三個黃金位置：判斷外包地圖

當 Jev 接進工作流之後，下一個問題是：它到底該站哪裡？ 影片作者把社群上成熟的玩法整理成三個位置，並照 Claude Code 的執行順序排列¹：

以下數據若標示「影片實測」者，出自影片整理的社群實驗；標示「官方」者出自 TypeSafe 文件。

位置一：挑模型、挑 skill

挑模型（Model Routing）

痛點：多數人 Opus / Fable 一路開到底——因為手動切換太麻煩，但找檔案、轉格式、看函式參數這類任務，Haiku 就綽綽有餘。

做法：開啟 Jev 開關後，每送出一句 prompt，Jev 先花零點幾秒判斷這題需要哪個等級的模型，再把任務派給對應的模型執行。

效果：

• 影片實測：12 個任務中，9 題根本不需要動用頂級模型，整體花費省下 70%。
• 對照組：作者七月以人工方式做 Model Routing（規劃／執行／Review 拆不同模型）只省 54%——差別在 Jev 是「每一句 prompt 毫秒級動態重判」，而且不需要人介入。

挑 skill

痛點：skill 越裝越多，每個 skill 的名稱與描述都會被塞進 context、跟著每一次對話重複送出；裝了上百個 skill，等於每句話都先燒掉上萬 token 只是為了「讓 Claude 知道手邊有哪些工具」。

做法：你的 prompt 就是題目，skill 清單就是選項。Jev 瞬間挑出最相關的幾個，再通知 Claude 精準載入。

效果：

• 影片實測：145 個 skill 的工作區跑 14 次，Jev 總共只花不到 5 秒挑出正確的 skill；交給 Opus 5 自己挑要將近 30 秒。
• 官方 Cookbook：面對 182 個 skill 的 Hermes catalog，讓大模型 agent 自己挑的錯誤率是 16.8%；先由 Jev 排名篩選後降到 7.3%，「無關濫載」也從 9.8% 降到 4.0%²。

位置一是作者最推薦的起手式：完全不改變你現有的操作習慣，效益卻最直接。

位置二：海量資料分類與打分

核心邏輯：一句指令，Claude 自動調用 Jev 批次判斷，最後把結果整理成表格或儀表板。底層邏輯可以用一句話總結——

Jev 負責先粗篩，Claude 只處理篩出來的精華。

影片整理的五個真實案例：

兩種典型組合：

• 分類（Choice 題型）：每筆資料問「這屬於哪一類」，選項事先定義。
• 打分（Score 題型）：每筆資料問「這個維度該給幾分」，之後在程式端決定門檻與排名。

適用判準：任務數量非常大，而且每一筆資料都在問同一個問題。例如：這張發票是否可疑？這封 Email 是不是垃圾信？這則留言有沒有踩到版規？這張退款申請符不符合資格？

準確度：影片指出在封閉式分類場景下，Jev 的判斷不輸 Opus，甚至比 Sonnet 穩定；但官方提醒語言是變數——英文最佳、CJK 需自行實測³。

位置三：程式寫完後的自動驗證

痛點：Agentic Coding 的品質取決於回饋迴圈 (feedback loop)；但 Code Review 與多輪測試，正是整個流程中最燒 token、最花時間的環節。

影片整理的四種玩法：

1. 語意 Linter：用大白話寫規則（例如「檢查函式命名有沒有交代副作用」、「Log 印出密鑰或金額直接報錯、敏感個資則警告」），每個 PR 送出自動掃描，不需要寫複雜的 AST 規則。
2. 全 Codebase 掃描：老專案註解掃描前 150 條只花 9.3 秒、約 1 美分；全專案 $0.57，揪出約 1,700 條需重寫的註解後，再交給便宜的 Haiku 批量改寫。同一手法掃描 Code Smell（重複代碼、Dead Code、Magic Number）掃了 2,800 萬 token 也只要 $1.19。
3. 百問清單 Code Review：對每份改動一次拋出 100 個具體檢驗問題給 Jev 評分，只把高風險的少數幾項送 Claude 深度修復——審查階段真正需要高階模型心智的內容砍掉近 10 倍。
4. 大規模對抗測試：以 Browser-use 團隊的 Jev 版瀏覽器 agent，併發數十個無頭瀏覽器模擬極端使用者操作；一次蘇黎世到倫敦的機票預訂流程只花 7 秒、0.4 美分。

企業案例：影片提到監控平台 Sentry 的資安團隊將 Jev 整合進漏洞檢測 Pipeline，判斷準確率提升、延遲下降，整體運算成本比原本的小型開源模型方案再便宜 5 倍以上。

架構閉環：System 2 訓練 System 1

三個位置背後其實是同一個閉環：

Jev 在第一線做成千上萬次極速判斷
        ↓
Claude 在後端監控結果、發現偏差
        ↓
回頭優化 prompt 規則、調整門檻
        ↓
再放手讓 Jev 繼續跑，直到精準度達標

這本質上是 System 2 在訓練 System 1——像人學開車，一開始需要大腦全神貫注，練久了轉化成不假思索的肌肉記憶¹。

導入順序與生態

建議順序（影片作者意見）：

1. 挑模型／挑 skill——門檻最低、零侵入現有習慣，先從這裡起手。
2. 海量分類——手上有大批資料要清洗時隨時可用。
3. 自動化驗證——對每天推 PR 的開發者價值最高，但需要較多工程設定。

找不到切入點怎麼辦？ 作者提供一個實操技巧：把你過去幾週的對話紀錄丟給 Claude，請它盤點「哪些步驟其實只是分類與篩選」——從真實跑過的情境找切入點，不需要憑空想像。

生態資源：

• shipwithjev：社群整理的目錄（影片稱收錄 500+ 個案例），按用途分類（模型路由、瀏覽器 agent、文件處理等）。
• OpenAI Decisions API：影片指出 OpenAI 在 9 月 29 日 DevDay 發布了 Decisions API——給定問題與允許的答案選項，極短時間回傳最可能的選項，底層邏輯與 Jev 如出一轍。這傳遞的訊號是：把決策拆成選擇題、交給特化模型極速處理，會是各家 AI 巨頭跟進的架構思維。

對未來的預測：下一代主流的 Coding Agent，很可能是 System 1 + System 2 的混合架構——旗艦大模型負責深度邏輯推理，Jev 這類極速模型負責高頻直覺反射。

三個位置，一個心法

把 Claude Code 裡所有「做判斷」的環節外包給 Jev（便宜、極快），讓旗艦模型只做深度推理。

想動手實作，見三篇實戰範例：挑模型與挑 skill、海量分類與打分、自動化驗證。