Jev 社区项目地图：四个能跑的开源切入点

先说结论

• 这份地图里的四个项目全部是社区项目，TypeSafe 官方没有背书；其中 jev-chat-for-twitch 和 Jev for Physical AI 提供了较完整的 README 和复现路径。
• Twitch 过滤器解决直播聊天信息过载，是 Chrome 扩展、用户自带 TypeSafe key，风险在于 key 存在浏览器本地、按量计费、项目自带默认美元上限。
• Jev for Physical AI 给出 300 次事故分流的社区实测：社区二手数据显示 p50 延迟约 0.527 秒，每次决策约 0.0000246 美元，但事件是模拟的，不能当生产准确率。
• Awesome TypeSafe 是社区整理的非官方目录，适合找资源；jev-arena 本次未能核到 README 正文，只按非官方社区项目记录。
• 我的判断：这些项目最值得抄的不是代码或阈值，而是把模糊需求拆成 choice、score、noul 三个原语的任务拆解方式。

从 Twitch 过滤器看直播聊天如何过滤

jev-chat-for-twitch 是一个社区 Chrome 扩展，解决的是大主播聊天栏消息刷太快、人工跟不上。它新增第二列聊天栏，只展示“值得读”的消息，不会改写或生成任何内容。仓库标题写得很直白：Filter any live Twitch chat with Jev: a bring-your-own-key Chrome extension。它是 BYOK 扩展，也就是用户自己准备 TypeSafe key，而不是扩展自带 key。安装流程只有下载 release zip、解压、在 chrome://extensions 开启开发者模式、Load unpacked、粘贴 key、点击 Test key，基本不用构建。

它能做什么？用户可以选择一个意图 chip：Helpful、Questions、Funny、Feedback 或 Everything meaningful。每条显示的都是真实聊天消息，点击一行可以看到完整概率分布、类别和模型 id。该扩展只读频道聊天，把消息文本、用户名、频道名、页面标题、最近 12 条消息作为上下文发送到 https://api.typesafe.ai/v1/systemone，视频不会发送。项目 README 原句是：The message text and usernames of the channel you are watching are sent to https://api.typesafe.ai/v1/systemone under your own TypeSafe account, along with the channel name, the page title and the last 12 message texts as context. Video is never sent. 这是社区项目自述，不是官方安全审计。

成本方面，该 README 给出一个社区自报估算：在 jev-1.13.0 下，一个 20 条消息批次用了 10,075 input tokens，约每条 504 input tokens，按每百万 input tokens 0.042 美元计。这个美元单价是社区转述，我没有直接核对到官方定价页。按这个估算，2 条/秒的聊天速率每小时评估 7,200 条消息，约 0.15 美元；50 条/秒但默认 10 条/秒评估上限时每小时约 0.76 美元，且达到默认 0.50 美元/小时上限后就会停止调用；把上限提到 50 条/秒则约 3.81 美元/小时。需要强调这些是项目作者根据 token 记录推算，不是账单。默认 cap 是 0.50 美元/小时，到顶后界面会提示并停止调用，这属于工程实践，不是官方要求。

下面是我根据上述社区自报数字做的单条成本复算，源数据是社区二手数据，不是官方数据：

# 本文自己推算：从社区自报批次数据复算单条 token 成本
batch_input_tokens = 10075
messages = 20
tokens_per_message = batch_input_tokens / messages  # 503.75，README 约写为 504
cost_per_million_input_tokens = 0.042
cost_per_message = tokens_per_message * cost_per_million_input_tokens / 1_000_000
# cost_per_message ≈ 0.00002115 美元

风险和限制：目前只有 Chrome，没有 Firefox build；只能以开发者模式安装；key 存在浏览器 profile 的 chrome.storage.local，安全责任在用户自己。虽然有权限限制和默认 CSP，但用户仍需自行判断是否把 Twitch 账号、聊天数据交给该扩展。

