最近在研究一个我觉得挺有意思的问题： 现在很多 LLM 应用遇到信息不完整、存在歧义的时候，往往还是会直接“猜一个答案”。但真实业务里，很多时候我们并不希望 AI 猜。
比如： “王老师说下周四 8:00 到单位，具体讨论时间看你安排。这里其实存在很多不确定性： 8:00 是见面时间，还是她到单位的时间？
应该直接创建 8:00 的日程吗？还是应该先追问确认？
所以我最近做了一个小项目： Jev AI Playground 。目前主要想实验三种 primitive： Live Choice ：让 AI 在几个候选项之间做结构化选择 Noul ：处理信息不足、歧义和需要进一步确认的情况 Score ：对候选结果进行评分 我的想法不是再做一个 ChatGPT 套壳，而是尝试把 LLM 的一些“不确定决策”从自由生成里拆出来，变成更容易控制和验证的流程。
现在做了一个可以直接体验的 Playground： Jev AI Playground： /ai-market-guide/ 目前还是比较早期的版本，主要想验证： 这三种 primitive 是否真的容易理解； Playground 能不能让开发者快速理解 Jev 在解决什么问题； 哪些真实场景最适合这种方式。如果你平时也在做 Agent / AI Workflow / LLM 应用，很希望听听大家的意见。
尤其想知道： 你们实际开发 AI 应用的时候，有没有遇到过“模型不应该猜，而应该停下来判断 / 追问”的场景？欢迎拍砖。