企业官网建设流程全解析

「执行壳+决策脑」会不会成为 AI 编程新标配：Codex 套 Jev 的组合拳实战横评

【免费下载链接】jev-chat-jarvisThe chat decision assistant: before you reply, Jev reads the chat, judges intent and risk, and drafts replies you fill in with one tap. You press send. Android · Windows · macOS · iOS | 聊天辅助决策工具：先看懂对方再回复，发不发由你。项目地址: https://gitcode.com/gh_mirrors/je/jev-chat-jarvis

2026 年 9 月 15 日，前 OpenAI InstructGPT 核心作者 Diogo Almeida 创立的 TypeSafe AI 带着 4000 万美元种子轮融资结束两年隐身，发布了首个「System One」模型 Jev。它不写文本、不写代码，只输出「选择 + 打分 + 是非」三类类型化判断，却在发布 3 天内登顶 Hacker News（1863 分、491 条评论），一周内催生 2170 个关联项目，GitHub 上基于它的浏览器 Agent 插件狂揽 21k star，甚至有社区文章称「上线 24 小时，13% 的付费团队连夜换到 Jev」。

一个「哑巴模型」为什么让整个 Agent 生态沸腾？答案指向一种正在成形的组合范式：用 Codex 这类执行壳负责跑任务、改文件、跑测试，用 Jev 这类决策脑负责在关键节点上做毫秒级判断。本文不聊概念，直接从一个开源落地项目（聊天辅助决策工具 jev-chat-jarvis）的源码出发，拆解「执行壳 + 决策脑」的分工逻辑，对照社区横评中的批量重构、Bug 修复、测试生成场景，最后老实算一笔组合拳的代价账。

决策脑到底是什么：为什么「不生成一个字」反而是卖点

社区里关于 Jev 的讨论有一个高频比喻：「不是聊天机器人，而是一个智能 if 语句」。理解这个比喻，就理解了决策脑的全部意义。

传统 LLM 的工作方式是「生成」：给定上下文，吐出一段文本、一行代码、一个解释。Jev 的工作方式是「判定」：给定上下文和一个封闭选项集，返回带概率与置信度的类型化结果——noul（是非题，返回 0~1 的概率）、choice（单选题，返回选项及其概率分布）、score（分档打分，返回加权分数与各档概率）。它从架构上就不生产自由文本，因此没有幻觉式发挥的余地，换来了两个硬指标：单次判断 70–500ms，输入 token 单价 $0.042/百万，输出 token 免费。

这个定位在 jev-chat-jarvis 的题目集里看得最清楚。项目把「判断层」固化成 7 道判断题 + 1 道排序题，一次请求全发：

• literal_question（noul）：对方最新消息是字面意思，还是话里有话
• true_intent（choice）：对方真实意图，6 个互斥选项
• danger_level（score）：对话离吵架/伤感情有多近，10 档情景化打分
• should_reply_now（noul）：现在该不该给出实质回复
• best_action（choice）：下一步最佳动作类型
• she_needs（choice）：对方现在要什么
• tension_resolved（noul）：紧张是否已解除
• best_reply（choice）：给定 3 条候选回复，选最合适的一条

这 8 道题的完整定义在 cn/app/src/main/java/com/jev/probe/jev/JevQuestions.kt，Python 侧的原型在 cn/tools/jev/questions.py。注意一个细节：所有题目的 instructions 和 criteria 用英文写，而 state 里的聊天内容保留中文原文——因为 Jev 的主训练语言是英文，措辞直接决定判断质量。这是「决策脑」工程化的第一课：你喂给判断模型的不是提示词，而是一份精心校准的问卷。

另一个细节更能体现决策脑的思路：should_reply_now被刻意限定为「该不该给出实质内容」，而不是「该不该回复」；best_action的选项里不允许再出现「要不要现在回」这个维度；she_needs必须保留明确的「nothing / 事情已经过去了」档。项目在 cn/tools/jev/TASK.md 里记录了这样做的原因：用真实截图测题时，should_answer_now给出 0.77、best_action却给出「先翻聊天记录」0.60，两题互相打架——决策脑内部各题结论矛盾，是比单个题目答错更致命的问题，因为下游流程会无所适从。于是项目建立 25+ 条标注集、以danger_level平均绝对误差 < 1.0 档、true_intent和she_needs命中率 ≥ 60% 为验收线，最多迭代 3 轮调措辞。判断模型的精度不是模型给的，是题目集校准出来的——这是决策脑工程的核心方法论。