边缘场景的社区实测：机器人事故分流与成本对比

Jev for Physical AI 是一个社区测评仓库，由 RoboKrunch 发布，定位是“把 Jev 指向物理世界”，而不是浏览器和游戏。它提供两个 demo：A 是 10,000 台仓库 AMR 车队事故分流，B 是 Jev 与自托管 ModernBERT 的延迟和成本对比。该仓库明确说每组数据都是 2026-09-19 真实执行的 API 调用，但我仍要把它标为社区二手数据，因为这是项目作者自报，未经过独立审计。

Demo A 用 41 个中英文事故模板覆盖 LiDAR 退化、定位漂移、电池故障、托盘检测漏检、网络分区、人员闯入等，采样 300 次。每次调用要求 Jev 同时给三个判断：是否升级给人工（yes/no）、负责团队（choice）、紧急程度（score 0–2）。结果：300/300 成功；p50 延迟 0.527 秒，p95 0.813 秒，均值 0.558 秒；平均输入 584.9 tokens；每次决策约 0.0000246 美元，每百万次决策约 24.57 美元，整轮花费 0.00737 美元。一致性方面，274/300 与模板标签一致，占 91.3%。但这个一致性不能理解为生产准确率，因为事件是模拟的。作者自己在 limitation 里写道：Incidents are simulated from templates. Agreement with template labels ≠ production accuracy. 另外，该 demo 全部通过 OpenRouter 的 typesafe/jev-1.13，没有测试 TypeSafe 原生 POST /v1/systemone；GPT-4o-mini 对比只是成本估算，没有实测质量或延迟。这些限制非常关键。

车队成本模型把场景放大到 10,000 台机器人、每台每天 48 次决策、30 天，得到每月 14.4M 次决策：Jev 约 353.81 美元，GPT-4o-mini 估算约 1,814.40 美元，比例约 5.1 倍。但这个 5.1 倍只是成本比，不是质量比。作者原句：GPT-4o-mini is estimated ($0.15/M input, $0.60/M output, 600 input + 60 output tokens per call) — we did not measure its triage quality or latency. 这种坦诚值得肯定。

Demo B 对比自托管 answerdotai/ModernBERT-base（149M 参数，2-core AMD EPYC，CPU-only，batch=1，18 个人工样本，100 条测试事件）。结果：自托管 p50 169.3 ms，Jev 527 ms；自托管团队一致性 66/100，Jev 侧未直接可比；Jev 的优势是零训练、零标注、零运维，自托管优势是延迟快约 3 倍。仓库给出的 crossover 计算是：假设 4-vCPU VM 每月 24 美元，自托管约在 977K 次决策/月达到盈亏平衡，相当于约 678 台机器人每天 48 次决策。这个 977K 是项目作者推算，不是实测账单，应视为方向性数字。

复现门槛：Demo A 需要 OpenRouter API key；Demo B 需要从 HuggingFace 下载约 599MB 模型权重。仓库提供了复现脚本，目录结构如下：

# Jev for Physical AI README 的复现布局（社区项目，非官方）
code/
├── demo-a.py          # 通过 OpenRouter 的 300 次决策
├── demo-b.py          # 自托管 ModernBERT CPU-only 对比
├── charts.py          # 重新生成对比图
├── crossover.py       # Jev vs 自托管成本表 + crossover 分析
└── render_video.py    # 渲染 60 秒演示视频
data/
├── demo-a-results.json
└── demo-b-results.json

还有一点实操注意：如果本地环境配置了代理，需要覆盖 NO_PROXY=localhost,127.0.0.1，因为裸 IPv6 条目会让较新 httpx 崩溃。这是社区项目给出的坑，非官方建议。

Awesome TypeSafe：非官方目录能做和不能做的事

Awesome TypeSafe 是一个社区整理的 Awesome 列表，把“官方资源与社区项目”放在一起，但它开篇就声明：Independent community project. This repository is not affiliated with or endorsed by TypeSafe AI. 所以它适合当入口地图，不适合当官方背书。

