资源介绍
视频数量：45个
总时长：3小时56分
课程介绍：
Jev决策AI入门实战
一家公司每天要处理上万条客服消息。判断是不是退款申请、标记垃圾邮件、决定工单优先顺序，这些问题看起来只差一个答案，但如果每次都调用大型聊天模型，不仅速度慢、成本高，返回格式还可能突然出错，让程序当场崩溃。问题不在于模型不够聪明，而在于用错了工具。本课程围绕Jev这类决策模型展开，带你从判断需求、调用方法到模型评测，完整走通一条决策AI实践路径。
一、认识决策AI：
课程先从一个常见的场景切入：软件每天都在替人做决定，只是这些决定不像写文章那样引人注目。邮件系统判断垃圾邮件，支付系统评估风险，客服系统识别退款意图，智能体选择下一步工具，这些任务都属于决策AI的范畴。
你会了解Jev与LLM的定位差异。LLM适合展开讨论、撰写内容、总结材料，决策模型则针对答案有限、需要快速返回结果的任务工作。它接收输入和问题，再按照代码可预期的格式给出答案、概率与置信度。这样的设计让模型更适合嵌入业务流程，而不是只停留在聊天窗口里。
课程还会回顾Jev出现之前，软件常用的3种决策方式，并把Jev的创建背景与设计动机讲清楚。通过“快速思考和慢思考”以及“系统一模型”的概念，你会理解为什么有些判断追求极致速度，有些任务则需要更多推理与解释。
二、拆解一次决策调用：
一次决策调用究竟包含哪些信息，是理解后续内容的基础。你将认识状态、问题、输入、答案和置信度分别承担什么角色，并学会区分3类核心问题：选择、评分和拒答，也就是目录中的Choice、Score和Noul。
选择类问题适合明确分类，例如判断天空颜色、选择处理某类请求的团队；评分类问题适合评价程度，例如评估内容得分、风险高低或需求紧迫性；拒答类问题则允许模型在证据不足时明确表示无法判断，避免为了给出答案而勉强猜测。
这一部分还会深入概率、置信度与校准之间的关系。你会发现，输出一个看似精确的数字并不等于模型真的可靠，而置信度是否合理，需要结合任务类型和实际结果来判断。
三、掌握Jev的训练与决策模式：
课程会介绍RLHF、RLVR和RLCD等训练思路，并进一步分析系统一的快速决策机制。训练方式决定了模型如何形成偏好、如何根据可验证结果调整，以及怎样在特定标准下学习更稳定的决策行为。
随后，你会接触团队每天都在使用的4类决策模式，并把它们放进更广泛的业务场景中。课程还整理了10个典型用例，包括客服工单分流、评论洞察、潜客资格判断、提示注入防护、个人数据检查、支付风险评估、智能体工具路由、RAG段落过滤，以及搜索与测试场景。
每个用例都对应一个清楚的问题：系统要判断什么，需要怎样的输出，又为什么不该使用聊天模型。这样一来，原本零散的功能需求就能被整理成可实施、可测试的决策任务。
四、比较聊天接口与决策接口：
Chat Endpoints和Decision Endpoints看起来都来自AI服务，使用方式却完全不同。课程会对照两者的请求方式、返回结构、延迟、成本和适用边界，帮助你在项目选型时做出更准确的判断。
你还会认识当前决策模型的类型，以及支撑它们运行的工具。课程特别分析了Jev的不足，让学习者既看到它的优势，也了解它在哪些场景仍需要传统规则、其他模型或人工复核配合。这样的视角比单纯展示功能更有价值，因为真正的应用很少只靠一个组件完成。
五、进入TypeSafe AI操作台：
完成概念学习后，课程带你进入TypeSafe AI，注册账号并熟悉Jev AI Playground的操作界面。你会看到如何提交状态和问题，如何阅读返回结果，以及怎样根据模型反馈不断调整输入。
课程安排了几个循序渐进的实操案例。热狗案例用于理解拒答机制，天空颜色案例展示选择型问题，Naruto版权案例则分两部分演示评分模型。案例不会停在“看懂演示”，而是把问题写法、判断依据和结果解读连在一起，让你可以照着同样的步骤完成自己的任务。
六、深入理解状态与问题原语：
这一部分从TypeSafe AI文档入手，进一步解释Jev的运行方式。状态代表模型作出判断时所依据的情境，问题则是模型需要处理的基本单元。理解这两层结构后，你就能把复杂业务要求拆成更清晰的决策问题。
你会依次学习结构化指令和判断标准、选择原语、评分原语与拒答原语，并观察Jev AI请求和响应的完整结构。课程还总结了提高输出质量的方法，包括怎样描述背景、怎样限定可选范围、怎样制定可比较的评分等级，以及怎样避免含糊指令。
评分模型尤其需要细致的设置。课程会讲解评分的计算方式、示例拆解和等级编写原则，并分别说明评分与选择任务中的置信度产生方式。直观动画还能帮助你看到置信度如何随判断变化，从而对模型的不确定性建立更清晰的认识。
七、评测并比较决策模型：
最后进入System One Arena。这里可以并排比较Jev、聊天模型以及其他决策模型，帮助你从单一演示走向有依据的模型选型。你会熟悉评测面板，查看不同模型在同一任务上的判断、得分和置信度表现。
课程还讲解OpenRouter统一接口的用法，包括创建API密钥、发起第一次决策AI API调用。Clef和Tev1等基于LLM构建的决策模型也会被纳入对照，Jev、Clef与GPT-6 Luna之间的直接测试，让你直观看到不同模型在速度、准确性和稳定性上的差异。
最后，10类实际用例构成一次完整的基准测试。你不再只凭宣传信息或单次体验做决定，而是可以根据业务任务筛选模型，形成自己的评测标准。
八、后续扩展方向：
课程还预留了Jev API、Jev工作原理、本地运行、文字转结构化数据以及使用自有数据测试等扩展模块。部分内容目前标记为后续发布，但整体学习路径已经清楚呈现。Ollama相关内容和不同供应商提供的Jev式接口，也为本地部署与统一调用留下了入口。
这套课程适合产品经理、开发者、AI应用工程师和技术负责人，尤其适合正在处理客服分流、内容审核、风险判断、智能体工具选择或RAG过滤任务的人。如果你想理解决策模型与聊天模型的边界，或者已经使用LLM，却常遇到响应慢、费用高、结构不稳定和结果难以评测的问题，这段学习会让你建立一套更扎实的决策AI方法。