از نظر کاربرد Decision Modelها , قضیه دیگه فقط چند Demo نیست و چند الگوی مشخص واقعاً وارد محصول و فرایندهای کاری شدن.

• توی Search و RAG**، استارتاپ Knowviq الان از Jev داخل محصولش استفاده می‌کنه: نتیجه‌های جست‌وجو رو از نظر ارتباط امتیاز می‌ده، تک‌تک جمله‌های جواب رو با شواهد چک می‌کنه و در نهایت تصمیم می‌گیره اصلاً سؤال با اطلاعات پیدا‌شده قابل پاسخ هست یا نه. برای مقایسه Jev با Clef، d1 و مدل Perplexity هم ۹۳۸ بررسی واقعی از ترافیک خودش رو بازسازی کرده که حدود ۹۳۰۰ تصمیم مستقل می‌شده.
https://knowviq.com/blog/decision-models

• توی **امنیت**، خود Cloudflare داره Clef رو داخل تیم Threat Intelligence آزمایش می‌کنه تا سایت‌ها رو مثلاً به فروشگاهی، فیشینگ، مد و بقیه دسته‌ها تقسیم کنه. در آزمایش منتشرشده‌شون، کل فرایند دریافت، Render و دسته‌بندی یه سایت با Clef حدود ۲.۲ ثانیه طول کشیده، در حالی که همون مسیر با `gpt-oss-120b` حدود ۴.۷ ثانیه بوده. یعنی Decision Model اینجا فقط جای یه classifier ساده نیست؛ بخشی از یه فرایند امنیتی واقعی شده.
https://blog.cloudflare.com/clef-decision-models

• توی **انتشار محتوا هم یه نمونه خیلی ملموس داریم. Thorsten Meyer گزارش کرده سه Decision Model workflow رو در عملیات نشر خودش اجرا می‌کنه و تا الان حدود ۹۰ هزار تصمیم گرفته شده: تشخیص اینکه یه خبر به کدوم سایت مرتبطه، تشخیص زبان مقاله و یه classifier جایگزین برای موضوع مقاله. فقط در یکی از این کارها ۷۸٬۸۸۹ مقاله با هزینه گزارش‌شده ۲.۰۱ دلار بررسی شدن؛ حدود ۱۰ هزار تطبیق «خبر ↔️ سایت» هم طی سه روز انجام شده.
https://thorstenmeyerai.com/reality-check/24-ways-to-use-jev-a-decision-model-playbook/

• توی مسیردهی (routing) بین مدل‌ها و Agentها هم این ایده عملاً تبدیل به محصول شده. OpenRouter الان Jev Router داره که برای هر درخواست مدل و میزان استدلال مناسب رو انتخاب می‌کنه. در پروژه‌های Open Source مربوط به Claude Code هم Jev برای کارهایی مثل بررسی ایمنی قبل از اجرای Tool، انتخاب اندازه مناسب Sub-agent و تشخیص اینکه Agent واقعاً کارش رو تمام کرده یا نه استفاده شده.

• توی پشتیبانی مشتری، Lead qualification و Moderation هم الگو تقریباً یکیه: به‌جای اینکه برای هر تیکت یا پیام یه LLM کامل اجرا بشه، Decision Model چند سؤال محدود مثل «برای کدوم تیمه؟»، «چقدر فوریه؟»، «نیاز به بررسی انسان داره؟» یا «با این Policy تضاد داره؟» رو هم‌زمان جواب می‌ده. Cloudflare این‌ها رو جزو کاربردهای اصلی Clef معرفی کرده و ابزارهایی مثل Vercel AI Gateway هم Jev رو مشخصاً برای routing، بررسی ریسک و guardrail داخل Agent loop ارائه کردن.

نکته مشترک تقریباً همه این استفاده‌های واقعی هم اینه که Decision Model آخرین صاحب اختیار نیست. وقتی confidence بالاست، کد خودش مسیر رو ادامه می‌ده؛ وقتی مدل مطمئن نیست، پرونده می‌ره برای LLM قوی‌تر یا انسان. یعنی کاربرد اصلی این مدل‌ها حذف کامل LLM نیست، بلکه حذف هزاران LLM call ساده و گرون از وسط سیستم و نگه‌داشتن مدل‌های بزرگ برای جاهاییه که واقعاً استدلال یا تولید لازم داریم.

به نظرم مهم‌ترین نکته اینه که Decision Model قرار نیست جای LLM رو بگیره. داره اون بخش‌هایی از سیستم رو می‌گیره که جواب باز نمی‌خوان؛ فقط یه تصمیم سریع، ارزان و قابل‌استفاده توسط کد می‌خوان.

احتمالاً معماری خیلی از Agentها به این سمت می‌ره: LLM برای برنامه‌ریزی و تولید، Decision Model برای صدها تصمیم کوچک وسط مسیر.
🛠 Join @LLMEngineers Community