页面首屏给出一段示例，是从官方文档 Quickstart 转引的“已保存响应”，不是实时模型调用。表格里列了 state、choice、score、noul：state 是 Hi, I've been trying to connect my Stripe account for 3 days and the integration keeps failing. I'm losing sales. Please help ASAP.；choice 返回 technical、0.85 的 selected probability；score 返回 1，对应 Frustrated but civil 的 0–2 挫折评分标准；noul 返回 1.0 的 urgency probability。这里我需要说明：我是通过该社区页面间接看到这个官方示例，没有直接打开官方文档原页核对全文，所以标为“社区转引”。它的价值是快速理解三个原语长什么样。

该目录按“官方资源、SDK 与开发者工具、概念和 cookbook、社区项目、客户端库、浏览器代理、游戏与机器人、评估和独立研究”等分类，并提供 JSON directory 下载。最近收录的 pg-jev、Kev、Jevals.com 只是“探索用，不代表排名或背书”。我能直接抄的是目录里的 JSON 索引和 coding agent skill，不推荐抄具体项目配置就上手。

jev-arena：本次未能核实的对照评测台

工单要求提到 jev-arena，但它不在本次抓取到的正文里。我只知道它是社区项目，目标是“同一套问题跑多个模型做对照”，非官方。具体需要什么 key、环境、怎么启动、可复现代码、风险与限制，本次均未能核实。我的建议是打开仓库 README 再判断，不要仅凭一句话就假设它能直接跑或官方认可。这一点写进“这次没核实的”。

我的判断：抄任务拆解，而不是抄代码或阈值

这四个项目里，能直接运行的是 Twitch 扩展和 Physical AI 的测评脚本，但直接抄它们并不一定适合你的场景。更值得拿走的是三个项目展示的“任务拆解方式”。

Twitch 过滤器把“聊天信息过载”拆成意图选择：用户点一个 chip，后端判断每条消息属于哪类。它其实在做离散分类。事故分流则要求一次调用同时完成“是否升级”“谁负责”“紧急度多少”，这是直接组合了三个原语。Physical AI 的作者还在成本上做了 upstream 模型对比，但对比的是成本，不是质量。Awesome 目录则负责把官方原语和社区项目放到一张地图上。

我的清单如下：

1. 如果需求是“分类到几个离散类别”，用 choice；它返回 choice、probabilities、confidence。
2. 如果需求是“给出一个有顺序的等级”，用 score；它返回 score、legend、probabilities、confidence，且 criteria 应该是从低到高的有序数组。
3. 如果需求是“异常、紧迫或需要人工介入的概率”，用 noul；它只返回一个 0–1 的 noul 值，没有 confidence、也没有 probabilities。
4. 不要把这些原语和阈值、cap、重试、并行请求混为一谈。$0.50/hour、10/s 评估上限、intent chip、OpenRouter 中转 都是社区项目的工程选择，不是官方要求。
5. 如果你要复刻，先写清楚 state、选择哪个原语组合、失败降级和成本上限，再找代码。这样可以避免把社区项目里的临时参数当成稳定接口。

这次我自己的判断材料全部来自社区公开 README，所以最终决策前仍建议到 TypeSafe 官方文档核对原语定义和最新定价。

这次没核实的

• jev-arena 的 README 正文、具体用法、key 环境与风险：未能核实。
• 官方 Quickstart 原文档页面未直接打开，Awesome 页面转引的 state/choice/score/noul 示例没有与官方文档逐字核对。
• TypeSafe 官方定价页没有直接看到，$0.042/M input tokens 来自社区项目转述，建议用之前自行访问官方定价。
• 未核实各仓库当前 star 数、最新 commit 时间，也未核实 OpenRouter 和 TypeSafe 模型版本是否已变化。
• 社区项目中的“生产准确率”“质量”未做独立复现，91.3% 只是模拟模板一致性。

参考来源

• jev-chat-for-twitch GitHub 仓库（社区项目，非官方）
• Jev for Physical AI README（社区实测，非官方）
• Awesome TypeSafe README（社区整理，非官方）
• jev-arena GitHub 仓库（社区项目，非官方，本次未能核实）