实测 Jev：号称200毫秒决策的新型AI，能玩转《小丑牌》吗？

知名程序员主播 ThePrimeagen（Prime）在直播中尝试了一款近期引发讨论的新型 AI——Jev（发音 "gev"，得名于经济学中的 Jevons 悖论）。与人们熟悉的大语言模型不同，Jev 被定位为一个超快速的分类决策引擎，据称能在约 200 毫秒内针对给定选项做出判断。Prime 用它来尝试让 AI 自主游玩 roguelike 卡牌游戏《小丑牌》（Balatro），过程中暴露了这类工具的潜力与局限。

Jev 是什么：一个高速决策分类引擎

Jev 的核心特点不是生成长文本，而是在极短时间内从若干选项里选出一个动作。Prime 在测试中反复强调这一点：当他给 Jev 一个游戏状态和一组可选动作后，返回结果几乎是瞬时的。

"你看到刚才有多快了吗？这就是大家都在兴奋的原因——它让你能超级超级快地运行。"

他给出的最小示例很能说明设计思路：向 Jev 抛出一个情境（"我拉裤子里了，急需帮助"），并提供两个选项（technical 或 interact），Jev 会带着一个置信度概率返回它认为该做的动作。整个交互模型围绕 state（输入情境）、questions（可选动作）和 answer（带概率的输出）三部分构成。

值得强调的是，Jev 每次调用都是无状态的——它不携带对话历史。Prime 在直播中纠正观众："每一次对 Jev 的 prompt 都是全新的 prompt，它不会带上我正在做的事情的历史。"这决定了使用方式必须由外部系统持续喂入完整的当前状态。

Jev 名称来源于杰文斯悖论（Jevons Paradox），这一经济学概念由英国经济学家威廉·斯坦利·杰文斯于1865年提出：当技术进步使某种资源的使用效率提升时，对该资源的总消耗量反而会增加，因为低成本催生了更大规模的需求。以此命名这款工具，暗示其核心逻辑——推理速度越快、成本越低，开发者就会在更多场景中频繁调用它，从而触发更多次决策，而非仅仅"节省"算力。这与传统大语言模型追求单次调用质量最优的思路形成对比：Jev 的设计哲学是用极低的单次延迟换取高频调用的可行性，适合需要在紧凑时间窗口内连续做出大量简单判断的场景。

用 Jev 驱动《小丑牌》：架构与踩坑

Prime 已有一个自制的《小丑牌》插件（sidecar + Lua），可以通过 "God View" 导出屏幕上的全部游戏状态：牌组、当前手牌、盲注、阶段（splash / menu / selecting hand）等。他的思路是把这些状态塞进 Jev，再让它输出下一步动作。

整个搭建过程充满真实的 "vibe coding" 曲折：

• 动作被重复执行：代码里两个选项（menu 和 quit）都被 JSON.stringify 并发送了点击信号，导致本该二选一的动作被同时执行。Prime 反复吐槽 AI 生成的代码 "谁会这么写"。
• 点击方式的坑：直接用坐标点击会误触光标下方的元素，最终改为用按钮名称（name click）来触发交互，且已经接入 Lua。
• "reason: unavailable" 干扰模型：God View 里很多明明可选的动作被错误标记为 unavailable，这会误导 Jev。Prime 的处理很直接——干脆移除 reason 字段，只保留 enabled 标志，"它会让 Jev 宝宝很困惑"。

状态精简是关键

把整个游戏 JSON 直接喂给 Jev 在菜单场景工作良好，但进入牌局后模型表现变差。Prime 意识到需要大幅裁剪状态：去掉牌组细节、商店信息、已弃牌记录，只保留手牌、当前得分、剩余出牌与弃牌次数、小丑牌、塔罗牌、过关所需分数等关键字段。他还专门写了一个 state 函数生成简化视图，并额外提供一份牌型说明（两对、四条等的定义和示例）和一段《小丑牌》玩法策略简介。

经过裁剪，输入 token 从两万多降下来，模型对菜单和盲注选择的判断变得准确——它成功选择了 "play" 而非 "quit"，也在选盲注时做出了合理动作。

真正的难点：让 AI 打出好牌

能点击菜单是一回事，能打出强牌赢下盲注是另一回事。这是本次测试暴露的核心瓶颈。

Jev 在牌局中经常做出糟糕选择——比如手里有葫芦却去选一张 King，或者不停地排序花色而不出牌。Prime 的判断是：

"Jev 说到底就是一个分类引擎，一个工作得非常好的分类器。"

