微信牛牛机器人 两条路线"扩展而来——从两条路线扩展到四条，再加一个客户端和一份生产样本
这个标题是张善友（腾讯云 MVP、.NET 社区领军人物）最新的文章，从他之前"Jev 决策在 .NET 的
两条路线"扩展而来——从两条路线扩展到四条，再加一个客户端和一份生产样本。
结合之前的信息，我帮你把四条路线拆出来：
---
四条落地路线
| 路线 | 方案 | 模型 | 特征 |
|:----:|:----|:----|:----|
| ① 大模型路线 | TensorSharp | DiffusionGemma 26B-A4B | 纯 .NET 推理引擎，单步去噪读概率，稀疏输出投影，支持图片输入[citation:web:58.27] |
| ② 小模型路线 | Sezika（IoTSharp 开源） | mmBERT-base 级编码器+决策头 | 纯 C#，Native AOT，决策头直接打分，不去噪[citation:web:58.37] |
| ③ API 调用路线 | Jev HTTP API / LocalJev | TypeSafe AI 云端 / 本地 chat 模型 | 标准 JSON 生成+解析，兼容 Jev systemone 协议 |
| ④ 混合编排路线 | 前两者的级联 | 小模型初筛 → 大模型兜底 | 先 Sezika 快速判断（低置信度再转 TensorSharp） |
---
一个客户端
指 Jev 兼容的 HTTP 客户端——无论后端是 TensorSharp 还是 Sezika，都暴露统一的 POST /v1/systemone 端点，客户端用同一套协议调用，可以无缝切换后端[citation:web:58.38]。
一份生产样本
TensorSharp 的 PR #225 提交了 40 个文件、+4173 行代码，包含完整的 Jev 请求解析、模板编译、并发门控、推理调度和一整套基准测试工具[citation:web:58.20]。
---
最有意思的一点
文章最后提到，翻这两个项目的文档时，印象最深的不是性能数字，而是两边都在反复强调同一件事[citation:web:58.33]：
"模型给出的概率只是概率，没校准过就不是正确率。"
Sezika 把每个答案都标上 uncalibrated
TensorSharp 在文档里专门写"条件置信度不是经验校准的正确率，上线前请用自己的数据评估"
判断引擎接入业务的门槛从来不在 API 好不好调，而在你敢不敢信它。这两个项目至少在这点上很清醒——先把丑话写进协议里，再谈怎么用。这和你在做 Skill 时说的"规则的触发精度比数量更重要"是同一个道理——信任边界要先划定，再谈能力。
牛牛机器人 / 牛牛算账机器人版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！