Jason Zhu

分享下我的监控思路以及Jev 在整条流水线里的作用 1️⃣ 抓帖子 2️⃣ 打标签 3️⃣ 抽信息 4️⃣ 出日报 5️⃣ 深挖 Jev 用在流水线里的 5 个地方 ① 抽取前过滤 → 决定哪些帖子值得交给 LLM ② 创作者名单 → 判断哪些账号值得加入付费创作者池 ③ 时效过滤 → 剔除过期帖子 ④ 候选排序 → 参与品牌强度评分 ⑤ 营销归类 → 判断属于个人 IP、Campaign、蹭事件、制造事件哪一类 一句话总结：Jev 负责高频、低成本的判断，把昂贵的 GPT-6-astra 留给真正值得深挖的内容

同一个 Agent 里，"现在几点"和"重构整个项目"，凭什么用同一个模型 jev-router 是给 Hermes Agent 写的插件，就干两件事 01｜每轮调用前先选模型 用 TypeSafe 的 Jev 判断这一轮的难度：简单走便宜模型，复杂的、工具调用重的、上下文长的走更强的 判断超时、异常、置信度不够，一律回退主模型，不会把你的对话卡住 02｜压缩上下文必须先裁再压 强制 trim 然后 compress，禁止不裁直接压。保留最近几轮，先丢掉旧的工具噪音，再做摘要 它还有一个默认关闭的自动同意：在人工审批之前，先让 Jev 判断一次 让模型替你点"同意"是危险功能，所以作者把闸修得很死 只有高置信的通过才放行，而且只批当前这一次，不做会话级，不做永久 拿不准、超时、格式不对、异常，全部退回人审，没人就直接拒 你自己配的拒绝规则由宿主提前拦截，插件看不到也放不了行 还有第二道硬禁开关，必须交互式确认风险文案，文案改了要重新确认，手写的确认文件不认 作者自己也写了限制：官方原版 Hermes 没有审批策略接口，这个功能在原版上根本注册不上；离线证明里的压缩是确定性摘要，不等于完整人工验收 这是 Jev 学习群里一位群友刚开源的项目，MIT 协议

已收到OKX的中秋礼盒套装 运动起来😁 https://t.co/7XJTRkXEuQ

想知道一个爆款博主靠什么钩子留住人，最笨的办法是把他所有视频看一遍 Creator Lab 把这件事做成了流水线 Apify 抓一个公开账号的 Reels，Fireworks 或 Groq 转写语音，再让 Jev 给每条脚本打 8 个标签：主题、开场方式、钩子机制、脚本结构、证据类型、情绪诉求、建议具体程度、有没有口播行动号召 然后按主题加钩子组合筛选，对比不同钩子的互动数据，点开任意一条读逐段脚本，直接跳回原帖 脚本还会被切成钩子、铺垫、问题、举例、建议、回报、行动号召，带原文和时间点 几个我很认可的克制 Jev 只看脚本，看不到播放数据，避免被结果带着走 播放和观看分开计数，未知就是未知 作者明确写了：这些对比只描述你选的样本，不能证明某条视频为什么火 全程在本机跑，只绑 127.0.0.1，三家的 Key 全是你自己的，按量付费，Apify 那个花费上限只管 Apify 一次最多拉 1000 条，实际能拿到多少看平台，置顶和试验 Reel 会跳过，纯音乐和几乎没人声的也不进脚本分析 视频里是不用 Key 的合成演练模式，界面上写着数据是合成的 MIT 协议，需要 Node 22.9 以上和 FFmpeg

好像今天开始，启动第一轮原创工资发放 不知道改版创作者收益后，能不能cover我的AI订阅费 https://t.co/1y8bjF94YU