在Matthew Berman 于 9 月 24 日发布的视频中，八个示例将 TypeSafe AI 的 Jev 模型用于一些常见任务：清理网页、查找段落、排列收件箱，以及选择界面元素。这些演示来自不同的开发者。它们采用了相同的做法：让模型作出范围明确的判断，再由应用收集输入并执行结果。

将决策与代码或其他模型完成的工作区分开来，每段演示才更有参考价值。用户能够察觉到的潜在错误，同模型调用本身同样重要。这些只是演示和早期工具；BIG CHANGE 尚未独立测试其准确性或日常可靠性。

重大变化

  • 变化内容：开发者正把结构化的 AI 判断嵌入现有软件交互中，从浏览器快捷操作到收件箱视图皆是如此。Jev 返回一个选项、分数或概率；应用负责提供候选材料并根据回答采取行动。
  • 为何重要：用户阅读、搜索或整理内容时，软件即可在当下作出有用判断，无需将整个任务交给聊天界面。同一设计也意味着应用所有者必须对错误排序、内容被隐藏和意外操作负责。
  • 关注事项：接下来要看针对具体任务的证据：这些工具能否选中正确段落、保留页面上的必要控件、合理排列重要邮件，并在日常使用中处理不确定情况。仅凭快速演示无法回答这些问题。

网页清理工具展示了职责如何划分

Kitze 的 Unclutter 浏览器扩展是最清楚的例子。其项目 README指出，扩展会提取网页元素作为候选项，再让 Jev 判断哪些内容并非必要。随后，浏览器代码应用可撤销的隐藏规则，按网页模板保存，并在不再次请求模型的情况下重新应用。用户可以暂停扩展、指定保留某个元素，或重新分析页面。扩展可能隐藏 Cookie 弹窗，但不会替用户点击“接受”或“拒绝”。

这是一个影响重大的界限。Jev 可以判断某个元素是否属于干扰内容，但它并不掌控浏览器，不会填写同意选项，也不会决定规则保留多久。实际评估应检查清理后导航、无障碍控件、付费墙提示或真正的同意选项是否仍然可用。该项目提供源代码构建版本和自带密钥的设置方式，但 README 没有提供针对这些错误的独立实地研究。

这个Jev 制作的网站检测器则采用了另一套流程；在Berman 视频的 3:29 处，演示展示了该工具。其方法说明称：浏览器会测量渲染样式，DeepSeek V4 Flash 描述截图，Jev 根据一组特征判断设计和文案，DeepSeek 再撰写简短结论。网站给 anthropic.com 标出了 26% 的“AI 垃圾”分数。这是该工具按照自身标准计算出的风格评分，并不能证明 Anthropic 网站有多少内容由 AI 撰写，尽管 Berman 在视频中作出了这种推断。

信息排序是另一类判断

Jonathan Unikowski 的收件箱演示提出用实时重要性排序取代按时间倒序排列。他的帖子称该功能“即将推出”，将加入 Avec。帖子没有说明这是已经部署的收件箱、重要性的定义，也没有提供漏掉紧急邮件的独立测量结果。应用仍需负责获取邮件、展示顺序，并决定是否归档、加标签或发送邮件；演示中的 Jev 负责的是优先级排序。

Shubham Saboo 的 Needle 扩展让这一区别更容易看清。Saboo 称，Jev 会根据读者的查询为网页段落评分，扩展则会在原位置高亮匹配文本。他的详细说明指出，Needle 不会撰写答案：高亮的句子本来就存在于页面上。这改变了“查找”快捷操作能够搜索的内容，但高亮的句子仍有可能不正确。测试应使用答案段落已知的查询，包括页面上存在相似却相互矛盾陈述的情形。

Burhan Usman 的视频剪辑帖子称，他在一段超过 90 分钟的视频中找到了与某个主题相关的片段。在视频 8:34 处，Berman 表示系统可能使用了文字稿；这是他的推测，并非经核实的流程说明。该帖子没有列出 Jev 的确切输入或输出。剪辑应用仍须获取源素材、确定时间边界并生成可下载的片段。相关耗时和成本来自一位开发者的报告，未附公开的准确性测试或端到端工作拆分。

界面组合留下哪些工作由应用完成

Chris Tate 的 json-render 实验使用由应用提供的选项组装用户界面。项目中的 Jev 文档对职责划分说明得相当明确：Jev 选择组件和布局位置；代码负责组装并验证规格；渲染器负责显示。Playground 中的业务数据是合成数据，操作处理程序则在用户交互时运行。因此，该演示展示的是一种组合受限界面的方法，而非模型独立编写并部署网站。

两个创意示例探索了风险较低的选择。Matt DesLauriers 的颜色实验将文字提示映射为可视化演示中的调色板。Stefan 的表情符号实验在9:52 处展示了根据输入文字为表情符号排序。两个案例中，应用都会展示可供选择的视觉素材。这些帖子展示的是交互构想，并不能证明相应选择适合某个品牌、符合对比度要求，或能适用于各种语言和场景。

TypeSafe 的文档解释了为何这些示例有共同特点。Jev 会根据提供的状态，评估带有类型的 Choice、Score 以及是／否问题。Choice 和 Score 会返回分布及置信度，供软件用于自身规则。该公司建议在实际任务中测试阈值；置信度字段本身并不是独立的准确性结果。

这些示例有力地展示了一种设计模式：当固定规则过于僵化时，软件可以在合适的时机提出一个范围明确的小问题。某个工具是否适合日常工作，取决于它会犯哪些错误、会显示或隐藏什么，以及应用是否让用户能够恢复。要评估这些方面，必须看完整工作流，不能只看模型的判断。