Guides / 视频转图文攻略
在 Heym 中使用 Jev 决策节点:语言判断与模型路由
最近更新: 2026-10-05
跟着视频在 Heym 工作流中配置 Jev 类型化语言判断与运行时模型路由,并查看执行 trace 中的选模路径。
分步图文攻略
- 1
区分常规模型条件与路由失败时的回退选项
Heym 凭据编辑界面为不同模型分别填写“Use this when”用途说明,其中一个选项被标记为路由失败时使用。应明确区分正常路由和回退角色,让各模型的适用条件容易辨认;还要在首选路径不可用时测试实际工作流。视频没有证明该配置在所有故障下都能保证切换成功。

明确写出回退用途,不要把它藏在含糊的模型描述里。跳转至 1:08 - 2
用西班牙语样例运行语言检查工作流
视频输入“¡Hola!”作为对照文本,并启动 Heym 工作流。这一帧中 Jev 决策节点仍在运行;应继续检查下一帧的完成结果,再决定是否将分支接入有实际影响的动作。

截图中的运行指示仍在转动,稍后才显示判断结果。跳转至 1:32 - 3
核对判断结果与条件分支
执行高亮显示“Not English”,概率为 0.03;`isEnglishCheck` 的 false 分支连接到 `notEnglishOutput`。这只是一次示例响应,不代表准确率。应使用带标签的样本验证问题定义和后续动作,并覆盖过短或含糊的文本。

这次运行沿着非英语输出分支继续。跳转至 1:34 - 4
对照英语结果,再连接工作流分支
后续运行输入“hi”,执行高亮显示 English,概率为 0.98。Noul 问题结果进入 `isEnglishCheck` 条件,再连接到 English 和 not-English 两个输出。这个数值不是测得的准确率;应评估有代表性的标注样本,并明确证据不足时的处理方式。

分别测试条件两侧,并单独检查含糊输入。跳转至 1:45 - 5
在执行 trace 中核对运行时选用的模型
编排 trace 记录了快速任务和创意任务对应的不同路由决策,以及后续调用。检查每次决策选择了哪个模型、发生在流程的什么位置。画面中的耗时与 token 数属于这一轮样例;要判断成本或性能,应测量自己的任务。

