AI 找人（People Search）+ Jev：先按 ICP 筛人，再付费查工作邮箱

AI 找人（AI people search）指的是：Agent 把一句自然语言需求，比如“北美 A 轮软件公司的市场负责人”，变成一份带姓名、职位和公司的人员名单。这份名单从来不会干净：搜索会返回相近但不对的职位、规模不在范围内的公司、你不做的地区，以及资料早已过时的人。如果每一行都直接送去查工作邮箱，你就在为根本不会联系的人付查询费，不合适的联系人也会流进你的触达工具。更省钱的顺序是先筛、后补全：Agent 负责搜；Jev 针对每个候选人，按你的理想客户画像（ICP）回答几个简短的类型化问题；只有通过的人才交给 Treg 这类线索补全（lead enrichment）工具去查邮箱、做验证。Jev 不会浏览网页、不会搜索、也不会查邮箱。它是一个只处理文本的判断层：读取你发送的字段，返回概率，让付费那一步只看到你本来就想要的行。本文把这套“Jev 找人”的做法从头到尾写清楚，它和处理入站线索的线索评分、处理多步 Agent 的 Agent 路由可以配合使用。

不要把 ICP 写成一大段提示词，而是拆成三个问题。一个 Noul 问题做“留或删”的决定（这个人符合吗？）。一个有 2–10 个有序等级的 Score，衡量这个人离预算决策人有多近。一个有 2–12 个选项的 Choice，给出候选人不合格的主要原因，并且始终包含 unclear 选项，让信息太少的资料有一个诚实的去处。多问这一个“原因”很值得：如果大多数被淘汰的人都是 wrong_company_size，就该去改搜索条件，而不是每天花钱重复淘汰同样的人。state 里只放判断需要的字段：职位、公司、规模区间、行业、地区和一句话的资料摘要。不要放邮箱、电话、备注或任何敏感信息，也绝不要询问年龄、性别、族裔等受保护特征。state 必须在 8,000 字符以内，一次请求可问 1–8 个问题，问题 ID 以小写字母开头，只能用小写字母、数字和下划线。下面是一个可直接复制的 ICP 示例：一个候选人作为 state、三个问题、一份示意响应，以及四个测试候选人和你应当看到的结果。公开的 Jev Playground（jevmodel.app/jev-playground）不用注册就能试内置示例（每个 UTC 日 3 次）；要按原样跑这三个问题，请登录后打开 Console → Playground，粘贴 state 并添加问题，或者把同样的请求体发到 API。

// Copy-paste ICP screen. POST https://jevmodel.app/api/v1/systemone
// Header: Authorization: Bearer <JEVMODEL_API_KEY>  (key from a verified-email account)
{
  "state": {
    "title": "Head of Growth Marketing",
    "company": "Example Analytics Inc.",
    "company_size": "120 employees",
    "industry": "B2B SaaS, product analytics",
    "region": "Toronto, Canada",
    "summary": "Runs paid acquisition and lifecycle email; reports to the CEO."
  },
  "questions": {
    "icp_fit": {
      "type": "noul",
      "instructions": "Does this person match our ICP: someone who owns or directly influences the marketing budget at a B2B software company with 50-500 employees in the US or Canada?",
      "criteria": {
        "true": "Owns or directly influences marketing spend at a B2B software company of 50-500 people in the US or Canada.",
        "false": "Wrong role, company type, size or region, or not enough information to tell."
      }
    },
    "buying_power": {
      "type": "score",
      "instructions": "Rate how close this person is to the marketing budget decision.",
      "criteria": [
        "Individual contributor with no budget",
        "Manages one marketing channel",
        "Leads a marketing function",
        "VP, CMO or founder who signs marketing spend"
      ]
    },
    "reject_reason": {
      "type": "choice",
      "instructions": "What is the main reason this person does or does not fit the ICP above?",
      "criteria": {
        "fit": "Matches role, company type, size and region.",
        "wrong_role": "Not in marketing or has no say over marketing spend.",
        "wrong_company_size": "Company is outside 50-500 employees.",
        "wrong_industry": "Company is not a B2B software business.",
        "wrong_region": "Based outside the US and Canada.",
        "unclear": "The profile does not give enough information to decide."
      }
    }
  }
}

