新闻详情

新闻详情

首页 / 资讯中心 / 详情

Jev AI Agent 决策层:模型路由、Tool Gate 与置信度回退设计

发布时间:2026/11/16 23:09:28来源:尧图网络
Jev AI Agent 决策层:模型路由、Tool Gate 与置信度回退设计
如果你的 AI Agent 里已经存在模型路由、工具风险判断、重试/升级、人工复核等逻辑Jev 值得看的并不是“能不能替代 GPT”而是能不能把这些有限决策从生成模型里拆出来。## 1. Jev 适合解决什么问题TypeSafe 把 Jev 定位为 System One Model。输入 state 与预定义问题输出 Choice、Score、Noul 这类 typed decisions 和概率而不是开放文本。适合候选场景包括- 模型路由- Tool Call 风险分类- 意图分发- 候选排序- 是否升级更强模型- 是否转人工- Agent loop 是否应该继续。不适合直接交给它的是权限、支付、生产删除、发布审批等 hard policy。## 2. Tool Gate 的公开 benchmark 怎么看themsquared/jev-benchmark 公布了 60 条 Agent 工具调用风险样本。Jev latest 和 Claude Sonnet 5 都是 55/60Accuracy 91.7%。其中 clear 样本都是 100%ambiguous 只有 71.4%adversarial 是 91.7%。工程上这说明两件事第一窄任务上 frontier LLM 不一定换来额外准确率。第二Tool Gate 不能只看总体 accuracy必须单独统计 false-safe也就是危险调用被误判为安全的比例。## 3. 路由场景一定要做消融TokenTrim 的 RouterArena / LLMRouterBench 实验里Jev difficulty retrieval evidence 的方案是 62.4%。关键点在于移除 Jev只保留 retrieval evidence仍然得到 62.4%。所以生产评测至少要拆成1. Rules only2. Rules Retrieval3. Rules Jev4. Rules Retrieval Jev5. LLM Router不做消融就无法证明增益来自 Jev。## 4. 推荐架构Rules / Capability Filter → Jev Decision Layer → LLM / Human FallbackHard Rules 先做- Identity / Tenant Scope- Tool allow/deny- Secret / Network Egress- 不可逆动作审批- 上下文与模型能力过滤Jev 再处理- semantic risk- model tier- intent routing- candidate score- escalation decision最后根据置信度进入- 自动继续- 强模型复核- 人工审批。这里必须明确confidence 不是 permission。## 5. Personal AI / 私人 AI 的部署边界Jev 当前是云 API。Personal AI、Private AI、本地 AI Agent 如果涉及私人文档、个人记忆、财务/健康信息首先要确定哪些 state 可以离开本地。全本地场景下Jev 不应该处在关键链路应该先比较 local classifier、开源小模型和 deterministic rules。我的当前判断是Jev 值得进入 Agent 的评测栈但是否应该成为默认决策层要用自己的真实数据集验证。完整文章https://www.xbstack.com/ai/jev-ai-agent-decision-layer/?utm_sourcecsdnutm_mediumreferralutm_campaignjev_ai_agent_decision_layerutm_contentoriginalrefcsdn相关生产治理https://www.xbstack.com/ai/ai-agent-production-governance/?utm_sourcecsdnutm_mediumreferralutm_campaignjev_ai_agent_decision_layerutm_contentrelated_1refcsdnTool Policy Gatehttps://www.xbstack.com/ai/ai-agent-tool-authorization-policy-gate/?utm_sourcecsdnutm_mediumreferralutm_campaignjev_ai_agent_decision_layerutm_contentrelated_2refcsdn本地 AI 与数据主权https://www.xbstack.com/ai/ultimate-setup/?utm_sourcecsdnutm_mediumreferralutm_campaignjev_ai_agent_decision_layerutm_contentrelated_3refcsdn
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