执行壳 + 决策脑：一次典型协作的分工边界

「Codex 为执行壳、Jev 为决策脑」的组合方式，社区文章给出的架构很清晰：Codex 负责与环境交互（读文件、改代码、跑测试、提交），在需要做判断的节点上通过 OpenAI 兼容 API 调 Jev 的 decisions 接口，拿回结构化结论后继续执行。Jev 不碰代码，Codex 不拍板。

这个分工在 jev-chat-jarvis 里有一个完整的、可运行的实现：三路客户端拆分。看 cn/app/src/main/java/com/jev/probe/jev/JevClient.kt：

• JudgeClient（cn/app/src/main/java/com/jev/probe/jev/JudgeClient.kt）：只走 Jev 判断路由，发 7 道判断题 + 排序题，解析choice/score/noul，全程无生成能力；
• ReplyClient（cn/app/src/main/java/com/jev/probe/jev/ReplyClient.kt）：只走生成路由，任何 OpenAI 兼容的/chat/completions端点都能接，负责起草 3 条候选回复；
• JevClient是薄外观层，draftAndRank()把两个阶段串起来：先起草，再让 Jev 排序。

一次完整协作是这样的：程序通过无障碍服务读到屏幕上最近 10 条消息，buildState()把它们连同关系描述打包成 Jev 的state（JevQuestions.kt 中buildState的实现，from只取me/other两个值，英文描述统一称对方为 "the other person"）；判断路由一次返回 7 个结构化结论；生成路由按结论起草 3 条候选；判断路由再对 3 条候选做best_reply排序，给出占比；人点一下填入输入框，发送键永远在自己手里。

注意这里最值得称道的分工纪律：判断与生成在代码层就是隔离的两个路由。判断路由永远不产生文本，生成路由永远不参与决策。你在 cn/CLAUDE.md 能看到实测数字：7 道判断题一次请求约 900ms、约 1000 输入 token、0.00004 美元。社区横评中「Agent 决策比 LLM 快 40–200 倍、便宜 40–400 倍」的说法，对应到本仓库就是：把「该不该现在回」「对方意图是什么」这类高频小判断从 DeepSeek/OpenAI 这类生成模型上卸载到 Jev，每次省下的不只是 token 费，还有几百毫秒到几秒的等待时间。

海外版核心引擎（global/core）把「先定目标、再起草、后检查打分」的管线做得更完整，是理解执行壳内部分工的好样本。流程是：

1. 定 Goal（Goal.kt）：起草前先把「这条回复要达成什么」固化——must_include、must_avoid、authorized_commitments（只允许承诺列表内的事），甚至「用户自己输入的内容作为用户事实」也进 Goal。目标不先定死，后续所有判断都失去参照系；
2. 起草（Drafting.kt）：生成模型在 Goal 的约束内写回复，温度 0.7、单条最多 420 token，系统提示词 19 条硬规则，输出 JSON；解析时过滤套话（STOCK_PHRASES里列了 "I hope this message finds you well" 这类模板句）、剔除与首条近似重复的候选；
3. 检查 + 打分（CandidateCheck.kt）：每一条候选回复单独过一组 Jev 是非题硬检查（编造事实、未经授权承诺、替他人承诺、越界、越权认错等），再打 G（目标契合度）与 E（语气契合度）两档分，总分 S = 0.7G + 0.3E。概率阈值在 Analysis.kt 里集中定义：违规 ≥ 0.7 直接拦、≤ 0.45 放行、中间地带要求人「看一眼再发」。

这一套「生成模型负责发挥，判断模型负责把关」的结构，和 Codex 套 Jev 在逻辑上完全同构：生成端负责「把话/代码写出来」，决策端负责「这个方案行不行、哪个最好、该不该继续」。用判断模型做质控闸门而不是用生成模型自检自纠，是这套组合拳最反直觉也最有效的地方——生成模型自检自己的输出，等于让运动员兼任裁判。

组合 vs 纯 LLM：三类典型场景的横评逻辑

社区横评把 Codex 套 Jev 与纯 LLM 编码的对比集中在三个场景：批量重构、Bug 修复、测试生成。这三个场景有一个共同点：动作多、判断密、每一步的成败都取决于一个明确的二值或多选结论。这正是决策脑的主场。结合本仓库的管线设计，可以还原出每类场景下「执行壳 + 决策脑」比纯 LLM 强在哪、又付出了什么。

