AI 不再‘说话‘，只做‘决定‘：Cloudflare Clef 与 AWS Decider，如何用半个月把‘决策模型‘变成了一个新品类-北京尧图网络

引言：一个正在颠覆 Agent 架构的"安静"革命先问你一个问题：当你在一个 AI Agent 里问"这条客服工单紧急吗？该转给哪个团队？"，最合理的做法是什么？过去两年的标准答案是：把它丢给一个大语言模型（LLM），让它"写"一段文字，再靠解析 JSON、正则、或者某种后处理来解读结果。这套流程既慢、又贵，还极不稳定——你永远不知道模型下一次会在哪多回一段废话，或者把答案格式写歪。但 2026 年 10 月 1 日，有两家巨头在同一天，各自给出了一套截然不同的答案。Cloudflare 发布了开源多模态决策模型 Clef 与 Clef-flash；几乎同时，AWS 的 Strands Labs 也发布了开源的 Strands Decider 2B。这两款模型有一个共同的核心特征：它们不生成任何文字，只返回带校准概率的、类型化的决策结果。换句话说——AI 开始从"开口说话"转向"直接做决定"。更关键的是，这不是孤例。往回看时间线：TypeSafe 的 Jev System One 在 9 月 15 日引爆"决策模型"概念，9 月底 OpenAI 跟进推出 Decisions API（基于 GPT-6 Luna），10 月 1 日 Cloudflare 与 AWS 同日下场。一个从创业公司命名，到巨头集体跟进，前后只用了半个月。开源社区昨天还在问"这不就是个分类器吗"，今天巨头们已经用真金白银告诉你：这个"分类器"被重新定义成了一个新品类，名字叫「决策模型」，它正是 Agent 架构里一直缺的那一层。这篇文章，我想认真拆三件事：第一，决策模型和传统 LLM 到底有什么本质区别、为什么它更便宜更快；第二，以 Cloudflare Clef 为解剖样本，看它背后的架构（冻结骨干 + 联合 schema 头 + 非自回归打分）到底怎么做到"不生成文字"；第三，把 Cloudflare、AWS、OpenAI、Jev 放到一张竞速图里，聊聊当一个新品类在全球巨头之间疯狂蔓延时，意味着什么。一、先分清两种路线：生成式 LLM 与决策模型要理解这场革命，必须先分清两条技术路线。我用一张图把它们严格的界限划出来：┌────────────────────────────────────────────────────────────┐ │ │ │ 生成式 LLM（Generative LLM） │ │ ───────────────────────── │ │ · 输入 prompt ──► 逐 token 解码 ──► 输出一整段自由文字 │ │ · 你需要：解析 JSON / 正则 / 后处理，出错就重试 │ │ · 适合：写代码、对话、复杂推理、创作 │ │ · 特性：什么都能答，但慢、贵、输出不确定 │ │ │ │ 决策模型（Decision Model） │ │ ───────────────────────── │ │ · 输入 state + 一组带类型的问题 ──► 返回每个合法选项的概率 │ │ · 不需要：解析，不产出自由文字，只有结构化、带校准概率的答案 │ │ · 适合：路由、工具选择、guardrail（护栏）、分类、二值判断 │ │ · 特性：只回答"边界内"的问题，快、便宜、输出确定 │ │ │ └────────────────────────────────────────────────────────────┘用一句话概括：决策模型不做"自由发挥"，它在固定的题型里，给出"哪个选项、多大置信"的结构化判断。TypeSafe 的 Jev 打出过一个经典定义了"System One"：不用 LLM 的"慢思考",而是用一套快速的、只输出概率的决策系统来处理 Agent 里最高频、最重复的判断。Cloudflare 的 Clef 延续了同一套哲学，但加上了自己的两个结构差异。我用一个客服场景看它们分别怎么工作，差异一目了然：【场景】判断一条工单是否紧急、该转给哪个团队传统 LLM：输入 → "这只工单紧急吗？" → LLM 写一段："根据描述，这条工单比较紧急，建议转给结算团队。" → 你写函数解析文本，抽取"紧急"和"结算团队" → 解析失败 → 重试 → 又慢又贵又不确定决策模型（Clef）：输入 → state={工单内容} + questions={ is_urgent: boolean, team: choice[结算, 客服, 技术] } → 返回 { is_urgent: 紧急概率92%, team: 结算83% / 客服15% / 技术2% } → 代码直接用概率路由：80% → 自动派单+升级 → 无需解析，当场就能用，热路径上可做看到区别了吗？传统 LLM 是在"写作文"让你去读懂，决策模型是在"给答案"让你直接用。对 Agent 里那些每天都在发生的、重复的判断（要不要把这个请求拦下来、这个分类是恶意还是正常、该调用哪个工具），决策模型的体验是革命性的——你不用再写一堆又脆又容易炸的解析逻辑，可以直接拿概率去设阈值、去路由、去触发动作。二、解剖 Clef：它怎么做到"不说话只打分"的好，理解了概念，我们来挖 Cloudflare Clef 的工程内核，因为它是目前解剖"决策模型"最完整的一个样本。我把它的架构结构画出来：┌────────────────────────────────────────────────────────────────┐ │ Cloudflare Clef 架构示意图 │ ├────────────────────────────────────────────────────────────────┤ │

AI 不再‘说话‘，只做‘决定‘：Cloudflare Clef 与 AWS Decider，如何用半个月把‘决策模型‘变成了一个新品类

相关推荐

工业嵌入式存储方案：MRAM与瑞萨RA4 MCU的SPI驱动与掉电保护实践

嵌入式字库解耦实战：基于SD卡灌SPI Flash的LCD显示方案

Linux基础命令别只背：路径、进程与日志排查的一次小实验

更多资讯

VS Code插件开发实战：定制你的DeepSeek编程助手

SaaS架构设计实战：多租户隔离、计费与弹性伸缩落地指南

DeepSeek-Coder私有编程助手实战：中小团队代码即服务落地指南

影视IP改编提示词工程：深度思考模型拆解原著与剧本结构

网-商-车三方协同调度：多主体演化+主从混合博弈实战

当下值得推荐的SEO优化企业，究竟有哪些？

今日更新

插件加载失败深度解析：从did not activate到生命周期排查指南

SpringBoot+Vue+MyBatis企业级房屋租赁管理系统源码解析

企业核心数据灾备自动化：用 OpenClaw 备份到本地 + 云端 + 离线存储的 TaoToken 统一通道实践

本周精选

CMOS设计三大物理效应：体效应、沟道长度调制与亚阈值导电

微信小程序在线阅读毕设全解析：Java后端+MySQL+避坑实战

Android音频问题五层分析法：从App到Codec的系统化诊断

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？