问题在于，单次分类难以完成需要多步规划的复杂决策。他提出的解决方向是构建决策树 / 行为树（behavioral tree），把决策分层：

1. 高层决策：你想出牌、弃牌，还是做别的？
2. 若选出牌，则进入子状态：当前手牌、已选牌、牌型及其价值，让它反复 select 直到满意；
3. 完成后回到上层继续决策。

通过缩小每次决策的选项空间，让 Jev 的高速分类能力发挥作用，而不是一次性面对整局的复杂性。他把这个思路总结为构建一个状态机 / 行为树，让 AI 在每个节点只做简单选择。

一个无法绕过的限制

测试中还发现一个游戏机制层面的障碍：Jev 无法在出牌前预先计算某手牌的得分。因为《小丑牌》的分数是通过实际打出牌来结算的（chips × mult 叠加各种小丑牌与增强效果），没有现成的干跑（dry run）接口。这意味着 AI 缺少直接的价值反馈信号，只能依赖对牌型的先验理解来估算。

**行为树（Behavior Tree）**是游戏AI领域广泛使用的决策架构，最早在商业3A游戏（如《光环2》）中普及，后被机器人学和自动驾驶借鉴。其核心思想是将复杂行为拆解为一棵由"选择节点""序列节点"和"叶节点（具体动作）"构成的树形结构，每个节点只返回成功、失败或运行中三种状态。相较于有限状态机（FSM），行为树更易于扩展和调试，因为新行为可以作为子树插入而无需重写整体逻辑。Prime 在此处提到的思路——先做高层意图分类，再在子状态中反复执行选牌动作——正是行为树"序列+子树"模式的自然体现。将 Jev 这类高速分类引擎嵌入行为树的叶节点，可以让每次 AI 调用的决策空间保持极小，从而扬长避短。

对新型 AI 范式的观察

抛开技术细节，Prime 对 Jev 这类工具的态度值得玩味。他坦言对最近一波接一波的常规大模型发布已经疲惫——"都是稍微好一点点，无所谓"。相比之下，Jev 代表的实时决策方向让他重新提起兴趣：

"Jev 是目前为止我们最近搞出来最酷的 LLM 相关东西……它能在大约 200 毫秒内替你做出决定，这很疯狂。"

有观众在弹幕里提出这是否是"专家系统的回归"，也有人指出这本质上是在"绘制一棵决策树，让 AI 来挑选"。这些讨论触及了要点：Jev 的价值不在于取代通用推理，而在于把 AI 嵌入需要低延迟、结构化选择的场景（游戏 AI、实时决策路由等）。Prime 也提到别人已经用类似工具让 AI 实时玩《马里奥》和《毁灭战士》。

需要说明的是，本文内容来自一场探索性直播，Jev 的具体能力边界、定价（Prime 提到有初始额度但很快会用完）等信息仍不完整，测试也停留在"能进游戏、能做基础决策，但离打赢一局还很远"的阶段。

观众弹幕中提到的**专家系统（Expert System）**是1970-80年代人工智能的主流范式，通过人工编码的"if-then"规则库来模拟领域专家的判断，代表作包括医疗诊断系统 MYCIN 和化学结构分析系统 DENDRAL。专家系统的核心缺陷在于知识获取瓶颈（规则需手工编写）和脆弱性（规则之外的输入难以处理）。Jev 与专家系统的本质区别在于，它的分类能力来自模型权重中隐式编码的知识，而非显式规则；但两者的使用形态确实相似——都是在结构化的选项空间中快速匹配最优动作，而非自由生成输出。这场讨论折射出一个更广泛的趋势：当生成式AI的边际价值边际递减，业界开始重新审视"窄而快"的专用推理路线的独特价值。

小结

这场直播是一次坦诚的技术探索，而非成品演示。它展示了一种不同于"更大更强的对话模型"的 AI 路线——用超快分类决策来驱动实时交互。真正的工程挑战，在于如何把复杂任务拆解成模型擅长的一系列简单选择，以及如何为它提供恰当、精简、无误导的状态输入。对想在游戏 AI 或实时 agent 场景中尝试这类工具的开发者，Prime 踩过的坑（状态裁剪、动作去重、误导性字段、决策树分层）都是实打实的经验。