每天挑选一期硅谷AI科技值得关注的播客，让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast，在通勤、走路或做家务时一篇篇轻松听完
"有没有我错过的客户线索？"
"Jev 基本上就是一个 AI 交警。"
"我每天做的哪些工作，可以用上 Jev 这样的决策模型？"
邮箱里堆着 1700 封邮件，哪些要回复、哪些可以放着，光分清楚就得花不少时间。Ryan Vogel 在节目里，把自己的邮件交给 Jev 分类打分，展示的总费用只有 18 美分。
Ryan 是 OpenCode 团队成员，喜欢拿新模型解决手边的问题。这次他带来的演示，从邮件、客户询盘一路做到视频片段筛选；Greg 则不断追问，这样的速度和成本，能做成什么生意。两个人的讨论从一个收件箱展开，也留下了几处很值得注意的失败尝试。
邮件可以先分类，再决定怎么处理
Ryan 对邮箱一直有些不满：垃圾邮件太多，原有的过滤办法不够好，想借助聊天模型逐封阅读，又得等它一封封生成回答。他给 Jev 的任务很明确，把整封邮件连同主题、正文和发件人交进去，返回四项结果，先让自己知道该从哪里看起。
这四项分别是类别、优先级、垃圾邮件评分，以及是否值得回复的评分。购物、工作、营销、财务、安全等类别事先列好，优先级也有固定选项；后两个分数则保留了程度上的差别，同样是推广邮件，有些远比另一些惹人烦。
"这表示它有多值得你回复。"
他指着一封 Kickstarter 推广邮件吐槽，两年前订阅过一次，到现在还在收这类消息，模型给它的垃圾邮件评分就比较高。一封普通收款通知的评分很低，而涉及用户账号异常的来信，回复评分达到 90%，因为对方显然遇到了需要处理的问题。
Ryan 这次测试约 1700 封邮件，用了 420 万输入 token 和 50 万输出 token，总费用是 18 美分。按他的演示，花很少的钱就能把这批邮件重新排出轻重缓急。重要来信和普通推广不再混在一起，Ryan 可以按类别和分数找到想处理的邮件，再打开正文确认。
邮件同时得到类别、优先级、垃圾邮件评分和回复评分，帮助安排处理顺序。
先定义你希望模型回答的问题
要让 Jev 返回那四列结果，Ryan 得先规定自己需要哪些答案。Ryan 用手机颜色解释这种用法：输入一部手机的文字描述，提前给出蓝色、橙色、红色等选项，让模型判断它更可能属于哪一种。
在他的例子里，模型给橙色 80%、红色 10%、蓝色 10%。橙色虽然是最有可能的答案，模型同时也返回了其他选项的概率，保留判断中的不确定性。换成邮件，原理相同，只是选项变成工作、营销或财务等标签。
"它不会自己生成分类。"
真正需要提前想清楚的是，你希望这份信息帮助你作出什么判断。客服工单要分给哪个团队，和客户询盘值不值得优先回复，是两个不同的问题。把问题和可选结果列明白，模型才能返回与后续工作对应的分类或评分。
Greg 听完后把 Jev 称作 AI 决策者，Ryan 又补了一句，它给出的是决策的概率。实际使用时，你可以根据评分决定优先看什么，再安排后续动作。打开高分邮件后如何回复、用户的问题如何解决，还需要有人或其他程序接着处理。
让程序直接接住判断结果
开发者熟悉的 schema，在这里可以理解为事先约定好的输出格式。Ryan 在白板上画出邮件、Jev 和返回结果：邮件是输入，是否像垃圾邮件、属于哪个类别是要判断的问题，得到的数字和标签可以直接交给程序使用。
这也解释了他为什么不把 Jev 当成聊天助手来演示。一次邮件判断结束后，程序需要的是分类结果，好继续排序或分流；阅读一段关于这封邮件的长篇分析，对这一步并没有多少帮助。Jev 返回结果时，也不附带可见的推理过程。
"你可以把 Jev 模型给出的结果直接用在代码里。"
Ryan 看重的是，模型返回的数字和类别可以直接接进现有软件。例如邮件被归入财务类，程序便能按这个标签继续处理，不必先从一段解释中提取信息。开发者提前约定了返回值的格式，也就可以据此写好后面的处理流程。
为了试探这种模型能做什么，他还把 A 到 Z 设成选项，让 Jev 逐个选择字母，尝试回答猫和大象哪个更大。字母冒出来很快，回答却不理想，Ryan 自己也觉得这个实验更像是玩一玩，讨论实际用途时便又回到了分类和打分上。
Ryan 用输入、输出和程序衔接方式，解释 Jev 在分类任务中的用法。
设计公司先从客户询盘用起来
比字母实验更接近日常生意的，是 Ryan 女朋友经营的平面设计公司。她的网站设有联系表单，潜在客户、推销者和垃圾消息都从那里进来，需要逐条看过，才能知道谁值得认真回复。现在她开始用 Jev 给来信打分，先判断哪些更像值得跟进的客户线索。
Ryan 给出的例子很具体：一条线索得分达到 98%，会让人想尽快联系对方；另一位来访者只是说可能需要设计，却还没想清楚要做什么，设计师就得多花些时间，聊清楚需求。两种询盘都可能有价值，但需要投入的工作不同。
"如果一条线索的评分是 98%，那就相当高了，你大概会想回复它。"
设计公司用这个分数安排跟进顺序，分数本身不会把线索变成客户。98% 表示模型给出的线索评分，理解需求、讨论方案和争取合作，仍要靠后面的沟通完成。Ryan 感兴趣的是，让经营者更快注意到那些值得花时间的人。
因此，他还建议把历史邮件重新过一遍，看看有没有曾经漏掉的客户，或者值得再次联系的高价值线索。新询盘一直在来，旧邮件很容易被埋在下面；同样一套判断可以帮助重新筛选，让经营者有机会回头检查已经收到的需求。
