KeyFrame內部研究專用

Jev + Treg is a crazy combo for automation...

AI Jason中文
觀看原始影片

三句話摘要

介紹 Jiff 模型如何透過結構化輸出與置信度分數,驅動經濟可行的商業自動化工作流。 Jiff 透過結構化輸出與置信度分數,使商業自動化從成本障礙轉向經濟可行,特別是配合資料 API 後,開啟詐欺偵測、客戶分類、內容審核等大規模自動化的新時代。 Jiff 的設計哲學差異 — Jiff 不生成文本或程式碼,而是在給定選項間進行高準確度決策,並輸出置信度分數。這讓企業能基於機率分佈建立可靠的自動化邏輯,而非盲目信任模型判斷。

重點整理

  1. Jiff 的設計哲學差異 — Jiff 不生成文本或程式碼,而是在給定選項間進行高準確度決策,並輸出置信度分數。這讓企業能基於機率分佈建立可靠的自動化邏輯,而非盲目信任模型判斷。

  2. 經濟性突破 — Jiff 結合 Track 資料 API,使原本因成本高昂而不可行的大規模自動化變得可行;例如掃描 500+ 頁面完成內部連結映射只需 50 秒,偵測 400 個潛在客戶的成本接近零。

  3. 三種問題類型的靈活應用 — 多選題(部門路由)、是非題(詐欺偵測)、評分題(內容驗證),搭配詳細指示與範例,讓模型回答更精準對齊,類似少樣本提示效果。

  4. 實際工作流整合 — 將 Jiff 與資料豐富化、即時監控、瀏覽器自動化結合,構建端對端自動化流程,如網站註冊詐欺偵測、Twitter 內容真偽分類、潛在客戶主動識別等。

實用技巧與重點

  • 效能對比
  • Jiff 比 GPT 4o、Claude Opus、Llama 等快 5-7 倍、便宜 5 倍
  • 上下文窗口:32K
  • 三種問題類型
  • 多選題:多個選項+描述,輸出各選項的機率分佈
  • 是非題:用於二元決策(如詐欺偵測、提示詞注入防護)
  • 評分題:多級評分(如內容真偽度評分)
  • 應用案例具體數據
  • 內部連結映射:500+ 頁面掃描 < 50 秒
  • 網站註冊分析:每天數百筆掃描,每天成本 $1
  • 潛在客戶識別:20 個貼文、400 位潛在客戶,成本近零
  • Track 人員豐富化對比:290 人 $1.49(Track)vs $10.3(Clay)
  • 簽約驗證:簽約詐欺自動封禁流程
  • 工具與平台
  • Jiff 模型(結構化輸出模型)
  • Track:資料 API 聚合平台,連結 3000+ 資料點源
  • Claude Code / Codex:腳本撰寫環境
  • 資源:track.to/jiff(工作流範本與提示詞)

結論

Jiff 透過結構化輸出與置信度分數,使商業自動化從成本障礙轉向經濟可行,特別是配合資料 API 後,開啟詐欺偵測、客戶分類、內容審核等大規模自動化的新時代。

完整解析

Jiff 是為應對大型語言模型在商業自動化領域的兩大痛點而生的模型。首先,通用大型語言模型容易過度自信,輸出明確錯誤的判斷而不自知,這對要求近乎 100% 準確度的商業工作流(如計費爭議、詐欺偵測)風險過高。其次,規模化應用通用模型的成本與速度難以平衡——多數商業流程涉及大量資料處理,昂貴的模型調用會讓自動化經濟上無法接受。

Jiff 的核心創新在於改變輸出方式。它不預測文本,而是在給定選項間輸出機率分佈。使用者傳入任務描述(稱為「狀態」)與結構化問題(多選題、是非題或評分題),Jiff 則回傳各選項的置信度分數。這帶來三個優勢:速度快 5-7 倍(因為無需逐字元生成),成本便宜 5 倍,且置信度分數允許企業據此建立決策樹——例如詐欺機率 > 70% 自動封禁,35%-70% 人工審查,< 35% 通過。

講者的團隊已將 Jiff 整合進多個生產工作流。在網站註冊詐欺偵測中,每 15-30 分鐘抓取新帳戶及其產品使用紀錄,讓 Jiff 分類詐欺機率。超過閾值自動封禁。後來擴展為全面的註冊分析系統:先用 Track API 驗證郵件並豐富人員資料,再將所有資訊傳給 Jiff,分類用戶為詐欺、具上漲值或影響力合作夥伴。因為 Jiff 與 Track 極便宜,掃描數百筆註冊每天僅需 $1,使這類自動化在經濟上首度可行。

第二個應用是潛在客戶篩選與主動識別。透過 Track 抓取特定垂直領域的熱門 LinkedIn 貼文,找出互動用戶(高意圖潛在客戶),再用 Jiff 分類與評分,並分群為不同人設與角色。分析 20 則貼文、篩出 400 位潛在客戶的成本幾乎為零,開啟了大規模主動尋客的可能。第三個應用是內容真偽分類——抓取過去 24 小時的熱門 Twitter 貼文,用 Jiff 篩選出與產品發佈相關、且看似自然發展(非付費推廣)的內容,幫助創辦人識別真實的業界訊號。講者還將此包裝為免費工具,貼上任何推文 URL 即可查看真偽分析。

使用 Jiff 的訣竅包括提供詳細的問題描述與選項說明、甚至在選項中加入範例(類似少樣本提示)。不同的指示會導向不同結果——簡單指示可能路由客服單到計費部門,但若指示強調「根本原因修復」則可能路由到技術部門。Jiff 的機率分佈輸出,加上 Track 廉價的資料聚合能力,根本改變了許多自動化流程的經濟學。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。