyasat, hintayin, o ipasa sa tao—na natapos sa ilang segundo lamang, at ang kabuuang gastos ay 3.5 sentimo. 🔳 Halimbawa ng Pag-evaluate ng Lead Sa pag-evaluate ng 700 lead at kanilang personalisadong mensahe, nakalkula ng Jev ang posibilidad ng reaksyon at kumpiyansa sa loob ng 40 segundo, nakakita pa ng mga kaso kung десісіон ay hindi tugma sa lead at mensahe, at ang gastos ay 9 sentimo lamang. 🔳 Paggamit sa Browser Agent Sa browser agent, bawat beses magbago ang pahina, ina-update ni Jev ang mga posibleng aksyon at pinipili ang susunod na hakbang—samantalang ang pagsulat ay iniiwan sa ibang generative model. Sa video, bumaba ang median bilang ng browser command mula sa 1092 hanggang 101, at binawasan ang oras ng task nang 25%. 🔳 Mga Babala sa Paghahanap ng Patakaran Sa halimbawang ipinakita, natagpuan ang patakaran sa loob ng 7 segundo at ang gastos ay mas mababa pa sa 0.5 sentimo—ngunit hindi pa ito ginawa ang booking. Ang 7 segundo ay nagsimula lamang pagkatapos ng unang page load. 🔳 Optimalisasyon ng Internal Links Sa isang site na may 586 pahina, inilagay ni Jev ang 584 internal links sa loob ng 45.1 segundo—at hindi inilagay ang link kung walang tamang target page—na may kabuuang gastos na 21 sentimo. 🔳 Model Routing Inilalarawan ang paggamit ni Jev upang i-decide kung aling model—mura at mabilis o mahal at mataas na performans—ay dapat gamitin batay sa uri ng hiling. Sa video, ipinakita ang integrasyon gamit ang LangChain para piliin ang pinakamura at sapat na model para sa bawat task. safezone Ang Jev ay maaaring gamitin upang i-assess ang panganib bago mag-execute ang anumang tool ng AI agent—kung ligtas, ipapatuloy; kung may panganib, i-suspend o ipasa sa tao. 🔳 Pagbawas ng Konteksto Gamit ang Jev upang i-evaluate ang importansya ng mga tool call sa agent history at tanggalin ang hindi kailangan—nabawasan ang konteksto mula sa halos 1 milyong token hanggang 86,000 token sa loob lamang ng isang segundo. 🔳 Mga Pag-aalala sa Pagbawas ng Konteksto Inilahad din ang pag-aalala na kung tatawagin lamang ang bawat history nang hiwalay, maaaring mawala ang mga dahilan at konteksto ng dating desisyon—lalo na sa mahabang task. Kaya maaaring mas mainam gamitin ito para piliin kung ano ang dapat i-summarize kaysa i-delete. 🔳 Mga Limitasyon ni Jev Ang Jev mismo ay hindi isang model na gumagawa ng teksto, code, o resulta ng pagsisiyasat—ito ay nakatuon lamang sa pagdedesisyon. Ang mataas na kumpiyansa ay hindi nagjamin ng tamang sagot—kaya dapat pa ring i-verify ang mga resulta tulad ng file save o iba pang aktwal na aksyon. 🔳 Kahalagahan ng Pagdidisenyo ng Input Hindi sapat ang pangalan lang ng tanong upang maipaliwanag ang layunin—kailangan mong isulat nang detalyado ang tanong at mga opsyon. Kung kulang ang impormasyon o konteksto, bababa rin ang kalidad ng desisyon. ListItemIcon Sa video, binigyang-diin na humigit-kumulang 4 sentimo para sa bawat 1 milyong token input—at walang bayad pa para sa output. Kung gagawin mo ang isang desisyon gamit ang 1000 token na impormasyon nang 10,000 beses, ang halaga ay humigit-kumulang 42 sentimo lamang. ListItemIcon Ang mahalaga ay ang kabuuang gastos para makumpleto ang task🔳 Ang mahalaga ay ang kabuuang gastos sa pagkumpleto ng task Kahit mura ang pagpapasya mismo, kung ang agent ay nagpapatakbo ng hindi kinakailangang proseso dahil sa maling routing, tataas ang kabuuang gastos; kaya mahalaga na tingnan ang kabuuang gastos hanggang sa pagkumpleto ng task, hindi lamang ang presyo bawat pagpapasya. 🔳 Pagbabago sa istruktura ng AI agent Sa video, ipinaliwanag na dati, iisang modelo lamang ang nagsasagawa ng paggawa ng teksto at pagpapasya, ngunit ngayon, may pagkakahati-hati na istruktura kung saan ang malalaking modelo ang nagsasagawa ng pagsisiyasat at paggawa, ang Jev ang nagsasagawa ng pagpili, pagtataya, pag-approve, at pag-escalate, at ang code ang nagsasagawa ng aktwal na proseso. 🔳 Mga angkop na aplikasyon sa kasalukuyan Ang integrasyon ay itinuturing pa ring eksperimental, at mas realistiko na simulan ito sa mga simpleng at malinaw na pagpapasya na paulit-ulit na ginagawa ng tao, tulad ng paghahati ng email, pagtataya ng lead, routing, at pagmarka. 🔳 Konklusyon ng video Ang pangunahing pahayag ng video ay ang paghihiwalay ng paggawa ng teksto at pagpapasya, at ang pagbibigay sa mga mabilis at mura tulad ng Jev ang responsibilidad sa paulit-ulit na maliit na pagpapasya, ay makakatulong upang mapabuti ang bilis, gastos, at sakop ng automation ng buong AI agent.