EP227：使用 Jev 的九大最佳场所
AI 代理能生成代码，但难点在于如何让代码契合现有系统、遵循团队规范并延续历史决策。往往因此陷入反复纠错的循环，白白消耗时间与 Token。
更多的 MCP、规则或更大的上下文窗口，只是让代理“看到”信息，而非“理解”信息。领先团队已构建起一层上下文层（Context Layer），精准为当前任务提供代理所需的信息。
10 月 7 日，加入我们的免费网络研讨会，你将看到：
团队在 AI 成熟度曲线中常遇瓶颈的环节，以及为何常规修复手段效果有限
上下文层如何提升质量、效率并降低成本
现场演示：同一编码任务在有/无上下文层时的对比效果
若希望最大化 AI 代理的价值，这场值得你花时间参加。
本周系统架构设计回顾：
Jev 的 9 大最佳使用场景
LLM、RAG、AI 代理与 Agentic AI
前 YouTube 工程师 45 分钟重建 YouTube（Youtube）
MCP 与 Function Calling 对比
如果 Claude Code 是一个汉堡……
Jev 的 9 大最佳使用场景
Jev 是 TypeSafe AI 推出的首个 System One Model，比前沿 LLM 速度快 100 倍、成本低 100 倍。
这解锁了大量以往因大模型太慢或太贵而被搁置的用途。
以下是用 Jev 替代 LLM 的 9 个首选场景：
模型路由。Jev 接收提示词，将其分发给最合适的 LLM。
护栏机制。先检测提示词中的安全风险，再传递给 LLM。
工具调用门控。对 Agent 的工具调用进行分类，匹配相应的权限类别。
收件箱分诊。将大量邮件归类（如垃圾邮件、紧急事项、归档等）。
重排序。根据查询（提示词）对段落进行评分，按相关性排序。
LLM 评估。评估 LLM 的输出，返回一个指定范围内的分数。
批量标记。以 map-reduce 的方式，快速且低成本地为大型表格中的海量行打标签。
实时决策。适用于循环中需要快速决策的场景（如交易）。
置信度门控。基于置信度对任意内容进行分类，并做出相应处理。
核心原则是：用 LLM 负责内容生成，用 Jev 处理生成周边的决策逻辑。
除了上述场景，还有哪些地方适合用 Jev 替代 LLM？
LLM、RAG、AI Agent 与 Agentic AI
LLM：LLM 接收用户提示词，基于学习到的参数生成响应。它通过逐个预测 token 来实现。
RAG：在 RAG 中，用户查询先经过检索器。检索器从索引的知识库中获取相关信息，并与查询一起传给 LLM。LLM 会生成基于检索内容的回答，但不保证绝对正确。
AI Agent：拥有明确目标，并持续追踪当前任务状态。它能规划下一步行动，调用工具，获取结果，观察反馈，并循环迭代直至目标达成。这种反馈循环使 Agent 能根据结果动态调整行动。
Agentic AI：让一个或多个 AI agent 围绕共同目标协同工作，就构成了 agentic AI 系统。其实现依靠规划、工具使用和反馈机制。你需要加一层编排层，用来协调多个 agent 和工作流之间的工作。Agent 会读写共享的任务状态，并能访问工具、数据和环境。
前 YouTube 工程师 45 分钟重建 YouTube
MCP 与 Function calling 对比
MCP 和 function calling 有很多相似之处，这让不少工程师感到困惑，下面做一个并排对比。
两者都是让 LLM 访问工具的机制。Agent 运行时把 prompt 发给 LLM，LLM 决定使用哪个工具，并发出工具调用请求。
然后 agent 运行时负责执行工具调用，把结果返回给 LLM 继续处理。最后 LLM 生成最终输出，展示给用户。
两者的区别在于函数在哪里实现，以及 agent 如何处理执行。本地 function calling 中，函数在用户本地机器上实现，由 agent 运行时执行并接收结果。
而在 MCP 中，函数可以在用户机器之外，运行在某个远程服务器上。Agent 运行时遵循 MCP 协议调用对应的服务器，执行在远端完成，结果再传回 agent 运行时。
这样一来，你的 agent 就能连接成千上万种公开实现、远程托管的工具。
留给你一个问题：有哪些好用的 MCP 资源值得推荐？
如果 Claude Code 是一个汉堡……
每次调用模型之前，Claude Code 都会从 9 个不同的来源组装上下文窗口。
可以把它想象成一个汉堡，每一层都贡献不同的东西。
System Prompt：定义 Claude 的角色、行为风格和语气，奠定整个系统的基础。
Environment Info：包含 Git 状态、分支信息及当前日期，通过 getSystemContext() 获取。
CLAUDE.md：采用四级指令层级：managed → user → project → local。纯文本 Markdown 格式，方便用户阅读、编辑并对模型可见内容做版本控制。
Auto Memory：预取上下文相关的记忆条目（异步加载）。由 LLM 扫描记忆文件头，按需呈现至多 5 个相关文件。
Path-scoped Rules：条件规则，仅在 Agent 读取文件时惰性加载。
Tool Metadata：包括 Skill 描述、MCP 工具名称及延迟加载的工具定义。
Conversation History：在多轮迭代中向前传递。
Tool Results：文件读取结果、命令输出以及子 Agent 摘要。
Compact Summaries：当历史记录过长时，旧段落会被模型生成的摘要替代。
Rebuild Youtube Live Course Start Today
Rebuild YouTube with AI 课程将由前 YouTube 工程师授课，于 9 月 26 日（周六）开课。报名通道 24 小时后关闭。
你将学到
规划一个现实的 MVP。决定要构建哪些 YouTube 功能，并将任务拆解为可管理的单元。
与智能体协作。规划变更，审查生成的代码，并在出现错误差异或会话偏离方向时快速恢复。
全栈开发。将设计稿转化为 React 页面，并构建基于 Postgres、认证和上传视频功能。
添加语义搜索和关联视频。使用多模态嵌入，并理解这种方式与生产级推荐系统的区别。
测试与部署应用。使用 Playwright 验证功能，部署到 Vercel，并在管理后台追踪用户观看时长。