知识库精选-2026年9月18日-WayToAGI

《深入解析 Jev：TypeSafe 的 System One 模型》给邮件分类、判断工单该交给谁，这些小任务也反复调用大模型，成本和等待都会累积。TypeSafe 的 Jev 模型专门处理这类判断：根据预设选项返回分类、评分和概率，再由程序决定下一步。文章附有接入代码，还讲清了如何一次提出多个问题、用真实样本验证效果，以及在模型没把握时转交人工。快来上手试试！
《火爆全网的Jev到底是什么？》今天被一个叫 Jev 的新模型刷屏了。很多人一看到这个名字，脑子里立刻冒出一堆问号：这又是哪个大厂出的新模型？怎么到处都在聊？作者也好好研究了一下，这篇文章给大家详细讲解一下。
《AI应用：得效果者得新进，得关系者得留存》洛小山结合 Alice 的实践，提出了“关系型生产力 Agent”：用实际交付提供每天打开的理由，在长期协作中记住习惯、理解没写进提示词的需求，让任务完成得更贴合用户。文章也给出了具体的检验方法：换模型后风格是否稳定、旧习惯能否准确调用、没有任务时用户是否愿意打开。做 AI 产品和运营的，可以对照这些标准，看看自己积累的是短期吸引力，还是持续协作的信任。
《详解MoE 推理工程》很多人看 MoE 模型，会被“总参数很大、激活参数很小”绕晕：以为计算少了，部署就轻了，真上线才发现显存、KV 缓存、GPU 通信和专家负载不均都在拖速度。想搞定 MoE 大模型推理部署，这篇干货值得细读。
《使用 Jev 构建工具》很多 Agent 跑起来慢、成本高，问题常出在每个小判断都让大模型重新想一遍：工单急不急、该用哪个模型、工具调用有没有风险，都要走完整 LLM 调用。这篇用最近爆火的模型 Jev 讲了一种更轻的拆法，适合做 Agent、客服工单和自动化流程的人看。
《从零开始构建 AI 智能体记忆》很多人给 Agent 加记忆，一上来就想到向量数据库，结果反而没弄清楚：到底该记什么、什么时候取、怎么塞回上下文。这篇文章从零带你手搓一个本地记忆系统，不用 LangChain/LangGraph，只用 Python、Ollama、SQLite、嵌入模型和 LLM。读完你会更清楚“记住”背后到底发生了什么。