// Illustrative response shape (example values, not measurements):
// { "code": 0, "data": { "answers": {
//   "icp_fit":       { "noul": 0.9 },
//   "buying_power":  { "score": ... },   // check the returned scale on real responses
//   "reject_reason": { "choice": "fit", "probabilities": { "fit": 0.86, ... } } } } }

// Four test candidates (one request each) and the outcome to expect:
// 1. Head of Growth Marketing, 120-person B2B SaaS, Toronto    -> keep (fit)
// 2. Marketing intern, 120-person B2B SaaS, Austin             -> drop (wrong_role)
// 3. CMO, 8,000-person retail bank, New York                   -> drop (wrong_company_size / wrong_industry)
// 4. VP Marketing, 200-person B2B software company, Berlin     -> drop (wrong_region)

对每个候选人发一次请求，问同样的三个问题，然后在你自己的代码里套阈值。下面的脚本读取 candidates.json（候选人对象数组，结构同上面的 state）和 icp-questions.json（第 1 步里的 questions 对象），调用 API，保留 icp_fit 至少 0.8 且原因为 fit 的行，把 unclear 或处于边界的行写进复核文件，而不是去猜。0.8 只是占位阈值：请按评估指南的方法，用一份已标注样本来定你的阈值。每次调用都是一次普通 API 请求，按 Token 计费，所以不论这个人是否通过，每行的筛选成本都一样；验证邮箱的账号先获赠 100,000 免费 Token，失败的运行会退款。API 没有幂等键，所以在网络出错后重试之前，先记录哪些行已经有了答案。如果不想写代码，Console → Batch 可以对 CSV 或 JSONL 名单跑同样的问题：未购买前每批最多 50 行，购买后最多 1,000 行。

// screen.mjs  (Node 18+: built-in fetch)
// Usage: JEVMODEL_API_KEY=... node screen.mjs
import { readFileSync, writeFileSync } from 'node:fs';

const candidates = JSON.parse(readFileSync('candidates.json', 'utf8'));
const questions = JSON.parse(readFileSync('icp-questions.json', 'utf8'));
const FIT_THRESHOLD = 0.8; // placeholder: set it from a labeled sample

const shortlist = [];
const review = [];

for (const person of candidates) {
  const res = await fetch('https://jevmodel.app/api/v1/systemone', {
    method: 'POST',
    headers: {
      Authorization: 'Bearer ' + process.env.JEVMODEL_API_KEY,
      'Content-Type': 'application/json',
    },
    body: JSON.stringify({ state: person, questions }),
  });
  const json = await res.json();
  if (json.code !== 0) {
    review.push({ person, error: json });
    continue;
  }
  const a = json.data.answers;
  const fit = a.icp_fit.noul; // probability that the candidate fits
  const reason = a.reject_reason.choice;
  if (fit >= FIT_THRESHOLD && reason === 'fit') {
    shortlist.push({ ...person, fit, buying_power: a.buying_power.score });
  } else if (reason === 'unclear' || (fit > 0.4 && fit < FIT_THRESHOLD)) {
    review.push({ person, fit, reason });
  }
  // everything else is a confident reject: no paid lookup
}

writeFileSync('shortlist.json', JSON.stringify(shortlist, null, 2));
writeFileSync('review.json', JSON.stringify(review, null, 2));
console.log('shortlist', shortlist.length, 'review', review.length, 'of', candidates.length);

