awesome-jev-zh

【技能简介】 a awesome-jev-zh 是一份 Jev（TypeSafe AI 推出的 System One 决策模型）的中文精选资源列表，由独立开发者维护，涵盖官方文档、优质开源项目、SDK、应用案例、Cookbook 与中文上手指南。该列表每日自动抓取 GitHub 热门 Jev 相关项目并更新热门榜，是中文开发者了解和研究 Jev 生态最完整的入口资源。

【核心能力】

该技能汇总了 Jev 生态的六大类资源，具体包括：

一、官方资源全覆盖：收录 TypeSafe 官方文档、Playground、API Keys 控制台、HTTP API 参考、模型规格与定价、Confidence 文档、State 概念说明、Agent Skill 文档等，并提供对应的中文导读说明。

二、优质项目精选（Star≥500）：精选 browser-use/jev-ultrafast（浏览器 Agent，一次请求完成选元素+选操作，7 秒完成 Google Flights 订票）、NandhaKishorM/laya（322M 多语言决策引擎，中文 intent 分类表现最佳）、tamaratran/fast-jev-compaction（Claude Code 插件，上下文压缩范式革新）等十多个生态核心项目，每项均附星数、方向定位与简要评价。

三、SDK 与客户端：收录 TypeSafe 官方 Python / JavaScript SDK、OpenAI 兼容 adapter、第三方库，并标注各 SDK 的语言支持与功能完整性。

四、热门项目自动榜：每日自动抓取 GitHub 上 Star 数最高的 Jev 相关项目，按星数降序展示，实时反映生态热度变化。

五、Cookbook 与模式：收录 Jev 在分类路由、打分评估、Noul 是非判断等多种场景下的实操代码模板，以及 Agent 与 LLM 协同工作的架构模式。

六、中文上手指南：提供中文安装配置指南，包含 classifier.dev 零门槛试用、Vercel AI Gateway 接入、TypeSafe 官方 API 申请、本地部署等路径的详细步骤。

【安装配置】

前置条件：已安装 Git；如需对接 Jev API 需申请 TYPESAFE_API_KEY（通过 TypeSafe 控制台）。

方式一（直接查阅）：访问 https://code.jiangshu.ai/awesome-jev-zh/ 在线阅读，无需安装任何依赖。

方式二（本地克隆）：git clone https://github.com/yzfly/awesome-jev-zh.git 后用 Markdown 阅读器打开。

方式三（Claude Code 集成）：参考 README 中 Agent 工具章节安装 typesafe-ai/skills 插件：claude plugin install typesafe@typesafe-ai

【使用步骤】

第一步：了解 Jev 是什么。阅读仓库中「Jev 是什么」章节，理解其与 LLM 的本质区别——Jev 不生成文本，而是对结构化状态并行评估带类型的问句，返回代码可直接使用的类型化值与置信度。

第二步：选择体验渠道。最快零门槛路径是访问 classifier.dev；功能最全可选官方 API Key 或 Vercel AI Gateway；完全离线可部署 laya（32ms 单题）或 EdgeJev（CPU 可跑）。

第三步：参考优质项目找方向。根据自身场景，在「优质项目」章节选择 browser-use/jev-ultrafast（浏览器自动化）、NandhaKishorM/laya（中文分类）等作为参考起点。

第四步：套用 Cookbook 模板。在对应场景的代码模板中替换自己的 state 和 criteria 即可使用。

第五步：关注每日热门榜。定期查阅自动更新的热门项目榜单，追踪生态最新工具与玩法。

【适用场景】

意图识别与路由：将工单、客服消息、搜索查询路由到对应部门（Choice），在 15 条中文实测数据上准确率达 93.3%。

内容安全审核：Noul 原语判断文本是否符合政策，护栏类场景成本比 LLM 低 193 倍。

评分与排序：对文章质量、评论情绪、订单优先级按量表打分，输出可直接排序的数值。

Agent 动作决策：浏览器 Agent、游戏 AI、computer use 等需要高频选择下一步操作的场景。

模型路由：在多个 LLM 或工具之间根据上下文快速选择最优路径。

量化评估自动化：用置信度（confidence）决定是否接受结果或触发人工复核。

【适用人群】

AI 应用开发者：需要将快速分类/决策能力嵌入 AI 产品，降本增效。

Agent 构建者：为编程 Agent（Claude Code / Codex / Cursor）寻找可靠的决策工具。

后端工程师：将 Jev 作为现有系统的分类/路由/打分中间件。

独立开发者 / 创业者：用零门槛 API 快速验证 AI 产品原型。

AI 研究者：参考开源复现（kev / laya / SemIf）进行决策模型实验。

【工作原理】

Jev 提供三种带类型的原语：Choice（从选项中选一）、Score（按量表打分）、Noul（0-1 概率判断）。一次前向传播并行处理所有问题，输出是结构化类型而非字符串，从根本上杜绝幻觉。训练方法为 RLCD（校准决策强化学习），优化目标是概率诚实而非人类偏好。

决策速度 70-500ms，输入价格 0.042 美元/百万 token，输出不计费。相比 LLM 在判断路由类任务上，速度快 193 倍。开源社区已复现出 kev / laya / SemIf 等多个同类模型，架构上均采用主干网络 + readout head 评分的方案。

【官方链接】

GitHub 仓库：https://github.com/yzfly/awesome-jev-zh 在线阅读：https://code.jiangshu.ai/awesome-jev-zh/ 官方文档：https://docs.typesafe.ai Playground：https://console.typesafe.ai/playground 零门槛试用：https://classifier.dev/