JevHub 指南
Jev 与 ChatGPT
Jev 和生成式 LLM 解决工作流中的不同部分。Jev 更适合固定选项、评分和概率判断；ChatGPT 更适合生成文本、代码和处理开放式任务。
| 维度 | Jev | ChatGPT 风格 LLM |
|---|---|---|
| 主要输出 | Choice / Score / Noul 这类固定结构结果 | 生成文本、代码、结构化输出和 tool calls |
| 开放式写作 | 不擅长 | 核心优势 |
| 路由 | 候选项事先定义好时很适合 | 可以做到，但通常需要额外 prompt 或 schema 约束 |
| 评分 | 按预先定义的等级评分 | 通常通过 prompt 或 schema 约束 |
| 解释 | 不输出自由文本解释 | 可以解释、总结和写散文 |
| 程序流程 | 结果可以直接进入 if / switch 等程序逻辑 | 通常在生成内容本身就是任务时使用 |
有用的问题不是“谁更强？”
有用的问题是：工作流里哪些步骤的答案范围可以提前定义，哪些步骤真的需要生成内容。客服系统可以用 Jev 路由工单，再用生成式模型起草回复；research pipeline 也可以先用 Jev 过滤大量候选，再让生成式模型总结少量结果。
一种实用的组合架构
输入 → Jev 过滤 / 路由 / 评分 → 只有需要文本或开放式推理时才调用生成式 LLM
关于速度和成本宣传
TypeSafe 发布过 System One 的 benchmark 和工作流结果。这些数据来自 TypeSafe 自己的测量，而且会受任务类型、模型选择、state 大小和网络条件影响。因此 JevHub 不会把某个宣传倍数直接写成“Jev 一定快 X 倍”。
具体数据和限制可以查看TypeSafe 官方发布文章 ↗。来源最近核验：2026-09-21。
对自己的真实请求，请从成本计算器开始，并用有代表性的样本测试，不要直接拿 demo 结果外推。
Jev 更适合的情况
- 你已经知道允许的标签或路由。
- 你需要按明确规则打分。
- 你需要在更昂贵的模型之前先做低成本过滤。
- 你需要概率，而不只是一个硬标签，让代码可以据此设置阈值。
生成式 LLM 更适合的情况
- 输出本身是散文、代码、计划或总结。
- 答案无法提前列成固定选项。
- 用户需要解释、对话或创意回应。