JEV 在 Jev-X 中的实际应用

在做 Jev-X 的过程中，JEV 降低了我实现内容分类、评分和推荐排序的难度。

Jev-X 希望把 X 上围绕 JEV 的讨论整理起来，让读者更容易找到重要更新、教程、开源项目、评测和应用案例。抓取内容只是起点。更关键的问题是：这些内容分别在讲什么？提供了多少实际信息？哪些值得优先展示？

只靠关键词和互动数字，我需要维护许多规则，也容易遇到难以区分的情况。一条包含 GitHub 链接的帖子，可能是在发布工具，也可能只是顺带引用资料；一条获得大量回复的帖子，可能很有价值，也可能只是引发了争论。

有了 JEV，我可以把这些判断直接放进现有流程：模型提供分类和评分，程序根据结果执行筛选、排序和展示。对于当前这个内容精选项目，我因此可以用比较少的代码，完成一套可以持续运行的处理流程。

一次请求，三种判断

每条进入分类流程的内容，我会通过同一次 JEV 请求提出三个问题，分别对应 Choice、Noul 和 Score：

输入是内容及其上下文，输出是程序可以直接使用的结构化结果。TypeSafe 官方文档也支持在一次请求中组合这些问题。^[1]

拿到类别之后，我可以生成筛选标签；拿到质量分之后，我可以决定是否进入精选，以及怎样参与排序。Prompt 是否贴合项目需要，决定了这些结果是否好用。

分类：把边界写清楚

分类 Prompt 设置了九个类别：集成、开源、竞品比较、教程、案例、评测、访谈、资讯和观点。每个类别除了名称，还写了定义、排除条件和示例。

例如，平台宣布支持 JEV，通常归入“集成”；作者展示自己用 JEV 做出的应用，通常归入“案例”；发布供别人安装使用的仓库、CLI 或插件，则更适合归入“开源”。这些内容都可能提到“用 JEV 做了什么”，但读者寻找它们的目的不同。

我要求模型按照帖子的主要目的分类。如果一条内容同时符合多个类别，就选择读者最希望用来筛选它的那个类别。

“教程”和“评测”也有明确标准。教程需要实际教会读者一些东西，或者明确介绍作者写出的指南；评测需要包含实际测试得到的数据。仅仅重复官方的速度宣传，不会因此自动成为一篇评测。

类别置信度不足时，程序会退回关键词规则。JEV 减少了需要手工维护的判断，但现有流程仍然保留了这个备用处理方式。

相关性：先记录和观察

相关性问题单独判断：帖子是在认真讨论 JEV，还是只顺带提到它、加了一个标签，甚至讨论的是同名人物或其他产品。

当前默认配置会保存这个结果，供观察和调整使用，没有把它作为强制筛选门槛。

质量：先看内容，再看互动

在质量评分上，我最重视的一条要求是：看内容实际提供了什么，而不是它听起来有多兴奋。

我没有只让模型“打一个 0 到 100 的分数”，而是先定义五档可理解的标准：

0. 噪音：垃圾信息、抽奖、诱导互动或无关内容。
1. 纯反应：情绪、感叹或没有信息的一句话。
2. 有一定信息：带理由的观点，或者对已有事实的简短整理。
3. 具体信息：真实新闻、集成进展、应用演示、实测数据或清楚的解释。
4. 值得反复阅读：原创洞见、可复用方法、教程、开源工具或值得保存的数据，并有读者互动作为佐证。

JEV 按这些标准返回 0–4 的数值评分，程序再换算成页面使用的 0–100 分。它表达的是内容对目标读者的参考价值。

输入里包含哪些信息

为了给模型足够的上下文，我会把正文、作者、引用内容、外链、媒体类型和互动数据一起整理成输入。互动数据包括点赞、转发、引用、回复、收藏和浏览量，也包含计算后的互动指标。

Prompt 要求先判断内容，再把互动当作辅助证据。例如，较高的收藏比例可能说明读者愿意保存这条内容，但抽奖、“回复 1”、关注转发要求和争吵带来的互动，不应该因此获得高分。最高档也不能只靠热闹来判断。

对于介绍文章、仓库或视频的帖子，我要求模型根据正文对它们的描述判断价值。一个清楚介绍工具用途的短帖，仍然可能提供有用的信息。

当前流程没有让 JEV 阅读外链全文或观看视频画面，判断依据仍然是传入的文字和元信息。这也是理解评分时需要记住的边界。

排序：把质量分放进公式

拿到质量分之后，最终排序仍然由程序完成。目前项目使用的公式很简单：

收藏和浏览会进入 Prompt，不直接进入上面的互动分公式。

对互动分取对数，可以压缩热门内容在数字上的优势，让质量分在排序中发挥作用。

以两条假设内容为例：

• 质量分为 80、互动分为 100：
  80 × log10(110) ≈ 163.3
• 质量分为 25、互动分为 1,000：
  25 × log10(1010) ≈ 75.1

这组例子说明，质量更高的内容可以超过互动更多的内容。公式仍然同时考虑两者，不能保证所有高质量内容都一定排在高互动内容前面。

实际精选还包含互动门槛、候选数量限制、低质量过滤和同一作者的展示数量限制。这套机制服务于内容精选，没有引入用户画像或个性化推荐。

流程：从抓取到页面展示

1. 抓取相关 X 内容
2. 保存内容至 D1
3. 队列调用 JEV
4. 保存分类与评分
5. 筛选排序并写入 KV
6. 网页读取结果

新抓取且进入分类范围的内容会登记任务。JEV 的结果保存完成后，再由后台整理和发布列表。

同一条内容如果已经有当前 Prompt 版本的完整结果，就可以复用。互动数字更新后，程序在后续发布时重新计算排序，不必每次都重新调用模型。发布失败后，也可以继续使用已经保存的判断。

网页访问直接读取整理好的结果，因此读者打开页面时，不需要等待模型现场评分。JEV 在这里承担的是一个明确、可以重复使用的判断步骤。

成本和速度

低成本是我愿意持续使用 JEV 的另一个原因。截至 2026 年 10 月 2 日，TypeSafe 官方模型文档给出的价格是每百万输入 tokens 0.042 美元，输出 tokens 免费。^[2]

举一个便于理解的估算：假设一条内容连同 Prompt 共消耗 2,000 个输入 tokens，那么单次模型费用约为 0.000084 美元，处理一万条约为 0.84 美元。

这是按假设输入长度计算的示例，并非 Jev-X 的实测用量。实际费用会随正文和 Prompt 长度变化，也不包含 X 数据抓取与基础设施费用。这个量级让我可以把分类和评分放进日常处理流程。

速度同样重要。TypeSafe 的官方发布说明报告了 70–500 毫秒的端到端响应时间。^[3]这是官方口径，Jev-X 尚未记录自己的延迟分布，也不能把它等同于从抓取到页面展示的总耗时。

对于需要不断重复分类和评分的项目，低成本和较短的响应时间结合起来，会直接影响这个流程是否容易长期运行。

把内容判断变成日常可用的一步

通过 Jev-X，我对 JEV 的价值有了更具体的理解：它让我更容易把内容判断写进软件。

我仍然需要定义类别、设计评分标准、处理低置信度结果，并检查实际展示效果。评分只是阅读和筛选的参考，不能替代对原文的理解。

但有了 JEV，我可以把更多精力放在产品判断上：读者需要什么信息，哪些内容值得优先出现，以及怎样让有价值的探索更容易被发现。