Treg 官方把它的找人服务描述为“给 Agent 用的找人与线索补全”：一个 Token、一个 CLI，背后接多家数据提供商，按次付费。Agent 可以从目录里自己选提供商，也可以调用路由端点，由 Treg 选定提供商并告诉你是哪家。你调用的是 treg.to 上的托管服务；本文不讨论自行部署 Treg。根据 Treg 的 README，Agent 先安装 CLI 并登录，在目录里搜索所需能力，读取该能力的 schema，然后调用；查工作邮箱是一个路由能力（treg.people.email.find），验证邮箱是单独的一步，单独计费。Treg 官方称，从 LinkedIn 资料链接查邮箱每次调用最低 $0.0005，查不到不收费，这也是它常被当作 LinkedIn 邮箱查询工具（linkedin email finder）来搜的原因；做预算前请先看它的价格表，因为不同路由价格不同。Treg 官方还称，新验证账号在创建符合条件的团队时，可一次性获得 $1.00 免费额度。只把 shortlist.json 交给它。review.json 里的行等人工处理，确定淘汰的行永远不会进入付费查询。把 Jev 的回答和每个联系人存在一起，之后就能看出 buying_power 分数高的人是否真的回复了。Treg 的仓库以 Apache 2.0 加附加条款发布；Treg 官方称调用托管的 treg.to API 是允许的。JevModel 与 Treg 没有关联。

# Treg CLI, as documented in Treg's README (hosted service at treg.to)
curl -fsSL https://treg.to/install.sh | sh
treg login
treg catalog search "find a work email"
treg catalog get treg.people.email.find   # read the input schema before calling
treg balance

# Pass only the rows in shortlist.json produced in Step 2.
# Rows in review.json go to a person; confident rejects are never looked up.
# Verification is a separate, separately billed step in Treg's docs.

搜“Clay 替代”（clay alternatives）或“Apollo 替代”（apollo alternative）的人，通常想要两件事：更低的单个联系人成本，以及少花时间在根本不合适的联系人身上。下表比较三种建名单的方式，讲的是取舍，不是基准测试。单看供应商价格，这里唯一公开的数字来自 Treg 自己：在 Treg 公布的一次测试中，同样的 100 条线索（姓名加公司域名）分别跑了五个工作邮箱工具，并对照各公司公开的邮箱核对。Treg 官方称：Treg 找到 92 个正确邮箱、花费 $0.53；Clay 84 个、约 $3.35；Apollo 77 个、约 $2.24；Deepline 80 个、$2.74；Hunter 84 个、$2.21。折算成每 100 个正确邮箱，Treg $0.58，Clay $3.77，这就是它“比 Clay 便宜 85%”的来源。这些是供应商在自家测试里的数字；Jev 没有参与这次测试，你的名单结果也会不同。无论用哪家补全供应商，先筛选都能降成本，因为进入付费步骤的行变少了。

在信任这套筛选之前，先从你自己的搜索结果里标注 100–200 个候选人“符合/不符合”，跑这三个问题，看看有多少真正符合的人落在阈值下面、有多少不符合的人通过了。然后端到端只盯一个数字：总花费（Jev Token + 查询费 + 验证费）除以“既符合 ICP、又有已验证邮箱”的联系人数。Treg 公布过一次这类运行的账单，日期为 2026-09-23：先列出 50 家 A 轮软件公司，让 Jev 留下符合 ICP 的 27 家，找到每家的市场负责人，再查找并验证工作邮箱，最终得到 20 个已验证邮箱，总计 $0.58，即每条可用结果 $0.029，所有未命中都按 $0.00 结算。这是 Treg 公布的运行结果，不是 JevModel 的测量。在搜索质量上，Treg 官方称：在 LessieAI 的 People Search Bench 中，B2B 拓客任务单用 Claude Code 的正确率为 43%，加上 Treg 后为 78.2%。真正重要的是你自己标注样本上的数字。

当 Agent 批量生成名单、ICP 能用几句话写清楚、而补全步骤按行收费时，就适合用这套做法。如果只有几个点名的目标客户，自己逐个看资料更快，就不必用。筛选要保持克制：只根据职位、公司、规模、行业、地区这些职业事实来判断，绝不依据受保护特征；也不要把个人邮箱或电话发给 Jev，它用不到。遵守你的联系人所在地适用的隐私和触达规则。Jev 只处理文本，且不开源；JevModel 总是通过自己的 API 调用 Jev 模型，因此没有可设置的 model 字段。jevmodel.app/use-cases 的“增长”部分有线索资格判断的示例，jevmodel.app/jev-api 列出了请求限制。JevModel 是独立网站，与开发 Jev 的 TypeSafe AI 没有关联，与 Treg 也没有关联。