[實作] Jev × Treg：註冊審查、找名單、掃熱門貼文
一、先把兩個工具的工作切開
Jev 是一個決策模型：它從你給的選項中挑答案，回傳每個選項的機率，而不是寫一段文字。這讓程式能直接拿機率設門檻，不必再解析模型寫出的句子。
Treg 則是給 agent 用的資料與工具路由器。影片裡拿它驗證信箱、補人物與公司資料，也拿來抓 LinkedIn、X 的貼文、互動與留言。
- Treg 先把外部資料抓回來。
- 程式把資料整理成 Jev 的
state。 - Jev 一次回答
choice、是非與評分題。 - 程式依門檻執行、送人工複核，或繼續補資料。
二、先定門檻，再談自動化
影片用提示注入偵測當例子：危險機率高於 0.70 就執行阻擋；介於 0.35 和 0.70 交給人看；更低才放行。這兩個數字是示範規則，不是所有產品都能照抄的安全標準。
真正值得抄的是結構：高把握才自動做，灰區保留人工處理，並把每次輸入、機率、門檻版本與最後動作留下紀錄。
三、流程一：網站註冊審查
Jason Zhou 團隊原本每 15～30 分鐘抓一次新註冊與產品使用紀錄，讓 Jev 判斷詐騙風險。後來又加上 Treg 的信箱驗證、人物與公司補資料，把同一條流程擴成註冊分流：
- 信箱無效或明顯可疑：停止或保留觀察。
- 有公司背景、職稱與使用訊號：判斷是否值得升級接洽。
- 個人品牌或特定角色：放進合作／聯盟名單。
- 把結果送到 Slack，讓團隊看到判斷依據與使用狀況。
片中表示，這套流程可每天掃數百筆註冊，約花 1 美元。這是講者團隊的使用結果，實際成本會受資料來源、命中率與欄位數量影響。
四、流程二：從貼文互動找到可能的買家
做法不是先買一大包名單，而是從「正在談這個問題的人」往回找：
- 用 Treg 找特定主題的熱門 LinkedIn 貼文。
- 抓按讚、回覆或留言的人，合併重複身分與互動訊號。
- 把職稱、貼文脈絡、互動內容與產品描述交給 Jev。
- 評分契合度，分類角色，只替前段名單補聯絡方式。
影片示範處理 20 篇貼文、接近 400 位名單。重點是先篩再補資料，避免每一筆都付完整 enrichment 成本。
五、流程三：每天掃熱門產品貼文
第三條流程會抓過去 24 小時的熱門 X 貼文、作者資料、互動統計與前段留言，再讓 Jev 判斷：
- 是不是產品發表，而不是一般熱門話題。
- 互動看起來較像自然擴散、付費推廣，或可疑操作。
- 哪些貼文值得進入每天的觀察清單。
這能當研究排序器，不能當詐欺鑑定。互動率、粉絲數與短留言都只是訊號；模型判成「付費」也需要回頭看來源與實際活動。
六、照著做時，先補這四件事
- 先問清楚需求。 Treg 的 Jev 頁面有可複製提示詞，但它們明寫是參考做法；資料來源、判斷標準、輸出位置與預算仍要換成自己的答案。
- 把判斷介面固定。 無論先用 agent 代判或直接接 Jev，都維持同一組
{state, questions}輸入與機率輸出，之後替換才不會重寫整條流程。 - 限制單次輸入。 影片說 Jev 上下文為 32K；Treg 頁面目前寫約 30K tokens。超過就切批，或先摘要再判斷。
- 先建稽核與復原。 留下來源資料、模型版本、機率、門檻與動作；誤判時要能撤銷、補跑或轉人工。
七、這支影片真正可帶走的設計
Jev 不是把整條工作流吃掉，而是卡在最需要判斷、又不能一直叫大型模型寫長文的節點。Treg 把外部資料整理進來；Jev 回機率；你的程式負責門檻、預算、人工覆核與實際動作。
片中的速度、成本、準確度與「已上線」說法都來自講者或 Treg 頁面，未在本文另行驗證。正式投入封鎖帳號、寄信或修改客戶資料前，仍要先跑離線測試與人工抽查。
※ 來源：AI Jason — Jev + Treg is a crazy combo for automation...（2026-09-21，14:29）
※ 實作提示：treg.to/jev｜程式碼：github.com/superdesigndev/treg