企业官网建设流程全解析

温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。

作者：赖得豪 (浙江工商大学)
邮箱：932345207@qq.com

• Title: Jev：快速、低成本的语义判断，用于 Agent 分流与文本分析
• Keywords: Jev, Agent 工作流, 模型路由, 工具选择, 上下文管理, 文本分析, GLiClass, GLiNER2, 领域微调

提要：Agent 查资料、调用工具、检查结果，每一步都夹着许多小判断。Jev 把这些判断做成了快速返回的结构化接口。本文从 Agent 工作流出发，介绍 Jev 如何参与任务分流、材料筛选和结果检查，再讨论经济学文本分析如何借助类似开源模型与领域微调，形成可复用的测量工具。

一个文献检索 Agent，为什么常常花很多时间等待？除了检索和下载，它还要反复判断：下一步调用什么工具，这条材料要不要读，工具返回的内容够不够用？

让一个研究助手帮你筛选论文，它需要选择检索入口、阅读候选摘要、找到相关正文，再判断是否需要补充材料。每一轮都可能只有一个很短的决定，却要等待模型返回，后面的操作才能继续。这样的等待沿着工作流不断累积，也就影响了整个任务的完成速度。

TypeSafe AI 推出的Jev，瞄准的正是这些频繁出现的语义判断。它接受当前状态和具体问题，直接返回选项、概率或评分。官方发布说明 给出的端到端响应时间为70—500 毫秒。对多步骤 Agent 来说，这类接口提供了一种思路：把适合快速判断的环节交给专门的模型，再由程序接着执行。

图 1 Jev 接收文本状态和问题，返回可供程序使用的结构化判断。

1. Jev 在 Agent 工作流中做什么

一个能持续做事的 Agent，会反复经历「读取状态—选择动作—调用工具—观察结果」的循环。状态发生变化，下一步的选择也随之变化。例如，已经找到摘要，就进入筛选；只拿到论文链接，就继续获取内容；现有材料不足以支持结论，就补充检索。

Jev 可以放在这些分支位置。TypeSafe 在 工作流构建说明 中把它称为System One 模型：程序准备好当前背景state和待判断的问题questions，模型返回结构化结果，程序据此选择下一条执行路径。

图 2 工作流示意：Jev 判断下一步与当前结果，程序调用工具、更新状态并组织循环。

这里的state可以包含用户目标、当前候选材料、最近一次工具返回，以及已经完成的步骤。问题则落到具体条件上：「这条摘要是否符合筛选标准」「下一步该检索还是读取全文」「现有证据是否覆盖了用户要求的内容」。

根据 多问题请求说明，对于同一份状态，可以把彼此独立的问题放在一次请求中并行判断。例如，同时检查研究对象、数据来源和研究主题，不必等待第一个问题返回后才问第二个。前一个答案会改变后一个问题时，再按步骤执行。

Jev 返回判断结果，检索、计算、长文写作等工作由相应工具或生成模型完成。判断环节的耗时降低，串行等待就有机会缩短；整条工作流能快多少，还取决于检索、下载和生成等步骤各自占用的时间。

2. 三种题型，怎样对应 Agent 的判断？

假设我们正在搭建一个文献筛选 Agent，目标是寻找「企业人工智能应用与岗位技能需求」相关的实证研究。下面是一段用于说明的示例摘要：

本文利用企业招聘广告数据，比较采用人工智能技术的企业与其他企业的岗位技能需求差异，并考察不同行业的变化。

围绕同一段材料，可以提出三种问题。

2.1 Noul：一个条件是否成立？

第一种问法是：「这段摘要是否明确使用招聘广告作为研究数据？」

Noul 返回 0 到 1 之间的数，表示模型估计的肯定回答概率。数值接近 1，模型倾向于肯定；接近 0，倾向于否定。程序可以据此判断是否满足筛选条件。

在文献筛选中，「研究对象是企业」「使用招聘数据」「讨论技能需求」可以分别设成三个问题，再由程序组合结果。若摘要只泛泛提到就业影响，却没有交代数据来源，应记录为信息不足，继续获取方法部分；没有披露某项信息，不等于研究没有使用它。

同样的题型也能检查工具结果：有没有拿到摘要正文？页面是否提示访问失败？当前材料是否提到了待查找的企业？这些判断能够决定 Agent 下一步是继续处理，还是换一个入口。

温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。