cobanov/awesome-jev
# Awesome Jev 学习卡
一、一句话定位
Jev 是 TypeSafe AI 推出的 System One 模型，专门用于快速、类型化、带概率的软件决策（如分类、路由、评分、验证），而非自由文本生成。
二、核心技术/架构亮点
1. 三种决策原语：`Choice`（选择选项）、`Score`（按评分等级评估）、`Noul`（返回 0–1 的“是”概率），输出约束且带置信度。
2. 输入输出边界清晰：只接受文本或结构化状态 + 类型化问题，返回结构化答案与概率，应用层负责确定性校验。
3. 低延迟、可校验：设计用于有界工作流内的即时决策，但 schema 有效不等同于决策正确，需自行校准阈值并保留人工兜底。
4. 生态丰富：已汇集 102 个社区项目，涵盖 SDK（Python、JS、Go、Java 等）、MCP 服务器、CLI 工具、评价套件等，全部附源码和复现证据。
三、适用场景与目标用户
- 场景：语义路由、工单分类、搜索结果重排序、内容审核、脚手架护栏、内部 DSL 决策等不需要长文本生成的场景。
- 目标用户：需要将快速、可解释的 AI 决策嵌入业务逻辑的软件工程师 / ML 工程师；对模型输出格式有严格要求的 DevOps 或平台团队。
四、可动手动作
1. 克隆仓库：`git clone https://github.com/cobanov/awesome-jev` 浏览社区项目源码，学习 Jev 集成模式。
2. 调用官方 SDK：安装 `typesafe-sdk-python`（pip install typesafe-sdk-python），用以下代码体验决策：
```python
from typesafe import Jev
client = Jev(api_key="...")
answer = client.ask(state="user message", question=Choice(["spam", "not_spam"]))
print(answer.choice, answer.probability)
```
3. 通过 OpenRouter 接入：无需 API Key？使用 OpenRouter 上的 `typesafe/jev-1.13` 端点，用标准 OpenAI 兼容 SDK 调用。
4. 借鉴思路：查看 `agent-router`（模型路由 + Jev 排序）或 `blink`（文件导航）项目，复制其 Jev 使用模式到自己的工具链。
五、学习优先级 P1（排期学习）
理由：Jev 代表一种新型的“系统一”决策范式，有明确的使用边界和大量社区验证，适合在需要低延迟决策的场景（如用户消息分类、流水线分支）中优先尝试，但非通用 LLM 替代品，不必本周动手。⌂