通过 trace 查看每个运行时决策点具体选择了哪个模型。跳转至 2:08
常见问题(FAQ)
可以在 Heym 工作流中用 Jev 路由模型吗?
视频展示了 Heym 决策模型根据任务类型选择不同的已配置模型。实际工作流仍需清晰的路由条件、可用凭据,以及经过测试的回退路径。
配置回退模型就能保证所有路由故障都恢复吗?
不能。视频只展示一个标记为路由失败时使用的模型选项,没有给出普遍适用的恢复保证。应在部署使用的 Heym 版本中测试服务商故障、凭据无效、超时及工作流后续状态。
语言判断显示 0.98,是否代表工作流准确率为 98%?
不是。这是视频中单个输入对应的概率,不是测得的准确率。应使用有代表性的标注样本评估,并明确规定证据不足或输入含糊时的处理方式。
这篇指南与通用 Jev 模型路由指南有什么区别?
本页跟随 Heym 界面,讲解其中的 Decision 节点和执行 trace;通用模型路由指南讨论跨平台的路由设计与取舍。
相关推荐
Jev 模型路由:本地与云端模型选择
了解跨平台的路由条件设计,以及本地与云端模型的取舍。
阅读Jev 模型:Choice、Score 与 Noul
为路由、类别、分值或是非门禁选择合适的类型化输出。
阅读Jev API 示例:curl、Python 与 JavaScript
在 Heym 界面之外查看类型化问题的载荷与响应。
阅读用 Expanso Edge 做 Jev 日志分流
了解如何用选择性 Jev 决策为运维日志分流。
阅读用 Treg 和 Jev 做线索丰富与分类
对比另一种用 Jev 类型化决策判断销售线索类别的工作流。
阅读n8n 的 JevGate:社区节点路线
这页是 Heym 平台,那页是 n8n 画布——同一组三原语的两个无代码落脚点。
阅读更多视频攻略
- Jev 极速分类实战:从 API 调用到 Choice/Score/Noul 三大原子类型
- 7 分钟透析 Jev 架构:为什么 70ms 决策模型颠覆了 LLM 自动化工作流?
- Jev 赋能极速浏览器 Agent:178ms DOM 决策循环与双模型协作实战
- OpenJevs 开源 Jev 模型全景:Semif、Nimble、Decider、DiffusionGemma 与 Laya 实测
- Jev 会取代 LLM 吗?Krish Naik 白板图解 Jev vs LLM 与混合架构
- Jev Trader 教程:在 Monad 上搭建亚秒级 AI 交易机器人
- Jev Model Router 实战:用 Jev 搭建带隐私门控的本地模型路由器
- Jev 入门教程:State、三类问题与 TypeScript SDK 实操
- 本地跑 Jev:Kev、SemIf 与 Von,自己的 GPU 就够了
- Jev RAG Reranker 实战:用可执行 criteria 打造策略化检索重排
- Jev 什么时候该用:工程视角核实宣传口径、守门与失败模式
- LangChain + Jev 集成实战:路由、护栏与评测
- Jev MCP Server 接入指南:把 Jev 决策层接进 Claude Code 与 Cursor
- Jev vs Luna 独立基准实测:「更快更准更便宜」是真是假?
- Jev Agent Harness 实战:决策闸门该装在 LLM 循环的哪个位置
- Jev Playground 实测攻略:热狗课程、criteria 校准与四平台 token 账单
- Jev 文本分类 API 实战:用 classifier.dev 打通零样本 CLI 与 REST 调用
- Jev API 实战示例:第一条 curl、载荷结构与三种问题类型
- 用 Expanso Edge 和 Jev 搭建日志分流流程
- Treg + Jev 线索丰富:ICP 分类与注册用户评分
- Laya 上手教程:开源自托管决策引擎的安装、路由与概率校准(Laya vs Jev 实操)
- 训练自己的 Jev:花 $5–$17 微调一个 Jev 式决策模型(能训什么、不能训什么)
- Jev 实用技巧:拿到更好决策结果的 8 条最佳实践(state、questions、criteria 与阈值)
- Jev 上下文压缩实战:不用生成式摘要,直接剪枝 Agent 记忆
- Jev 当 LLM 评审:置信度级联,只要强模型 0.36% 的成本
- TypeSafe Computer Use 实操:用 Jev 做本地桌面自动化
- Jev 简历筛选实战:Express + Jev JavaScript SDK 搭一个 AI 简历评估器
- Jev + Claude Code 实战:语音控制浏览器,类型化决策全程接管
- Jev 接入 Codex 实操:typesafe-ai/skills 安装与 Gmail 30 封邮件分诊
- Jev vs Ollama:本地跑 AI 决策,数据不出门真的可行吗?
- 自己动手造一个 Jev:免费开源零样本分类器(还能打 Doom)
- CUA-S1-Forms:706K 参数的 Jev 型表单填写模型,CPU 就能跑
- 用 Jev 做 NOC/SOC 告警分诊:规则先行、一个类型化问题、一道策略闸门
- Ollama 决策模型实测:tev1 + nimble 跑在 8GB 显卡上
- Jev 生产环境护栏:五步接入实战手册
- Pi Agent 防跑偏插件实战:让 Jev 出概率,让代码做决定
- Tev1 用例实测:50 个任务看尽本地决策模型的能力边界
- Jev 实测:官方宣称与独立复测之间的距离
- Jev 工单分类实战:after-insert hook 与计算字段两种接法
- OpenJev RLCD 实操:开源校准决策模型本地部署全指南
- Clef-Flash vs Jev 实测:把 Cloudflare 决策模型装进 Ollama(Q4_K_M)
- Clef-Flash 实操教程:在 Ubuntu 上从零安装并本地运行 Cloudflare 9B 多模态决策模型
- CLM-8B 架构深潜:44 毫秒打分 1,024 个候选的对比决策模型(比 Jev 快 13 倍)
- Nox 4B 实测教程:本地跑通 Decision 2.0 决策模型,四道真实考题与一次诚实的失败
- Julia-1 实操教程:纯 Python 装上开源 Jev 替代品,10 条客服消息实测 9 比 2
- OpenJev 0.8B CPU 实战:用工单收件箱校准 NLI 路由阈值
- Jev n8n 集成实战:JevGate 社区节点分步攻略(附纯 HTTP 备选路线)
- NanoJev 实操教程:本地部署 0.6B 开源 Jev 复刻,亲眼看它以 47ms 跑迷宫、按概率做路由
- PPLX Decider 实操教程:Perplexity 开源 27B 决策模型、Decisions API 与 12 张工单的分诊实测
- AutoTrust JEV-27B 本地实测:四臂对照、72 道 held-out 题,和一个 0.969 高分的错误答案
- Clef 27B 本地实战:Cloudflare 多模态决策模型一次读懂图片、视频和乌兹别克语报纸
- Ollaya 实操指南:装好「决策模型界的 Ollama」,看清每一个厂商口径数字,再亲手补上它留白的 CPU 实测
- Strands Decider 2B 实测:8GB 笔记本本地安装 AWS Strands 系决策模型,把失败段也留在这页里
- Liquid AI Open d1 本地实测:d1-3B 与 d1-omni-600M 跑进 MacBook Air M5
- 图像决策模型实战 RPA:Imajev-4B 与 Jev-Omni 无 OCR 直读 W-8BEN 税表,90% 置信阈值以下转人工审核
- GLiNER2.5-Decide (340M) 对比 Jev (4B):决策模型到底谁赢?逐帧核对选型指南
- Jetson 边缘实测:Jev、Strands Decider 2B、Laya、d1-3B 四模型横评——Skill Master 记分卡、Thor 延迟账与 JevBench 逐帧核对
- 微软 Decision-1 实测:146 道独立测试、93% 均分、高置信时 124/125——每个数字逐帧核过
- Jev 接入 Azure AI Foundry 实战:OpenAPI 工具、分诊指令与首跑失败复盘