批量重构：纯 LLM 的典型翻车方式是「改到一半忘了约束」，或在不同文件间传播不一致的假设。决策脑方案把约束变成显式的判断题：重构前先问「这个改动是否保持公开 API 不变」「是否引入了未授权的依赖变更」，每次批量操作前用 noul 判断题闸一下，违规即拦。这与仓库里CandidateChecks的hardChecks设计同源：unsupported_fact（是否陈述了对话里没有的事实）、new_commitment（是否承诺了未授权的事）、commits_others（是否替他人承诺）——每个硬检查都是一道 noul 题，概率过 0.7 就判NEEDS_REWRITE，候选回复直接不可复制。把「合规性」从提示词里的软约束变成判断题里的硬闸门，是批量场景可复现性的来源。

Bug 修复：难点在于定位，而不在于写补丁。决策脑方案让 Jev 在修复前先做类型化判断：「这个报错更可能是类型问题还是状态问题」「修改范围是否超出该函数」。仓库里没有直接的 debug 场景，但有同构的「下一步动作判定」：best_action的选项里有check_history（先翻聊天记录确认事实，不要凭空道歉或编计划）——当信息不足时，决策脑会输出「先查证」而不是「硬编一个答案」，这正是 Bug 修复场景最需要的纪律。should_reply_now的题面里甚至写明了边界：需要背诵/证明的事实不在当前片段里时，答案必须是 FALSE，因为「you would be guessing」。让判断模型主动承认「现在不该动」，是纯 LLM 最难教会的技能。

测试生成：测试的价值在于断言准确，生成模型容易写出「通过率好看但断言空洞」的测试。决策脑方案把每个候选测试当作候选回复处理：起草多条 → 判断题检查是否覆盖必需断言、是否越权 → 排序选最优。仓库里draftAndRank的流程就是这条链路的最小实现：3 条候选，Jev 排序并给出概率占比，parseRanked按概率降序返回（JudgeClient.kt）。

海外版线上评估（global/docs/TESTING.md）给出了一组值得正视的实测数据：37 个 pilot case 上，违规候选拦截 6/6，干净候选误拦 11/12；打分阶梯 4 组无倒序；端到端起草 + 检查一轮 21 次请求、花费 $0.0038。同时文档诚实列了已知弱点：隐含表达（"It'll be ready on Monday, sorry for the delay" 这类没明说「要迟交」的句子）有时落在 unsure 带；两个同名联系人共享身份哈希；15 分钟缓存看不到被编辑或删除的旧消息。这些「弱点清单」本身就是横评里最该抄走的部分——决策脑不是万能判断器，它只对「题目集覆盖到的封闭集」负责，题目没设计到的场景，它只会诚实地输出 unsure，然后把决定权交还给人。

组合拳的代价：上下文、权限与排错的三本账

任何架构选择都有代价，Codex 套 Jev 的代价集中在三处，本仓库的源码恰好把每一处都暴露得很清楚。

第一本账：上下文管理。判断模型不吃大上下文，这是它的优势也是约束。仓库的处理方式值得借鉴：buildState只带最近 10 条消息（takeLast(10)），知识库背景和更早历史作为可选字段单独传，空时整个字段省略，保证请求体与 v1.2 完全一致（JevQuestions.kt）。但多字段带来新问题：背景字段可能不被生产端点识别——JudgeClient.postDecisions专门写了一段防御性逻辑：带background/history的请求如果收到 4xx，就去掉这两个字段原样重发一次，让「未经验证的字段最多降级分析、绝不搞挂请求」（JudgeClient.kt）。这个「可降级的新字段」模式，是双模型组合里最实用的工程技巧之一。此外，排序题还有个隐藏坑：3 条候选如果两条太像，排序就没意义。Drafting.parse用词重叠率做nearDuplicate去重（短句过半词相同、长句四分之三词相同即视为同一条），并在解析时丢弃套话候选——上下文管理的另一半是输出管理。

第二本账：权限控制。决策脑给了判断，但执行权必须留在人手里。这是本仓库的红线，体现在两层。采集层：NewMessageGate.kt 用「side + text」做消息去重，只在上方出现过已读消息、下方出现新消息时才判定为「新消息」，翻历史不算新、不触发分析，避免误读。写入层：GuardedInputWriter.kt 是整套权限控制的精华——fill()先把文本设进输入框，150ms 后重新解析输入框校验是否写入成功，失败则聚焦重试，再失败退到剪贴板粘贴，任何分支都不碰发送按钮。而且每一步resolve()都要重新校验当前会话是否还活着，防止填入时界面已切走造成串台。海外版引擎则用RunBudget（Assistant.kt）做预算控制：单次分析默认最多 17 次模型请求、最多 90 秒模型等待，达到任一上限就停止发请求而不是悄悄继续——执行壳的自由度必须被显式预算约束，这是组合拳安全性的底线。

