k

在，真是一个神奇的东西：不聊天、不写文章，只读取一段信息，给出几个判断及其概率，然后就血洗全网了。

主打「决策」「判断」的模型？听上去很复杂，却有一种非常简单的理解方式： 它的原理类似于海龟汤。

在海龟汤游戏里，玩家需要不断发问，以获得真相，但是每一个问题都是封闭问题，只能得到「是」或「否」两种答案。每一个回答都不算是最终答案，但可以为下一个问题提供方向和指导。

JEV 也是一个处理封闭问题的模型，更准确的说，它专门处理结构化判断，可以返回 true／false、选项、分数及其概率。跟海龟汤不同的地方是，它不会只说「是」或「否」，还会给出「大概是 true」「可能是 false」以及更确切的概率数字。

可是理解归理解，跟生活总是有点距离——在日常工作里，有什么是需要「决策」的呢？打工人不就是干活，把活交上去给老板……

对啊，要决策的，不就是老板吗？

最小规模测试

显然，海龟汤只是最最最简单粗暴的理解方式，JEV 还可以处理多项选择和评分，但为了先看懂它究竟怎样工作，我把第一次测试限制在 true／false：不给它自由发挥的空间，只看它能不能按照一套明确标准，稳定判断同一类问题。

先从一道最小测试开始。JEV 的 Playground 页面很简洁，也很有迷惑性，下面展示一个非常简单的对话案例来解释，这个模型使用起来要掌握什么：

State 是发生了什么、questions 是如何判断发生了什么，JEV 返回「为真的概率」。

在图上我使用了一个在 chatbot 里碰到的一个错误片段，输送到了 State 窗口里，在 Questions 窗口里写了我的判定方式，最终 Run 出的结果是 99%。

为什么说这是一个错误片段？因为当我提出「我今天身体不舒服」时，正确的应答可以是躺下、喝水、休息一下，无论什么都好，都不应该出现任何格式检查、步骤规划等思维链内容——出现，即判断为错误。

因此，JEV 按照我写下的标准，判定原应答是错误片段的概率为 99%。这里并没有发生重新训练，它只是在这一次运行中读取标准，再据此判断，给出结果。

0.99 → 非常像 true

0.50 → 无法确定

0.01 → 非常像 false

一次只放一个案例并不是必要条件，在这里只是为了以最小单位更好地理解 playground 的案例，也是为了测评 JEV 时控制变量：一个案例放入 State，可以同时放四个判断问题。跑完后，换下一个案例，Questions 保持不变，再比较不同案例的结果。

Jev 的模型能力固然重要，但最终效果很大一部分取决于 Questions 怎么写，能不能把你的判断标准写清楚，清楚到只剩封闭回答——这是 JEV 和海龟汤最像的地方，提问笼统，结果也只能不清不楚。

如果你的 Questions 只写成「这封邮件草稿适不适合发送」，JEV 仍然会给出概率，但由于「适合」没有被定义，这个数字很难验证，也很难用于下一次判断。只有把 Questions 继续拆成：

是否泄漏后台工作草稿？

是否引入无依据的旧话题？

是否混淆了人物身份？

是否没有回应用户当前表达？

是否出现语法错误？

这样得出的概率才更容易验证，也能被下一次判断继续复用。

如何拿到大结果

那么同理，当在日常生活中，把完成的工作交上去，老板也要经过一系列判定、一组组在 ta 脑子里跑过的 questions：这个选题好不好、这篇文章会不会爆、这个视频有没有人看？

如果能把这些判断标准拆分成具体的封闭问题，把老板「炼」了，那将有效提高我的通过率，拿到大结果。

为了测试可行性，我建了一个比较小的测试题，收集了几十条过往选题，把信息脱敏之后，作为 state 里面的案例，批量询问一组固定的编辑判断问题。

TypeSafe 官方提供普通 HTTP API 和 Python SDK；脚本向 POST /v1/systemone 发送一个 state 和一组 questions，得到结构化概率。官方还慷慨地送了 5 美元的试吃包，以它低到贴地的价格来说绰绰有余。

从飞书里，我（让 Codex）整理出了一套测试选题，每个选题自动生成「生肉版＋熟肉版」测试对，生肉版是选题灵感、碎片，一些片段的想法，熟肉版则是最终形成的文章。然后保存为本地 JSONL，然后让 Codex 生成测试脚本。

在飞书里，我已经运行着一套比较简陋的打标系统，在这次测试里，JEV 的表现会和我的人工判定被放在一起比较。Codex 根据已有的选题数据，给 JEV 初步设计了一套 questions——不算实用，跟真实工作有所脱节，但用于测试足够了。

从返回的 report 里，我仔细检查了输出和脚本，也回看了一下测试集里 Questions 的写法和判断思路。几个核心指标的高低排序与人工打标大致相符，除了「论断越界」它拿不太准：有些题的熟肉版和生肉版之间，前后差别过大，它就无法判断到底是好的升级，还是坏的越界。

不重要，黑红也是红，靠标题党搞出来的爆款怎么不算爆款，干就完事了。让 Codex 写完最后一个脚本，用一个全新选题验证：

这个新选题只是一个草稿阶段，只有基本事实和描述，没有论点和论述方向，所以「结构性判断」只有 22%，证据充分性也只有 8%。这和选题会议上的讨论结果差不多，离把老板炼成丹又近一步。

最后把所有东西打包，套上一个简单的前端，一个选题判断器就诞生了！

直接把点子和闪念扔进去，就能获得一系列打分。哪怕是同一个热点，不同的选题写法就会带来不同的评分。这比用 LLM 大模型更快更直观，更是完全不用担心钱的问题，5 美元能花到地老天荒。

严格来说，这次还没有真的把老板炼出来。JEV 不知道老板是谁，也没有学会某位领导变化多端的需求。整体上，它只是把原本散落在选题会、改稿意见和编辑经验里的判断标准，压缩成一组可以快速的问题。

不过，虽然炼到最后，我没有得到一个电子老板，但却得到了一份老板也得照着回答的问卷。至于离真正炼成丹还差什么，大概只差把领导历年的「这个不行」全部喂进去，以及承担由此产生的精神损失。