@svpino: Jev 太厉害了！如果你还不知道，Jev 是一个新的 "System One" 模型，针对决策进行了优化。例如…

Jev 非常出色！如果你还不知道，Jev 是一个专为决策优化的新型“系统一”模型。例如，你可以给它一组可能的选项，Jev 会根据这些选项对输入文本进行分类，并为每个选项提供置信度分数。最棒的是：Jev 速度极快且成本低廉，因此你可以将它用于各种应用。我用它构建的第一个工具是一个用来筛选我想参观的酒店的分类器。我使用 @apify 收集数千条评论，然后根据我关心的特定标准，用 Jev 对这些评论进行分类。以前你根本无法可靠地完成这件事，但现在可以了。仓库链接：https://github.com/svpino/hotel-reviews… — # svpino/hotel-reviews 来源：https://github.com/svpino/hotel-reviews # 酒店评论演示 单一脚本：使用 Apify（https://apify.com）收集评论 → 用 Jev 分类 → 将不确定或失败的案例发送给 GPT → 打印最佳酒店及其解释。结果会随着每个阶段的完成而显示：首先是 Jev 自信的分类结果，接着是 GPT Mini 审核不确定案例后的合并分类，最后是结论就绪后的最终分数和获胜者。表格会立即刷新，因此即使在输出被重定向时，它们也会及时显示。需要 Python 3.9+；无需安装任何包。克隆仓库后，在本地 .env 文件或环境变量中配置 APIFY_TOKEN 和 OPENROUTER_API_KEY。sh git clone https://github.com/svpino/hotel-reviews.git cd hotel-reviews python3 hotels.py --reviews 1000 要重复使用已保存的评论并避免 Apify（https://apify.com）费用：sh python3 hotels.py --saved 这将重新运行 Jev、GPT 审核和裁决；但模型费用仍然适用。只需 OpenRouter 密钥即可。添加 --reviews 100 以使用较小的样本；完整的已保存评论池会保留供后续运行使用。如果不指定数量，则会使用当前 HOTELS 列表的所有已保存评论。脚本也会读取父目录的 .env 文件。环境文件、收集的评论和生成的结果不包含在 Git 中。在 hotels.py 顶部编辑 HOTELS 以选择任何目的地的酒店。仅考虑这些酒店。GPT 模型是通过 OpenRouter 调用的 openai/gpt-5-mini，配置在 GPT_MODEL 中。--reviews 是目标总评论数（包含文本），涵盖所有酒店。收集过程会额外获取一些，以允许仅有评分的评论，然后跨酒店选择。如果可用数量不足，则会报告短缺情况。Apify（https://apify.com）有 10 美元的收集上限；Jev 和 GPT 的使用单独计费。Jev 处理置信决策。标签不明确、置信度低于 0.9 或遇到 API 错误的评论会发送给 GPT，它会根据原始文本重新分类两个主题。表格结合了最终标签，显示发送给 GPT 的评论数量，并标记任何仍未解决的情况。未提及不代表体验良好。排名对“Wi-Fi”和“噪音”两个主题的权重各占 50%。每个主题的得分为 100 × (正面评价 + 1) / (正面评价 + 投诉 + 2)；添加的计数用于平滑非常小的样本量。酒店分数是两个主题的平均值。两个主题都至少需要一个明确的正面或负面提及才能参与排名。平局报告为共同获胜者；如果没有酒店有足够的证据，演示会说明。这是一个简单的排名规则，并非衡量酒店好不好的概率。GPT 使用最终计数（包括稀疏证据和未解决的情况）来解释计算出的获胜者。它不能更改排名，也不能考虑价格、位置或 HOTELS 之外的酒店。裁决是基于这些抽样评论的最佳支持选择，并非保证。评论文本、两个模型的响应、费用、错误、分数和裁决都保存在 data/results.json 中，每次运行都会覆盖。API 密钥不会出现在该文件中。API 参考：OpenRouter（https://openrouter.ai）上的 GPT-5 mini（https://openrouter.ai/openai/gpt-5-mini），结构化响应（https://openrouter.ai/docs/guides/features/structured-outputs）。 ## 流程图 ## 测试 sh python3 -m unittest discover -s tests -v