TeXposit 用 Jev 模型优化 AI 助手的首回合准备、质量校验与路由决策

TeXposit 引入 Jev 作为轻量级决策层，解决 AI 写作助手在首回合需加载技能、文件与工具导致的延迟问题。实测案例中，处理复杂概念可视化请求时，传统流程前 59 秒用于加载 TikZ 技能、读取项目注释及主文件，仅最后 14 秒生成答案；启用 Jev 预检后，模型通过 42 个二选一问题快速锁定所需资源，显著缩短等待时间。该方案允许主模型仍保留最终决策权，任何编辑均经过原有验证流程，确保输出质量不受影响。

在质量校验环节，团队将原本基于 LLM 的 Rigour Mode 替换为 Jev 驱动的 Judge Jev，以应对高耗时与高 Token 成本。对比数据显示，评估五个示例时，旧版 LLM 耗时约 28 秒，Jev 仅需 2.4 秒，且两者判定结果基本一致。尽管存在个别误判（如错误拒绝未披露限制的优秀回答），但系统设定三次修正失败后强制放行并提示用户，避免任务因严格规则而阻塞。此外，Jev 还承担三层模型路由职能，根据任务复杂度动态分配快、通、智三类模型，并替代原有 NLP 短语列表实现更精准的自动技能发现。

事实层面，该架构已应用于 TeXposit 内部，但未公开整体性能基准数据；推断层面，这种“小模型做决策、大模型做执行”的模式可能成为复杂 Agent 系统的通用工程范式；猜测层面，若未来开源生态中出现类似 Jev 的专用路由模型，或可进一步降低对特定厂商模型的依赖。需注意，当前路由逻辑不适用于自带 OpenRouter 密钥的用户，以避免模型切换带来的体验折损。