YouTube 影片筆記

用 Jev 分流 Claude Code 提示詞，實測省下大量 Token 費用

YTGet 編輯室李哈利 | AI 觀看 2.5萬觀看原片

原片標題：【AI 革命】告別昂貴 Token！Jev 如何讓你的 Claude Code 效率提升 10 倍

原片說明

🌟 加入AI大師社群並運用AI創業賺錢：https://www.skool.com/aiagent/about?ref=f2b566934c5c4639aaa47ab1fe39310e 📌 加入我的免費 Skool 社群，獲取模板：https://www.skool.com/aiagent8/about?ref=f2b566934c5c4639aaa47ab1fe39310e 💻 想將 AI Agent整合到你的業務中？預約諮詢👇 https://www.visionaryautomate.com/ 還在用昂貴的通用大語言模型（System 2）處理簡單的分類與判斷任務嗎[？由 ChatGPT 共同發明人推出的全新 AI 模型 **Jev**（來自 Typesafe）正式開放使用[ Jev 被稱為首款 **System 1 模型**，專注於極速的直覺判斷與分類[1]。它的運行速度比傳統模型快 20 到 200 倍，價格便宜 40 到 400 倍！不僅 **輸出 Token（Output Tokens）完全免費**，輸入 Token 也僅需每百萬 0.04 美元，價格比 Haiku 便宜約 24 倍，比 Fable 5.1 便宜 230 倍本集影片將帶你深度拆解 Jev 的核心優勢與其三大應用場景： * **三大固定輸出形態**：Jev 限制輸出為二值判斷（Binary）、菜單多選（Menu Selection）與標度評分（Scale），從而實現毫秒級快速響應 * **Level 1 個人 Agent 架構優化**：結合 Claude Code 自動進行模型路由（Model Routing）與 Skill 快速搜尋，可節省高達 70% 的 Token 費用，並將查找時間從 30 秒縮短至 5 秒 * **Level 2 業務高頻自動化**：在不到 1 秒內完成海量郵件線索（Lead）分類[，極速處理發票欺詐檢測、垃圾訊息識別、退款工單分診與用戶流失預警等任務 * **Level 3 極速應用構建**：實現意圖級別的多媒體資產搜尋與自動清理網頁冗餘元素的 Chrome 擴充功能（Unclutter）[10]。掌握「System 1（Jev 前置分診）+ System 2（Claude 深度執行）」的組合拳，讓你的 AI 工作流程提速 10 倍同時大降成本商務合作請聯繫： 📧 [email protected] ❤️ Instagram： https://www.instagram.com/harryleeai

我對 AI 模型已經很久沒有這種興奮感了，但李哈利講到 Jev 的時候，那個語氣根本藏不住。他說這東西比 ChatGPT 快 20 到 200 倍、便宜 40 到 400 倍，而且輸出 Token 完全免費，我第一反應是「這數字也太扯」。這支影片就是他實測 Jev 怎麼幫 Claude Code 分流、省下大量 Token 費用的過程。

影片時間軸

01:07解釋 Jev 只有三種判斷能力：選項、真假、評分
02:23示範用 OpenRouter 接入 Jev 的 API
03:41開啟 router 開關，讓 Jev 自動分流提示詞給不同模型
05:25用 Jev 分類六封 Email，3.4 秒跑完，費用幾乎是零
06:54掃描六張發票做欺詐檢測，1.78 秒完成
08:23實測 424 封真實信件，Jev 篩出 82 封重要郵件只花 0.5 秒
10:06展示別人用 Jev 玩 Doom 遊戲、控制瀏覽器、打乒乓球
12:09李哈利說自己很久沒為一個新 AI 模型這麼興奮

三種判斷能力就是它的全部

Jev 不是大語言模型，它只會三件事：從選項裡挑一個、判斷真假、給一個評分。聽起來很廢，但李哈利說這正是它快的原因。你不需要它寫文章或聊天，你只需要它幫你決定「這封郵件重不重要」或「這張發票有沒有問題」。把這種簡單判斷從 Fable 或 Opus 手上拿走，交給 Jev，速度跟成本完全是不同量級。

Router 開關一開，模型自己選

李哈利做了一個 router 開關，開啟之後每次丟提示詞，Jev 會先判斷這是複雜任務還是簡單任務，再分給 Haiku、Sonnet、Opus 或 Fable。他直接說，我們平常問簡單問題也在用最貴的模型，根本沒必要。這個分流機制讓他省下大量 Token，查詢時間也從 30 秒縮到 5 秒。這段是整支影片最實用的部分。

424 封真實信件只花 0.5 秒

他拿自己七天內 424 封 Email 來測，Jev 先篩掉 342 封非線索，剩下 82 封再回答三個問題：線索多強、什麼型別、需不需要真人回。整個過程 0.5 秒，其中 69 封自信度超過 0.8 直接進表，13 封不確定的才丟給 Claude 處理。這個案例最接近真實工作場景，也最能看出 Jev 當前置分診的價值。

值得下載嗎：如果你平常就在用 Claude Code 或 OpenRouter，這支影片的 router 設定跟 Email 分類範例可以直接抄來用，省下的 Token 費用很有感。但如果你只是偶爾用 AI 聊天，Jev 對你的幫助有限，這支影片可以跳過。

覺得這篇筆記有幫助嗎？