第三本账：排错成本。双模型意味着双倍的错误面。决策接口的错误码要单独学：401 key 错、422 body 不合法、429 限流、529 过载，429/529 需要指数退避重试（cn/tools/jev/TASK.md）。生成路由的坑则在超时：ModelGateway的实现里专门写了一段注释——OpenRouter 会用空字节保活慢请求，纯读超时永远不会触发（实测起草调用曾耗 38 秒），所以必须加看门狗定时器在整请求超时点强制disconnect()（ModelGateway.kt，默认 20 秒）。还有一类排错成本最隐蔽：判断模型内部各题结论矛盾。前文提到的should_reply_now与best_action打架就是典型案例，仓库用标注集 + 验收线 + 三轮迭代来解决——这意味着每个接入决策脑的团队，都要建立自己的「判断题校准」基础设施，这是纯 LLM 方案完全不需要的投入。

会不会成为标配：判断是便宜的，生成才是贵的

回到标题的问题：「执行壳 + 决策脑」会不会成为 AI 编程新标配？从本仓库的实践和社区横评的数据看，结论更接近「会，但以你意想不到的方式」。

Jev 这类 System One 模型的出现，把 Agent 架构里一个长期被忽视的事实摆到了台面上：在 Agent 循环里，真正高频执行的是判断而不是生成。每一步「继续/停止」「这个/那个」「通过/违规」都是一次判断，如果用生成模型来做，每次都要付全量推理的延迟和 token 费；而 Jev 把这类判断压缩到 70–500ms、$0.042/百万输入 token，输出还免费。当判断变得几乎免费，「多问几次 Jev」就成了比「让 LLM 一次想清楚」更优的工程选择——这会让 Agent 的架构从「大模型一次生成到底」迁移到「生成端保持最少调用、决策端高频廉价把关」。

但「标配」不会以「人人都把 Codex 和 Jev 接起来」的形式出现，而会以更底层的方式沉淀：判断模型成为 Agent 框架的中间件，像数据库索引一样藏在执行壳内部。社区文章里已经能看到这个趋势的雏形：模型路由（该用哪个模型）、工具风险门控（这个工具调用危不危险）、上下文压缩（哪些历史该丢）、输出护栏（这段输出能不能过）——这些全是封闭集判断题，全是 Jev 的主场。jev-chat-jarvis 的价值在于提供了一个完全开源、可端到端运行的参考实现：三路客户端拆分、7 题判断集、起草—排序管线、预算与权限控制，以及最重要的——一套「题目校准 + 标注集 + 验收线」的方法论。

至于 Codex 套 Jev 是否会成为每个开发者桌上的标配，社区横评里那句更实在的总结值得记住：判断是便宜的，生成才是贵的。当判断成本趋近于零，任何拒绝把判断从生成模型里拆出来的架构，都会在延迟、成本和可控性三笔账上同时失分。而判断模型答不上来的场景，它诚实输出的 unsure 带和「请人看一眼」的降级策略，恰恰是比 LLM 自信的幻觉更稀缺的品质——这也是为什么一个「哑巴模型」能在发布三天内登顶 HN：它把 AI 从「什么都能编」的表演者，变成了「只对自己答得上的事负责」的裁判。

如果你也想在自己的工具链里试这套组合，仓库给出了最直接的起点：读一遍 cn/tools/jev/TASK.md 的题目校准方法论，再看 cn/app/src/main/java/com/jev/probe/jev/JudgeClient.kt 里那 100 行不到的判断路由实现——你会发现，把「决策脑」接入现有执行壳，难度远低于想象，而收益曲线，陡峭得超乎预期。

【免费下载链接】jev-chat-jarvisThe chat decision assistant: before you reply, Jev reads the chat, judges intent and risk, and drafts replies you fill in with one tap. You press send. Android · Windows · macOS · iOS | 聊天辅助决策工具：先看懂对方再回复，发不发由你。项目地址: https://gitcode.com/gh_mirrors/je/jev-chat-jarvis