信息先分流，再交给合适的人
从这里开始，Greg 用 AI 交警来理解 Jev：信息到了之后，先判断它是什么、重要到什么程度、应该交给谁。设计公司的经营者不必对所有来信投入同样的时间，可以让不同的信息进入不同的处理流程。
他的设想是，重要客户的询盘直接交给负责人，其他适合先做初步回应的信息，可以交给聊天模型起草，再按业务流程往下走。Jev 负责前面的判断，后续接手的可以是人，也可以是另一种 AI，具体怎样衔接取决于公司平时怎么工作。
"Jev 基本上就是一个 AI 交警。"
客服工单里也有这种反复出现的分配工作：看过问题，找到应该处理它的团队。Ryan 举例，用户发来某个产品的求助，先识别属于哪条产品线，再送到相应团队；分类模型接手的正是这段原本需要人工辨认的信息。
Ryan 说这类调用大约需要 200 毫秒，因此可以放进需要快速反馈的环节。他看重的是，用户提交信息后就能得到反馈，少等一轮人工查看和分配。要把这种速度用起来，前面就得知道有哪些团队可以接手、各自处理什么问题。
创业机会藏在等待处理的需求里
Greg 从这套分流方式里看到一个寻找创业机会的办法：找那些不断收到信息、处理起来又很贵的公司，把分类放到入口。Ryan 顺着这个思路，提出了一个本地服务平台的设想，让客户提交的需求更快匹配到附近商家。
比如有人想冲洗自家的车道，平台已经有附近服务商的资料，就可以把两边的信息交给模型，判断各家的匹配程度。用户填完表单后能立即看到推荐，不必先等一个工作人员读完需求，再帮忙寻找可以接单的人。
"说是立即获取报价，却从来不立即，总是说今天下班前给你发邮件。"
Ryan 真正在意的是，很多网站承诺立即报价，填完之后却让用户继续等邮件。即便先解决的只是匹配问题，及时告诉客户哪家商户合适，也比收走联系方式后迟迟不回应更接近用户的期待。
这是两人在节目里提出的产品设想，Ryan 也提到背后需要额外的系统设计。附近有哪些商家、各自能提供什么服务，这些资料得先准备好，匹配结果才有用。模型可以帮助判断谁比较合适，平台还得把商家的服务和后续流程接起来，用户才能真正得到回应。
视频筛选也能拆成分类问题
聊完本地服务，Ryan 又展示了自己做的视频片段筛选工具。长视频创作者经常需要挑出适合单独发布的部分，而他把这个任务拆成两步：先转成带逐词时间戳的字幕，再让 Jev 给候选片段打分，找出更值得保留的内容。
演示中，工具约用三秒给 17 个候选片段评分，尝试把铺垫、停顿和更有信息量的内容区分开。模型处理的是已经进入这套流程的字幕和片段判断；接下来创作者还要挑选结果、剪辑成片，才能真的发出去。
"我做这个大概只花了十分钟。"
这类原型给 Ryan 的启发，是先找到大任务里需要反复判断的那一步。剪视频要解决的问题很多，但挑选片段可以先单独试做。他说这个原型只做了大约十分钟，也期待后续结合其他 Agent，把剪辑体验继续补完整。
他还播放了 Browser Use 团队的浏览器演示，在 7.1 秒内选出苏黎世到伦敦的航班。画面展示了选择日期、找到航班的过程，演示到选出航班为止。Ryan 对这样的交互速度很兴奋，也因此鼓励大家去试试自己手头那些需要及时作出选择的工作。
快速判断也有不擅长的问题
Ryan 也展示了一个没做好的尝试：把 Jev 接到比特币信号上，每分钟从买入、持有和卖出中选一个，结果并不理想。选项只有三个，任务看起来也符合前面介绍的形式，却没有因此变成模型擅长的问题。
这次失败让他的建议更具体：把 Jev 用在分类、分流这类判断上，需要更复杂信息和能力的任务，则要另作考虑。给邮件标上类别、把问题送给正确团队，和判断接下来该不该交易，对模型的要求差得很远。
"我不会让这个模型来管理你的股票组合、比特币之类的东西。"
开始尝试之前，Ryan 建议先想想自己每天已经在做哪些重复判断。他甚至建议把业务情况告诉现有的 AI 助手，让它一起找出哪些工作可能适合 Jev。先有一件具体的事要省时间，后面才容易看清模型是否帮上了忙。
接入方面，他推荐通过 Vercel AI Gateway 开始测试。Vercel 的模型目录目前已列出 Jev，支持分类、评分和概率判断等用途。Ryan 的邮箱和设计公司的表单，都提供了很具体的起点：先给已有信息分类，看看自己能怎样用上结果，再考虑后续流程。
写在最后
不妨按 Ryan 的建议，从自己每天打开的邮箱、每天收到的询盘开始，找出一个总在重复的判断。先让模型把信息排一遍，再看看哪些结果确实省了时间，哪些还得亲自处理。读完这期对话，最容易动手试的，也就是这样一件已经熟悉、又一直让人费神的小事。
内容来源："Jev is HERE. How to use it"丨Greg Isenberg
原视频：https://www.youtube.com/watch?v=4mTLpuQpB80
相关文章
- 《AI Agent正在帮上门服务多接单丨YC Root Access》
- 《Clay AI 负责人：增长团队开始像工程团队一样跑 Agent丨LangChain丨》
- 《AI Agent 就是新一代 SaaS丨Greg Isenberg》
如果你现在没空，可以收藏进晚点再听，通勤、走路或做家务时一次性听完⇣
⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣
