awesome-jev-zh
agent
Pass
Health Pass
- License — License: CC0-1.0
- Description — Repository has a description
- Active repo — Last push 0 days ago
- Community trust — 16 GitHub stars
Code Pass
- Code scan — Scanned 4 files during light audit, no dangerous patterns found
Permissions Pass
- Permissions — No dangerous permissions requested
No AI report is available for this listing yet.
Jev / TypeSafe System One 中文精选列表：官方资料、SDK、爆款应用、Agent 工具、开源复现与独立评测，附中文上手指南，每日自动收录 GitHub 热门项目。
README.md
Awesome Jev ZH
Jev 不生成文本。 第一次看到这句话时我以为是个缺陷，后来才发现这正是它的设计核心。
它的用法是：给它一段 state（一封邮件、一行日志、一个工单），再给它几个带类型的问题，它在 70–500ms 内一次性答完——从你给的选项里选一个、在你给的量表上打一个分、或者给出一个 0 到 1 的概率，每个答案都附带一个置信度。输入 $0.042 / MTok，输出不计费。
它的边界也很清楚：要写文案、要总结文章、要解释判断理由，LLM 仍然是更合适的工具。这一条后面还会出现好几次。
那它解决了什么？整理这份列表的过程中，我越来越确信一件事：我们今天写的很多 LLM 调用，本质上只是在做选择题。 拼 prompt、逐 token 生成、剥掉 markdown 代码块、json.loads、校验 schema、失败了再重试——绕这么大一圈，只为了拿回 "billing" 这一个词。这段代码我自己写过不止一次。Jev 想省掉的就是这一圈。
另外有两个数字想先摆出来，免得看完才发现：「快 193 倍」来自 TypeSafe 自己的评测，官方也标注了那是收益上限；而独立评测里，在钓鱼邮件这个具体任务上，直接问它一句只有 62.6% 的准确率，两行正则规则能到 91.8%。完整数据在 冷静看待 一节。
这是 Jev 生态的中文精选列表，外加两份中文指南和一份 图解说明。
非官方整理，与 TypeSafe AI 无隶属关系 · Jev 于 2026-09-15 开放 early access · 所有厂商自评数据都标注了出处
目录
入门 — 官方资源 · Jev 是什么 · 上手 · 规格与定价 · 该用与不该用 · 中文指南
项目 — 热门自动榜 · SDK · 应用 · Demo · Agent 工具 · 复现与评测
资料 — Cookbook 与模式 · 文章 · 社区 · 冷静看待
📘 官方资源
官方文档写得相当清楚。真要弄懂这个模型，这里是最短的路径；二手解读（包括这份列表）只能算补充。
| 资源 | 说明 |
|---|---|
| TypeSafe 官网 | 官网、waitlist、产品介绍 |
| 文档首页 | 入门、原语、模式、API、SDK |
| Quick start | 最短上手路径，下面 上手 一节是它的中文版 |
| Playground | 浏览器里粘 state、加问题、看类型化结果 |
| API Keys 控制台 | 拿 TYPESAFE_API_KEY |
| HTTP API 参考 | POST https://api.typesafe.ai/v1/systemone |
| Models | 模型 ID、价格、上下文与速率限制 |
| Confidence | 置信度的语义与用法，必读 |
| State 概念 | 怎么组织喂进去的状态 |
| System One 概念 | 这类模型到底是什么 |
| How to build with TypeSafe | 官方的架构心法 |
| 用例地图 | 官方列的适用场景全景 |
| AI 入门读本 | 给非 ML 背景工程师的铺垫 |
| Jev 1.13 能力毛边 | 官方公布的已知失败模式，上生产前必读 |
| Workflow evals | 官方公开的评测方法与结果，属厂商自评 |
| Agent skill 文档 | 给 Claude Code / Codex 等编程 Agent 的技能包 |
GitHub 组织 typesafe-ai |
官方开源仓库 |
| 法务条款 | 数据使用与合规 |
官方博文，四篇立场文章：
| 博文 | 内容 |
|---|---|
| Introducing System One Models and Jev | 发布博文。架构、RLCD、定价、Doom 与 Wikiracing demo、FAQ |
| The Bitterest Lesson | 它的核心论点：优化错了任务，规模再大也盖不过去 |
| AI: too good to be true, too bad to be useful | 为什么自动化不该用偏好对齐过的聊天模型 |
| Manifesto | 主张给软件用的机器原生智能，而不是聊天 |
🧠 Jev 是什么
它针对一份 state——一封邮件、一行日志、一个工单、一坨游戏坐标 JSON——评估一组带类型的问题，返回代码能直接 if、能排序、能路由的值。就这么简单。
TypeSafe 管这类模型叫 System One，取自卡尼曼的「系统一」，快速直觉的那套。训练方法叫 RLCD，优化目标是概率诚实而不是人类偏好——RLHF 那套「让人满意」的训练会毁掉校准，因为犹豫的回答不讨喜。对聊天这是优点，对自动化这是灾难：你没法拿一个假的 90% 去写门控。
这套说法目前没有公开论文。 校准好不好，在你自己的数据上量，别信任何人的 slide。
| 大语言模型 | Jev | |
|---|---|---|
| 输出 | 字符串，逐 token 生成 | 类型化的值 + 概率 + 置信度 |
| 幻觉 | 可能编造，可能违反 schema | 结构上不可能，合法输出已在 schema 里穷举 |
| 延迟 | 秒级 | 70–500ms，一次并行 pass 答完所有问题 |
| 输入价格 | 通常 $0.1–$15 / MTok | $0.042 / MTok |
| 输出价格 | 按 token 计费 | 不计费 |
| 写代码、写文章 | 会 | 完全不会，这是设计 |
| 擅长 | 生成、推理、对话 | 分类、路由、打分、抽取、过滤、选下一步动作 |
一句话：一次前沿智能的函数调用。非结构化状态进，类型化概率决策出。
三个原语
| 原语 | 问它什么 | 返回 | 典型用途 |
|---|---|---|---|
| Choice | 从这些选项里选一个 | choice + probabilities + confidence |
意图路由、工单分派、选下一个点击的元素、function calling |
| Score | 按这个量表给它打分 | score + probabilities + confidence |
质量打分、情绪强度、优先级、重排序 |
| Noul | 这句话是真的吗 | noul（0–1 的概率） |
护栏、是非校验、语义检索、内容审核 |
同一次请求里的问题对同一份 state 并行求值、彼此隔离——它们互相看不见对方的答案。所以别指望它做多步推理，那不是它的活。
核心心法就一句，记不住别的也得记住这句：问题尽量原子，组合逻辑写在你自己的代码里。 后面有数据证明这句话值 32 个百分点。
术语对照（读英文文档前先统一一下词）| 英文 | 本列表译法 | 说明 |
|---|---|---|
| System One model | 系统一模型 | 与「系统二」（会推理会生成的 LLM）相对 |
| state | 状态 | 你丢给模型的那坨上下文，字符串 / JSON / 文本数组均可 |
| typed question | 带类型的问题 | Choice / Score / Noul 三选一 |
| Noul | 保留原词 | TypeSafe 生造词，指 0–1 的是非真值概率，不译 |
| criteria | 判据 / 选项 | Choice 是选项字典，Score 是量表档位 |
| calibrated probabilities | 校准概率 | 模型说 70%，长期就该有 70% 对 |
| confidence | 置信度 | 告诉你「要不要动手」，答案告诉你「是什么」 |
| RLCD | 校准决策强化学习 | TypeSafe 自研训练方法 |
| speculative fan-out | 投机扇出 | 一次多问几题（含用不上的），在代码里筛 |
| cardinality | 候选基数 | 单个 Choice 最多 255 个选项 |
| jaggedness | 能力毛边 | 官方主动公布的失败模式清单 |
⚡ 上手
官方直连需要排 waitlist，不过不必干等——下面几条路现在就能动手：
| 路径 | 模型 ID | 要不要 waitlist | 适合谁 |
|---|---|---|---|
| Vercel AI Gateway | typesafe-ai/jev |
不用 | 最省事，已官方上线，走 AI SDK 的 experimental_evaluate |
| 官方 adapter | — | 不用 | 没 key 也能先写代码：接口一致的替身，后端换成普通 LLM |
| TypeSafe 官方 API | jev-latest / jev-1.13.0 |
要排队 | 完整 SDK、最低延迟、企业配额 |
| Playground | — | 看账号 | 不写代码，粘一段 state 点几下 |
| OpenRouter | typesafe/jev-1.13 |
待确认 | 有模型页，但其 /api/v1/models 尚未列出，调用前请自行确认 |
pip install typesafe-sdk # 或 uv add typesafe-sdk
export TYPESAFE_API_KEY=sk-... # SDK 自动读取
from typesafe_sdk import Choice, Noul, Score, TypeSafeClient
client = TypeSafeClient()
response = client.system_one(
state="你好，我的 Stripe 账号连了三天都连不上，再不行我就退订了。",
questions={
"department": Choice(
instructions="这个工单该给哪个组",
criteria={
"billing": "支付或订阅问题",
"technical": "Bug 或集成问题",
"sales": "定价或账号咨询",
},
),
"frustration": Score(
instructions="客户的不满程度",
criteria=["平静陈述事实", "有情绪但还讲道理", "非常愤怒，措辞激烈"],
),
"is_urgent": Noul(
instructions="这条消息表达了紧急或时间压力",
),
},
)
返回长这样。有两处值得一提：output_tokens 记了 48 但不计费；还有那个 confidence: 0.596，下面马上会用到。
{
"model": "jev-latest",
"answers": {
"department": { "type": "choice", "choice": "billing", "confidence": 0.596 },
"frustration": { "type": "score", "score": 1.035, "confidence": 0.842 },
"is_urgent": { "type": "noul", "noul": 0.999 }
},
"usage": { "input_tokens": 312, "output_tokens": 48 }
}
回到那个 confidence: 0.596——这是官方文档自己的示例。0.596 其实是在说：这一条不适合直接路由。 原因也很直观：这条工单同时提到了扣款和没人理，本来就跨 billing 与 technical 两类，换成人也会犹豫。
我自己第一次用的时候就栽在这里——拿着 choice 直接执行，没看 confidence。这两个字段的分工是：choice 告诉你是什么，confidence 告诉你要不要动手。完整讲解见 中文上手指南。
npm install @typesafe-ai/sdk # 官方 JS/TS
claude plugin marketplace add typesafe-ai/skills # Claude Code 技能包
npx skills add typesafe-ai/skills --skill typesafe-ai # 其他 Agent
📐 规格与定价
后面判断「值不值得用」的时候，这几个数字会反复用到：
| 项 | 值 |
|---|---|
| 模型 | Jev 1.13 · jev-1.13.0，别名 jev-latest / jev-preview |
| 输入 | $0.042 / MTok |
| 输出 | 免费（官方称 too cheap to meter） |
| 上下文 | 64k / 次请求，其中 state + 最长问题 ≤ 32k |
| Choice 候选上限 | 255 |
| 速率 | 250,000 token/秒 · 1,200 请求/分钟 |
| 模态 | 纯文本，不支持图像 / 音频 / 视频 |
| 端点 | POST https://api.typesafe.ai/v1/systemone |
| 延迟 | 70–500ms（官方数据） |
比起「快 N 倍」，具体场景的开销更能说明问题：官方 Doom demo 跑 10 次查询/秒约 $7/小时；browser-use 订一张机票全程 7 秒 / $0.0039。这个价格意味着可以对页面上每一个 DOM 元素都问一遍——真正改变做法的是这一点，而不是某个倍数。
🧭 该用与不该用
没有哪个模型适合所有场景。跑 benchmark 之前先对照一下这张表，能省不少时间。
| 场景 | 为什么 | |
|---|---|---|
| 高频、重复、答案空间已知的判断 | 主场 | 一次调用几十题并行，便宜到每个 DOM 元素都能问一遍 |
| Agent 的每一步「选哪个元素 / 调哪个工具」 | 主场 | browser-use、mobile-jev 全在干这件事，把 LLM 从决策回路里摘出去 |
| LLM 的输入输出护栏 / 内容审核 | 推荐 | 阈值写在代码里，比让 LLM 判断自己稳定 |
| 无 embedding 的语义检索与重排序 | 推荐 | 逐条问 Noul 按概率排序，省掉一整套向量库 |
| 上下文剪枝 | 推荐 | fast-jev-compaction、winnow、yoshi 都是这个思路 |
| 开放式抽取（候选未知） | 要改写 | 先用正则出候选再让它选，见 Cookbook |
| 低频调用（一天几十次） | 不值当 | 省下的钱抵不过多一个供应商 |
| 窄任务 + 有标注数据 | 先量一下 | 传统基线（正则 / TF-IDF）在某些任务上更准，见 冷静看待 |
| 输出文字、代码、摘要 | 不会 | 这是设计，不是缺陷 |
| 多步推理、要解释理由 | 不合适 | 它只给概率，不给理由 |
📈 热门项目自动榜
这一段由脚本每天重抓重排，人工精选区不受影响。收录与去噪逻辑都在 collect_hot.py，发现误收可以补进 denylist.txt。星数高只说明关注度高，不代表质量好，把它当作「大家在往哪个方向探索」的信号更合适。
🤖 由
scripts/collect_hot.py每日自动抓取并排序，最后更新：2026-09-20（UTC）。收录规则：2026-09-10 之后创建、名称/描述/README 命中 Jev 生态关键词、Star ≥ 3，外加typesafe-ai官方组织全量。🆕= 本周新进榜，▲= 相比上次抓取的 Star 增量。
| # | 项目 | Star | 变化 | 语言 | 一句话 |
|---|---|---|---|---|---|
| 1 | browser-use/jev-ultrafast 🆕 |
▲ 2937 | Python | i. am. speed. | |
| 2 | tamaratran/fast-jev-compaction 🆕 |
▲ 996 | TS | Claude Code plugin that replaces the compaction summary with Jev decisions: every tool call and… | |
| 3 | TheoLeeCJ/SemIf 🆕 |
▲ 347 | Python | Semantic ifs from open models, on a 3090 at home. Independent; not affiliated with Jev or TypeS… | |
| 4 | jarrodwatts/jev-trader 🆕 |
▲ 398 | TS | One AI trade decision every Monad block. Jev on Kuru MON-USDC. | |
| 5 | vinnylarouge/jevlike 🆕 |
▲ 94 | Python | — | |
| 6 | TianyuCodings/NanoJev 🆕 |
▲ 508 | Python | A nano replica of Jev: parallel decisions, dynamic candidates, and an end-to-end training pipel… | |
| 7 | typesafe-ai/skills 官方 🆕 |
▲ 378 | — | Agent skills for building with TypeSafe's System One API | |
| 8 | jaredpalmer/kev 🆕 |
▲ 385 | Python | tiny Jev-like model built on top of Qwen2.5-0.5B you can train and run on your MacBook | |
| 9 | awlevin/typesafe-computer-use 🆕 |
▲ 289 | Python | Computer use for about $0.0002 a step: OCR the screen, classify the next action with TypeSafe,… | |
| 10 | githubnext/localjev 🆕 |
— | TS | — | |
| 11 | thruwire/foreman 🆕 |
▲ 88 | Python | Software factory foreman based on TypeSafe's Jev model | |
| 12 | yibie/awesome-jev 🆕 |
▲ 197 | Python | A curated list of public projects, integrations, and discussions built on Jev — TypeSafe AI's S… | |
| 13 | devagrawal09/jev-review 🆕 |
▲ 80 | TS | A staged code-review workflow and local dashboard built with TypeSafe Jev. | |
| 14 | AbdelStark/awesome-typesafe 🆕 |
▲ 115 | CSS | A curated list of official resources and community projects for TypeSafe, System One models, an… | |
| 15 | dabit3/jev-experiments 🆕 |
▲ 80 | TS | — | |
| 16 | Sac-Y/Jev-cu 🆕 |
— | JS | — | |
| 17 | featherless-ai/simple-jev 🆕 |
▲ 224 | Python | Turn any open model into a classifier/jev endpoint | |
| 18 | fhshaik/typesafe-mario 🆕 |
▲ 21 | Python | A TypeSafe/Jev agent that plays Super Mario Bros. from structured emulator state. | |
| 19 | kyotofin/tax-doc-classifier 🆕 |
▲ 139 | TS | Tax document page classifier built on Jev decisions. 100% strict accuracy across 261 IRS forms,… | |
| 20 | superagents-lab/jev-search 🆕 |
▲ 115 | TS | Search the web with TypeSafe's Jev: source selection, query understanding and relevance ranking… | |
| 21 | droidrun/mobile-jev 🆕 |
▲ 82 | JS | — | |
| 22 | realZachi/pg-jev 🆕 |
▲ 48 | Shell | Ask your Postgres tables questions in plain language. A PostgreSQL extension powered by TypeSaf… | |
| 23 | gargpratyush/jev-router 🆕 |
▲ 66 | JS | Route to the cheapest model in claude code for your task using jev-router | |
| 24 | cobanov/awesome-jev 🆕 |
▲ 83 | — | A curated, source-backed list of projects built with Jev, TypeSafe AI's System One model for ty… | |
| 25 | kitze/skillbox 🆕 |
▲ 35 | TS | Self-hosted, versioned skills library for AI agents. MCP, scoped clients, and optional Jev reco… | |
| 26 | v-modal/awesome-jev-tools 🆕 |
— | — | A curated list of tools built for Jev — TypeSafe AI's System One model for typed decisions. | |
| 27 | ekzhang/openjev-sglang 🆕 |
▲ 38 | Python | Jev-compatible API endpoint based on open models (prefill-only) | |
| 28 | wy-coliney/jev-browser-use 🆕 |
▲ 86 | JS | 5–10x faster browser operations: Jev clicks, Codex thinks and verifies. Built at EZCollegeApp. | |
| 29 | typesafe-ai/system-one-adapter-python 官方 🆕 |
▲ 44 | Python | Drop-in TypeSafeClient replacement backed by LLM APIs | |
| 30 | typesafe-ai/typesafe-sdk-js 官方 🆕 |
▲ 36 | TS | The official TypeScript/JavaScript library for the TypeSafe API | |
| 31 | NiazMorshed2007/jev-review 🆕 |
▲ 41 | TS | Local-first MCP plugin for continuous software-quality review by AI coding agents, powered by J… | |
| 32 | lakeday-org/perch 🆕 |
▲ 87 | JS | Semantic code linting with Jev | |
| 33 | fatwang2/awesome-jev 🆕 |
▲ 44 | JS | A source-backed Jev project directory with a reusable Jev-only GitHub review workflow. | |
| 34 | hr98w/jev-visual 🆕 |
▲ 36 | Python | An educational Jev-like visual inference experiment on Apple Silicon: shared context, direct ca… | |
| 35 | jkudish/jev-browser 🆕 |
▲ 39 | TS | Browser use using Typesafe's Jev model | |
| 36 | kitze/unclutter 🆕 |
▲ 36 | TS | WXT browser extension: Jev-powered page clutter removal with reusable template rules. | |
| 37 | kunchenguid/compact-adviser 🆕 |
▲ 80 | TS | "Work appears completed or recorded. Run /compact to save tokens." | |
| 38 | razorback16/openjev 🆕 |
▲ 90 | Python | Open, Jev-compatible System One decision server on DiffusionGemma | |
| 39 | sutro-sh/jev-align 🆕 |
— | Python | Build calibrated AI classifiers from human feedback using Jev and GEPA. | |
| 40 | moritzkremb/jev-voice-browser 🆕 |
▲ 47 | JS | Control a real browser by voice. Jev (TypeSafe System One) decides intent + target in ~300 ms p… | |
| 41 | typesafe-ai/typesafe-sdk-python 官方 🆕 |
▲ 33 | Python | The official Python library for the TypeSafe API | |
| 42 | dbreunig/building-with-jev-skill 🆕 |
▲ 12 | — | A skill for writing and improving programs that call Jev, TypeSafe's System One model | |
| 43 | tamaratran/jev-pruner 🆕 |
▲ 103 | TS | Claude Code plugin: trim long Bash output with TypeSafe Jev before the model sees it | |
| 44 | logicrw/awesome-jev-projects 🆕 |
▲ 82 | JS | Awesome Jev: source-backed open-source ecosystem radar, plain-language project discovery, and a… | |
| 45 | logan-markewich/jeff 🆕 |
— | Python | A self-hosted drop-in replacement for TypeSafe's jev, powered by GliFormer. | |
| 46 | itsmostafa/typesafe-mcp 🆕 |
▲ 39 | Go | mcp connector to give your AI agent direct access to typesafe ai's jev model | |
| 47 | jkudish/jev-mcp 🆕 |
▲ 33 | TS | Fast, cheap, typed judgments from TypeSafe's Jev model, as MCP tools. | |
| 48 | standardagents/jevpilot 🆕 |
▲ 26 | JS | A playable Three.js driving simulator with Jev-powered autopilot | |
| 49 | Mapika/decider 🆕 |
▲ 68 | Python | One-pass typed decisions with calibrated probabilities (System One style model), fine-tuned fro… | |
| 50 | vinilana/jev-eval-agent 🆕 |
▲ 8 | HTML | — | |
| 51 | DevMortimer/pi-warden 🆕 |
▲ 28 | TS | Guardrails for Pi built on pi-typesafe that steer the agent instead of interrupting you: Jev ju… | |
| 52 | BillionsBobby/JevRouter 🆕 |
▲ 79 | TS | A lightweight Jev-powered router for models, tools, and subagents | |
| 53 | mmastrac/djev-spark 🆕 |
▲ 62 | HTML | DiffusionGemma NVFP4 structured decisions on a DGX Spark: container recipe | |
| 54 | pithings/advocaat 🆕 |
▲ 10 | TS | A small, type-safe client for asking AI questions about your data, powered by TypeSafe Jev. | |
| 55 | AnotiaWang/awesome-jev 🆕 |
▲ 16 | — | A curated list of awesome Jev / TypeSafe System One applications, libraries, and resources. | |
| 56 | uehaj/jev-semgrep 🆕 |
— | JS | grep by meaning, across languages. TypeSafe Jev scores every line against a meaning; combine me… | |
| 57 | y0usaf/pi-jev 🆕 |
▲ 13 | TS | TypeSafe Jev as a decision layer for the Pi coding agent: a measured tool-call gate plus jev_as… | |
| 58 | giuliosmall/pg_typesafe 🆕 |
▲ 2 | C | Pre-alpha PostgreSQL extension for TypeSafe AI (Jev) categorical classification | |
| 59 | kshetrajna12/reflex 🆕 |
▲ 15 | Python | A small open decision model: state + typed questions -> calibrated probabilities. A Jev / Syste… | |
| 60 | RomanSlack/jev-drone 🆕 |
▲ 10 | Python | Camera-only autonomous drone in MuJoCo with a small judgment model (TypeSafe Jev) in the loop a… |
🧰 SDK 与客户端
多数情况下官方那两个 SDK 就够用。社区版本主要补官方还没覆盖的语言，质量参差不齐，接入前翻一下源码比较稳妥。
官方
| 项目 | Star | 安装 | 说明 |
|---|---|---|---|
| typesafe-ai/skills | claude plugin install typesafe@typesafe-ai |
官方 Agent 技能包：原语、模式、怎么组织 evaluation | |
| typesafe-ai/typesafe-sdk-js | npm i @typesafe-ai/sdk |
官方 TS/JS 客户端，类型定义完整 | |
| typesafe-ai/system-one-adapter-python | pip install system-one-adapter |
官方出的 TypeSafeClient 替身，后端走普通 LLM API。没拿到 waitlist 也能先写代码，还能用同一套问题横向对比 Jev 与聊天模型 |
|
| typesafe-ai/typesafe-sdk-python | pip install typesafe-sdk |
官方 Python 客户端，同步/异步双版本，自带重试 | |
| Vercel AI SDK provider | — | npm i @ai-sdk/typesafe-ai |
experimental_evaluate + typeSafeAi.evaluationModel('jev-latest') |
社区
| 语言 | 项目 | Star | 说明 |
|---|---|---|---|
| TypeScript | pithings/advocaat | 小而美的 TS 客户端，给三原语打了 tagged helper | |
| Ruby | kieranklaassen/ruby_llm-typesafe | RubyLLM 2 的 TypeSafe provider，带离线模型元数据 | |
| Rust | Twister915/typesafe-ai | 另一个 Rust 客户端，异步 + 阻塞传输、可观测重试 | |
| Erlang/OTP | dannote/jev | 从 GenServer 回复 Jev，直接模式匹配答案 | |
| Shell | shiftynick/jev-axi | 面向 Agent 的 CLI：pick / rate / check / rank / triage | |
| .NET | saibimajdi/typesafeai-dotnet-sdk | 类型化问题 + 带置信度的答案 | |
| Ruby | joshmn/typesafe-sdk | Ruby 3.1+ 客户端，线程安全连接池；无异步客户端 | |
| Shell | y0usaf/typesafe-cli | 命令行直接问 noul/choice/score，返回数字不返回废话 | |
| Rust | gilljon/typesafe-ai-rs | 独立的异步 / 阻塞 System One 客户端 | |
| Go | Gaurav-Gosain/jev-go | go get github.com/Gaurav-Gosain/jev-go，返回类型化判断与校准概率 |
|
| Rails | GenieRobot/typesafe-ai-rails | Rails 集成：配置、用量/成本遥测、可选置信度策略 | |
| PHP | Butochnikov/typesafe-sdk-php | 类型化 DTO、Promise 与异常 | |
| Laravel | Butochnikov/laravel-typesafe-jev | Laravel 12/13 集成：Facade、scoped DI、recording fake | |
| Elixir | nshkrdotcom/typesafe_sdk | Hex 包，支持 system_one 与模型列表 |
|
| Scala/ZIO | jamesward/zio-typesafe-ai | ZIO 客户端，带 noul/choice/score 小 DSL | |
| Python | AboveColin/jevclient | 非官方异步 Python 客户端 pip install jevclient |
|
| Rust | AbdelStark/s1-rs | derive 宏层：Choice/Score/Noul、类型化问题集、置信度门控、无网络测试 |
包名容易看错：PyPI 上要装的是
typesafe-sdk。typesafe-ai是社区注册的占位包，用来挡蹭名字的恶意包，本身不是官方 SDK。
🛠 应用
这些项目已经把 Jev 放进了真实的循环里。整份列表我自己读得最久的就是这一栏——别人踩过的坑，可以直接绕开。
| 项目 | Star | 说明 |
|---|---|---|
| browser-use/jev-ultrafast | 全生态第一爆款。Browser Use 官方出品的浏览器 Agent：一次请求里让 Jev 同时选出「做什么操作」和「操作哪个 DOM 元素」，只有真要打字时才叫小模型。Google Flights 苏黎世→伦敦订票 7 秒 / $0.0039。附库、本地 inspector 与测时 | |
| tamaratran/fast-jev-compaction | Claude Code 插件：把上下文压缩的「总结」换成 Jev 判断——每次工具调用和结果都打分，决定留不留。上下文工程的新范式 | |
| jarrodwatts/jev-trader | 每个 Monad 区块对 Kuru 的 MON-USDC 做一次买卖决策。在线：jev-trader.vercel.app | |
| thruwire/foreman | 软件工厂循环：Codex 负责写，Jev 独立判断「做完没 / 测试够不够 / 要不要叫人」。把「谁来验收」这件事从 LLM 手里拿走 | |
| devagrawal09/jev-review | 分阶段代码审查工作流 + 本地 dashboard，由一串聚焦的 Jev 调用驱动 | |
| awlevin/typesafe-computer-use | macOS computer-use：OCR 屏幕 → Jev 分类下一步动作 → 点击。约 $0.0002/步 | |
| kitze/skillbox | 自托管、带版本的 Agent 技能库，MCP + 作用域客户端，可选用 Jev 做技能推荐 | |
| realZachi/pg-jev | PostgreSQL 扩展：直接在 SQL 里用自然语言问你的表。WHERE jev_noul(comment, '这是投诉') > 0.8 这种写法 |
|
| droidrun/mobile-jev | Android Agent，每次点击由 Jev 决定。打开 Uber、旧金山机场→金门大桥，21 秒 / 9 步到支付页，不需要 ADB | |
| RomanSlack/jev-drone | MuJoCo 四旋翼：控制与安全留在代码里，Jev 只做 2.5Hz 的战术判断 | |
| kitze/unclutter | Chrome / Firefox 扩展：Jev 标出页面上不重要的元素，本地按页面模板记住，下次访问直接藏 | |
| ChetasLua/jevmeter | 给任意视频挂实时 Jev 仪表：逐句打分，导出 16:9 成片 | |
| realZachi/typesafe-adblock | Chrome 扩展，逐个 DOM 元素问「这是广告吗」。规则库可以退休了 | |
| devanshbatham/commit-miner | Rust CLI，给 commit diff 分类：修 bug、安全/CWE、变更类型，出 HTML/CSV 报告 | |
| ellipsis-dev/blink | 代码库语义搜索，Jev 驱动。不用向量库 | |
| monteduro/killmyidea | 描述你的创业点子，Jev 判决：毙掉、改改、还是发。玩法很毒但很有代表性 | |
| jexp/neo4jev | 让 Jev 在 Neo4j 图上导航：对邻居节点做分类，一步步走过去 | |
| AboveColin/HA-Jev | Home Assistant 集成：把「关于家里状态的类型化提问」变成传感器与自动化动作，带每日 token 预算实体 | |
| reachjalil/jevlogs | OpenTelemetry 日志分流：先让 Jev 打诊断价值和优先级，再决定要不要花钱叫 LLM | |
| lakeday-org/perch | AST 驱动的语义 code lint | |
| sufianetaouil/every | 语义代码搜索 CLI：对每个函数问一个是非题，按 Noul 概率排序 | |
| asfarsadewa/human-compiler | 粘贴职场废话，Jev 给「被动攻击 / 紧急感 / 信息密度」打分，代码按 rustc 风格报诊断。在线：human-compiler.asfarlab.fun | |
| santos-sanz/jev-audio-beeper | 低延迟脏话检测：Jev 判定后 ffmpeg 在约 466ms 内叠一声 beep | |
| TarunTomar122/jev-askable-arm | 仿真 Franka 机械臂：英文目标 zero-shot，Jev 把硬编码原语串起来 |
🎮 Demo
发布 48 小时内涌现出来的小玩具。我是挑了两三个跑完之后，才真正对它的能力边界有了感觉——比读十页文档快得多。
| 项目 | Star / 链接 | 说明 |
|---|---|---|
| fhshaik/typesafe-mario | 从结构化模拟器状态玩超级马里奥 | |
| standardagents/jevpilot | Three.js 驾驶模拟器 + Jev 自动驾驶，可直接玩 | |
| sorrycc/typesafe-snake | 中文社区出品（sorrycc，umi 作者）：贪吃蛇每个 tick 一次 System One 选择，只在合法走法里选 | |
| phyous/tsai-sc | Jev 用键鼠操作原版星际争霸共享战役，带验证跑次与概率轨迹 | |
| opaielsheikh/ai-elo-ranker | 高速递归 AI Elo 锦标赛引擎，Jev + 瑞士轮匹配 | |
| lukaske/jev-doom-agent | 浏览器里的 Doom（Chocolate Doom WASM），空间状态 + 实时决策遥测。官方发布 demo 的同源玩法，约 $7/小时 | |
| lbotinelly/jev-little-airways | 玩具群岛空管：每架飞机只看得见自己附近，Jev 判断备降 / 紧急 / 谁先落地，约 150ms | |
| phureewat29/got-jev | 权力的游戏角色扮演：故事模型写下一场，Jev 回答「他在哪、多危险、配什么音乐」 | |
| mizchi/jev-gomoku | MoonBit 客户端 + 两个 Jev 互相下五子棋，配套文章带耗时日志 | |
| joshlarsen/jev-t-rex-runner | Chrome 小恐龙由 Jev 来跳 | |
| siroccomask/snake-jev | 贪吃蛇，每局几百次类型化转向决策 | |
| Jev Tetris | 🔗 在线 | Jev 按空洞、堆高、起伏选旋转和落点列 |
| Jev Pac-Man | 🔗 在线 | 迷宫做成 JSON，每个路口由 Jev 选转向 |
| Yes / No | 🔗 在线 | 免登录 Noul demo，问一句得到 yes/no/maybe |
| TypeSafe Typewriter | 🔗 在线 | Val Town demo：打字时 16 条类型化判断实时更新 |
| Hollow Creek | 🔗 在线 | 村庄 NPC 每个 tick 评判你（在做什么、对你什么感觉），而不是和你聊天 |
| Jev Guard | 🔗 在线 | 评论审核 playground |
| Jev Room | 🔗 在线 | 一句话 → 六个房间设定，Jev 选，应用渲染 |
| 官方智能家居 demo | 🔗 官方 | 演示投机扇出：一次问很多题，代码留下有用的，LLM 只管拆复合指令和闲聊 |
🤖 Agent 工具
把 Jev 接进 Claude Code、Codex、Cursor、MCP 的工具。这个方向的项目出得最快，原因也不难理解：编程 Agent 的每一步——路由到哪个模型、加载哪个技能、这条工具结果该不该留在上下文里——本质上都是选择题。
| 项目 | Star | 说明 |
|---|---|---|
| vercel/eve | Vercel 的 Agent 框架，实验性 autoModel 默认用 Gateway 上的 typesafe-ai/jev 从白名单里挑语言模型 |
|
| typesafe-ai/skills | 官方技能包。Claude Code：claude plugin marketplace add typesafe-ai/skills → claude plugin install typesafe@typesafe-ai；其他 Agent：npx skills add typesafe-ai/skills --skill typesafe-ai |
|
| NiazMorshed2007/jev-review | 本地优先 MCP：Claude Code / Codex / Cursor / OpenCode 边写边拿结构化质量审查 | |
| gargpratyush/jev-router | Claude Code 与 Codex 的每轮路由：简单活走快档，难活走强档。npm i -g jev-router |
|
| vlad-terin/jev-use | Agent skill + 运行时：Codex 规划，Jev 选元素，runner 执行并逐步校验；已扩到桌面工作流，主打「少跑几轮 Codex」 | |
| jkudish/jev-mcp | Node MCP，封装三条 cookbook：jev_verify 引文核验、jev_screen 注入护栏、jev_find 无 embedding 语义排序。npx -y github:jkudish/jev-mcp |
|
| DevMortimer/pi-warden | Pi 护栏：把判决当成 held tool result 而不是弹窗；对照项目规则文件检查写入 | |
| dbreunig/building-with-jev-skill | 一个专门教 Agent「怎么写调用 Jev 的程序」的 Skill | |
| itsmostafa/typesafe-mcp | Go 写的 CLI + 单二进制 MCP，适配 Claude Desktop / Claude Code / Codex | |
| Dicklesworthstone/skillranker | Rust CLI，用实时会话上下文给 Agent 技能排序，只加载最该加载的那个 | |
| y0usaf/pi-jev | Pi 扩展：影子模式工具调用门控、输出评判、类型化 jev_ask |
|
| shantanugoel/ask-jev-skill | Hermes Skill：Agent 需要有界决策时去问 Jev | |
| 0xNatoshi/jev-codex-router | Codex 每轮路由：Jev 选模型、思考深度和速度模式 | |
| nidhi-singh02/agent-router | CLI 按任务挑 Cursor / Claude Code / Codex / OpenCode + 模型档位，然后直接启动 | |
| GhalebDweikat/winnow | Claude Code 的校准上下文筛子：每个工具结果都被判一次再决定留不留 | |
| blakestone-x/jev-mcp | Python MCP：classify / score / check / match / screen | |
| compozy/yoshi | Claude Code / Codex 的上下文剪枝代理：Jev 判断哪些历史还需要，可量化 | |
| jomatsu/pi-jev-auto-mode | Pi 自动模式：Jev 按语义批准 bash / write / edit，判断不了就拒绝 |
|
| Ying-Kai-Liao/jev-browser | LLM 规划、Jev 在 Playwright 快照上决定每次点击（约 300ms/次）。含 MCP：npx -y -p jev-browser jev-browser-mcp |
|
| sharziki/semdecide | 给 Unix 管道和 CI 用的类型化语义决策，cat log | semdecide ... |
|
| romaluev/jev-ego | ego lite 上的浏览器 Agent，observe / act / suggest / step CLI | |
| samtay32/jev-system-architect | 专找代码里脆弱的语义逻辑，改写成 Choice / Score / Noul 边界 | |
| AbdelStark/bicameral | Pi 编程 harness：LLM 写代码，Jev 提供策略、循环检测与 review 的类型化反射。明确不是沙箱 |
🔬 复现与评测
这些是受 Jev 接口启发的独立工作，都不是 TypeSafe 的模型。想弄明白它在技术上怎么做到的，这些复现比官方博文讲得清楚。
开源复现
| 项目 | Star | 说明 |
|---|---|---|
| TheoLeeCJ/openjev | 最受关注的复现：一张 RTX 3090 能不能跑 Jev 风格的东西？直接读选项 logits，不生成文本 | |
| vinnylarouge/jevlike | 训练一个小的单次 scorer：上下文 + N 个文本选项 → 每个选项一个概率。含 Doom / 国际象棋视觉 demo 与 Wikispeedia 下一跳例子。明确声明不是 TypeSafe 架构或 RLCD 的复现 | |
| ekzhang/openjev-sglang | 基于开源模型的 Jev 兼容 API 端点（prefill-only） | |
| hr98w/jev-visual | Apple Silicon 上的 Jev 风格视觉推理教学实验：共享上下文、直接给候选打分 | |
| TianyuCodings/NanoJev | nano 版 Jev：并行决策、动态候选、端到端训练流水线。想搞懂训练的从这个读 | |
| kshetrajna12/reflex | 小型开放决策模型：state + 类型化问题 → 校准概率 | |
| bnsd55/jevmlx | Apple Silicon 上给任意 MLX 模型做 Jev 式并行受限决策 | |
| rorshopping/jev-on-a-laptop | 非官方研究：1.5B–8B 现成模型在 Apple Silicon 上做并行类型化决策 | |
| r-ms/mini-jev | 冻结的 Qwen3-4B 上，Jev 式类型化决策接口长什么样 | |
| Mapika/decider | 基于 Qwen3.5-2B 微调：一次前向给出类型化决策和校准概率 | |
| siliconkernel/vllm-jev-decison | 给 vLLM 加「只分类」模式：有限 schema 候选打分 + 概率 | |
| genai-craft/openvons | 日文向 open-Jev：文本 / 图像 / 日语语音命令的概率判断层 | |
| stephanj/parallelConstraintDecoding | Java + Python 双版本的并行受限解码实现 | |
| NullPo-jp/PocketJev | iPhone 端侧视觉判断：MLX + Qwen3-VL 选项 logits。相机 + 三选一，约 1 秒，不存照片 |
独立评测
| 项目 | Star | 结论摘要 |
|---|---|---|
| vinilana/jev-eval-agent | 早期 Jev 测试的公开评测 harness | |
| iammrduncan/typesafe-ai-benchmark | 同一套 System One 问题，对比 Jev 与 Cerebras 上的 Qwen 3.8 27B | |
| AbdelStark/jev-benchmarks | 面向类型化决策模型的概率感知评测框架 | |
| mahlernim/jev-korean-benchmark | 韩语理解与医学文本的可复现 early-access 评测。非英语场景的少有数据点 | |
| anessbelbati/jev-rerank-bench | 重排序对比：原始 provider 响应、打分代码、不确定区间、写明的局限 | |
| Gaurav-Gosain/jev-sec-bench | 公开语料盲测：提示注入与漏洞代码检测 | |
| TokenTrim/jev-agent-failure-benchmark | Who&When Pro（注入的 Agent 故障）：预测是谁 / 哪一步 / 哪类错误 | |
| anisselbd/jev-phishing-bench | 全生态最严谨的一份评测。2000 封钓鱼邮件对比 Claude Haiku 4.5：Jev 直接问「该不该点」只有 62.6% 准确率（Haiku 81.3%），但同一次调用里拆成 5 个信号问题、再做逻辑回归就到 95.0%。作者还在被质疑后补了三组对照（非 AI 正则基线 91.8%、样本切分、同样问题问 LLM）。延迟 239ms vs 687ms，成本 $0.038 vs $0.462 / 千封 | |
| bitnovus/jev-spam-eval | 18,514 封邮件：一段写出来的垃圾邮件定义拿到 98.3%，和用 ~14,800 条标注训练的 TF-IDF（98.4%）打平，两者平均后 99.2%。最关键的是分布漂移——换到 2026 年的新邮件，同一个问题仍有 97.3%，TF-IDF 掉到 72.5%。作者自己标注了「判据是看过错误样本后写的」这一 caveat | |
| teyhouse/jev-secret-detection | 测量 Jev 在代码片段里识别真实密钥凭证的能力 | |
| jmanhype/jev-dspy-lab | DSPy 配套评测：录制并重放调用，测校准、选择性风险、置信度弃权、延迟、成本 |
中文场景至今没有公开评测。 谁做过中文分类、内容审核或客服工单的对比测试，欢迎把数据发过来——结论对 Jev 有利还是不利都一样有价值。这是这份列表目前最缺的一块。
🍳 Cookbook 与模式
官方整理好的、可以直接照着改的工作流。下面四个核心模式是骨架，读完基本就知道系统该怎么搭了。
| 模式 | 一句话 |
|---|---|
| 置信度门控路由 | 答案告诉你是什么，置信度告诉你要不要动手。最重要的一条 |
| 投机扇出 | 一次问很多题（含用不上的），在代码里筛。输出免费，多问不花钱 |
| 组合打分 | 原子分数由模型给，权重由你的代码掌控 |
| 意图路由 | 先分类，再交给确定性逻辑、专用 LLM 或人 |
| Cookbook | 解决什么问题 |
|---|---|
| Parallel questions | 对同一份 state 批量提问，一次调用代替 N 次 |
| Line-by-line search | 用 Choice 给几百行 id 打分，再用 Noul 检查「到底有没有答案」 |
| Re-ranking | BM25 出短名单，再对每个 query–候选对问一次 |
| Guardrails for LLMs | 筛 LLM 的入站/出站消息，概率阈值写在代码里 |
| Double-checking citations | 判断引文上下文是否支撑主张，低置信度交人工 |
| Classifying RAG passages | 回答之前保留 / 标记 / 丢掉检索段落（矛盾、注入等） |
| Function calling | 把自然语言请求映射到普通类型化函数与闭集参数 |
| Skill suggestion | 给 Agent 技能目录排序，只细读前几名 |
| Hierarchical classification | 在深层分类树上用 Choice 概率做 beam search |
| SDE cascade | 两阶段结构化抽取级联（mini → 校验 → 推理） |
| Date extraction | 先问文档里点名的日期部件，再在代码里解析校验 |
| Pre-parsed value extraction | 正则出候选，再让 Jev 选出目标片段。开放式抽取的标准解法 |
| Entity alignment | 知识图谱实体对齐：合并 / 不链接 / 交给策展人 |
| Autoresearch feature discovery | 把问题当成数值特征，喂给监督学习 |
| Classification using confidence | 置信度够才报细分类，否则上爬一层 |
| Structure recovery | 从丢掉格式的纯文本重建 Markdown |
| Self-consistency: nouls / choices | 不确定的走人工审核，同时保留原始数值 |
完整目录：console cookbooks · llms.txt
📰 文章
媒体报道大多基于同一份发布稿，挑一篇看背景就够。下面的「技术走读」信息量大得多。
媒体报道
技术走读
| 文章 | 说明 |
|---|---|
| A deep dive into Jev | Flavio Copes 的技术拆解，结构清楚 |
| How to Use Jev: A practical guide | DEV 上的实战指南 |
| AI That Doesn't Talk: A Plain-English Guide | 从 Playground 到裸 HTTP 到 agent skill 的全路径 |
| TypeSafe Jev: the First Decision-Only Model Class | 发布周技术综述：API、评测、adapter、skill |
| Typed Decisions, Not Chat | 把官方主张和公开证据分开列，本列表最推荐的一篇冷静文 |
| Mini-Vibe Check: Jev Judged Everything I've Written in 0.7 Seconds | Every 的 Mike Taylor 用 Jev 扫自己的全部写作语料 |
| Jev: The Language Model That Won't Talk | Substack 长文评论 |
| Is the 200x Faster Decision Model Too Good to Be True? | 质疑向，和上面那篇对着读 |
日文
| 文章 | 说明 |
|---|---|
| TypeSafeのJevを正しく驚く、それってLLMでできませんか？ | Jev 是什么、不是什么，边界画得很准 |
| jev 同士に五目並べで対戦させた | mizchi 让两个 Jev 下五子棋，带源码和耗时日志 |
中文一手内容目前几乎是空白，docs/ 就是为了补这一块。写了中文实践文章的话，欢迎提 PR 进来。
💬 社区
| 渠道 | 说明 |
|---|---|
| Discord | TypeSafe 官方服务器，Builder demo 集中在 Show and Tell 频道 |
| X @typesafeai | 官方账号，出 stealth 那条 |
| 公司公告与招聘 | |
| Hacker News 发布讨论 | 1500+ 分，评论区的质疑比正文更值得读 |
| Vercel 上线公告 | AI Gateway 接入公告 |
| OpenRouter 模型页 | 价格、限流、provider 状态 |
X 上值得关注的几条（发布周传播量最大的）：
| 推文 | 看点 |
|---|---|
| @typesafeai 出 stealth | 官方发布原帖 |
| @stevekrouse 的 Typewriter demo | Val Town 作者，16 条判断实时更新，直观演示「并行提问」 |
| @thdxr | SST 作者的上手体感 |
| @testingcatalog 的拆解 | 把「不是 LLM」这件事讲清楚了 |
| @iamMrDuncan 的对比视频 | Jev vs Cerebras 上的 Qwen 3.8 27B |
| @chetaslua 的 JEVMETER | 实时视频打分仪表，视觉冲击最强的一条 |
其他 awesome 列表
| 列表 | Star | 说明 |
|---|---|---|
| Anil-matcha/awesome-jev-by-typesafe | 偏用例、模式、prompt 与起步代码 | |
| AbdelStark/awesome-typesafe | 覆盖整个 TypeSafe / System One，不只 Jev | |
| yibie/awesome-jev | 收录讨论与集成，含社区争论 | |
| AnotiaWang/awesome-jev | 结构最完整的一份，本列表的选品参考了它，有 README_zh | |
| hellogumbo/awesome-jev | 社区目录站形态 |
🧊 冷静看待
这个生态才几天大，讨论的热度远远跑在验证的前面。下面五点是我整理这份列表时反复撞到的，放在这里供参考。
| 「快 193 倍」是厂商自评 | 数据出自 TypeSafe 自己的 workflow evals，官方也标注了那是收益上限。HN 讨论里提出的质疑值得重视：拿一个只做分类的模型和一个要生成完整回答的模型比延迟，口径本身并不对等 |
| 官方公布了能力毛边 | Jev 1.13 jaggedness 列出了已知的失败模式。厂商愿意主动公开这些是好事，同时也说明一件事：它在不同任务上的表现并不均匀，上生产前用自己的数据跑一遍不算多余 |
| 中文场景零公开数据 | 训练语料未公开，中文任务的校准质量也还没有任何公开评测。英文场景的结论直接迁移到中文工单和内容审核上，风险是未知的 |
| 「不可能幻觉」有边界 | 它的准确含义是：输出不可能违反 schema、不可能编出你没定义的选项。这不等于判断一定正确——选错依然会发生，兜底要靠你的置信度门控，而不是模型本身的保证 |
| 早期生态风险 | 依赖单一新供应商、配额不稳定、API 可能随版本变化。官方的 adapter 可以当降级方案用，一开始就接上成本很低 |
两份独立评测，十分钟能读完
jev-phishing-bench（2000 封钓鱼邮件）是目前最严谨的一份。结论对 Jev 有不利的一面，也有有利的一面：
| 用法 | 准确率 |
|---|---|
| 直接问 Jev「该不该点这个链接」 | 62.6% |
| Claude Haiku 4.5 问同一个问题 | 81.3% |
| 两行正则规则 | 91.8% |
| 同一次调用拆成 5 个信号 + 代码里做回归 | 95.0% |
同样的分解，Jev 便宜约 27 倍，延迟 239ms 对 687ms。作者还补了一组对照：把这 5 个问题原样拿去问 Haiku，回归后能到 93.2%，与 Jev 在统计上没有显著差异。这组对照让整份评测的可信度高了不少。
jev-spam-eval（18,514 封邮件）展示了它擅长的一面：仅凭一段写出来的垃圾邮件定义就拿到 98.3%，和用约 14,800 条标注训练出的 TF-IDF（98.4%）基本持平。更有意思的是分布漂移那一组——换到 2026 年的新邮件，Jev 仍有 97.3%，TF-IDF 掉到 72.5%。抗分布漂移，大概才是它真正稳定的优势。
这两份评测让我改变了三个原本的想法：
- 它不是万能判断器。 单问一个复合问题是它最弱的用法，62.6% 就是这么来的——我原本以为「问题写清楚就行」，显然不是。
- 拆成原子信号、组合逻辑留在自己代码里，差别比想象中大得多。 同一个模型、同一批数据、同一次调用，62.6% 到 95.0%。组合打分模式讲的就是这件事，看数据之前我没当回事。
- 传统基线依然很能打。 两行正则 91.8% 这个结果挺让人清醒的。Jev 稳定的优势在成本、延迟和抗分布漂移，不在绝对准确率——谁要是说它在所有任务上都更准，问一句数据在哪儿是合理的。
📖 中文指南
英文资料已经相当丰富，所以这两份只补中文世界缺的那一块：怎么写第一段代码，以及怎么用自己的数据把阈值量出来。
| 文档 | 内容 |
|---|---|
| 上手指南 | 接入路径、三原语讲透、置信度门控怎么定阈值、一个能上线的工单分类器、报错对照 |
| 图解说明 | 16 页幻灯片：真实请求、真实返回、真实数字。转给同事看，比你解释半天管用 |
| 概念与心法 | System One 新在哪、RLCD vs RLHF、为什么问题要原子、校准概率怎么读、LLM 流程改造四步法 |
🤝 贡献
欢迎 PR。三条约定：项目确实基于 Jev、链接可以打开、用一句中文说清它做什么。 精选表按 Star 降序，新条目插到对应位置；拿不准就跑一下 scripts/sort_tables.py。
暂不收录空仓库、纯 API 中转服务，以及只有 landing page、没有可读代码的项目。细则见 CONTRIBUTING.md。
许可
CC0 1.0 — 本列表贡献到公有领域，随便用。
Reviews (0)
Sign in to leave a review.
Leave a reviewNo results found