Awesome Jev ZH

September 20, 2026 · View on GitHub

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}

📘 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

⭐ 优质项目

Star 过 500 的项目，全生态一共这些。时间有限就先看这一栏，方向从浏览器操作、Agent 框架、上下文工程一直排到几个能自己训的开源复现。

门槛是纯 Star 数（2026-09-20 UTC 快照，表里的徽章实时更新）。Star 多只说明被最多人看过、试过、吵过，不等于代码质量好或者能直接上生产——这里面大半是 Jev 发布一周内写出来的。表格按星数降序，所以第一行是个规模完全不同的项目，看说明就明白了。每行都标了它所在的分区，想看同方向的其他项目往那儿翻。

项目	方向	说明
OpenByteInc/QuantDinger	交易系统	开源交易 OS，下单前的决策网关从 LLM 换成 Jev（走 `/v1/systemone`，没配 key 就回退 LLM）。它的 Star 主要来自交易系统本身，Jev 只是一个可选组件，放在这儿是因为规则只看星数。同类见应用
browser-use/jev-ultrafast	浏览器 Agent	全生态第一爆款。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。同类见应用
vercel/eve	Agent 框架	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。目前把 Jev 放进默认路径的主流框架，就这一个。同类见 Agent 工具
tamaratran/fast-jev-compaction	上下文工程	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，Agent 工具里的 winnow、yoshi 都是同一思路的变体
TheoLeeCJ/SemIf	开源复现	最受关注的复现，原名 `openjev`。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。不是 TypeSafe 的模型，作者自己也强调无隶属关系。同类见复现与评测
NandhaKishorM/laya	多语言决策模型	非自回归 System 1 决策引擎：单问题 33ms、批量 7.2ms/问（T4 自测），同样用严格评分规则做 RL，覆盖 100+ 语言——中文场景想找可自建的替代品，这是目前星数最高的一个。作者称此路线早于 Jev，README 里与 Jev 的同数据集对比属自评
jarrodwatts/jev-trader	链上交易	每个 Monad 区块对 Kuru 的 MON-USDC 做一次买卖决策——区块时间摆在那儿，这是少数几个「延迟本身就是硬约束」的场景。在线：jev-trader.vercel.app
TianyuCodings/NanoJev	开源复现	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
vinnylarouge/jevlike	开源复现	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。明确声明不是 TypeSafe 架构或 RLCD 的复现
typesafe-ai/skills	官方技能包	官方出的 Agent 技能包：原语、模式、怎么组织 evaluation。`claude plugin install typesafe@typesafe-ai`。其余官方仓库见官方资源与 SDK
jaredpalmer/kev	开源复现	Qwen 上挂 LoRA + readout head（0.5B–8B），`POST /v1/systemone` 与官方 SDK 兼容，改个 `base_url` 就能跑本地。冻结评测集上域外 kev-8b 0.77 对真 Jev 0.86（作者自测）。M5 上 1h45m 能训出 0.5B
Anil-matcha/awesome-jev-by-typesafe	清单	英文清单里做得最细的一份：用例、模式、prompt、起步代码，每条都标了出处。其他同类见其他 awesome 列表
awlevin/typesafe-computer-use	computer use	macOS computer-use：OCR 屏幕 → Jev 分类下一步动作 → 点击。约 $0.0002/步

剩下的项目按用途分在 SDK、应用、Demo、Agent 工具、复现与评测五栏里，每天重抓的完整榜单在热门自动榜。

🧠 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。

那它背后到底是什么技术？（官方不说，但开源复现已经把机制拼出来了）

官方刻意没有公开架构：参数量、模型类别、训练数据组成全部未披露，发布博文的 FAQ 里「为什么需要新的训练算法」「这个结果怎么做到的」两条明写了不在本文回答。所以下面分两块——官方声称的，和复现者实际做出来的。

官方声称的三点

叫 System One 模型，取自卡尼曼的「系统一」
训练方法 RLCD，优化目标是概率校准而非人类偏好（无论文、无公式、无算法步骤）
并行而非自回归：「一次查询生成全部输出」，不逐 token 解码——40–200 倍加速归因于此，但没给数学解释

复现者做出来的机制（这部分有代码可读，比官方博文实在）

jaredpalmer/kev 的说明最清楚，它用 Qwen 2.5-0.5B ~ 3-8B 作骨干 + LoRA（r=16）：

不解码，用 pointer head 打分——把每个选项的 </opt> 隐状态与 <decide> 隐状态相互打分，再过 softmax。概率来自这个打分头的监督训练，不是 next-token 预测
一次前向答完多题——所有问题和 state 打包进同一条 token 序列，用 block-causal 注意力掩码让每个问题都能看到 state、但看不到兄弟问题；每个问题分支的 position id 重新计数，所以问题顺序不影响结果。作者实测打包请求与拆开单发的结果一致到 4e-6
训练：在选项分布上做交叉熵，训练数据和线上请求走同一个渲染器。学习率是关键，5e-5 比默认 2e-4 好，高了会「侵蚀基座模型已有的知识」

TheoLeeCJ/SemIf（直接读选项 logits）、TianyuCodings/NanoJev、vinnylarouge/jevlike 三家路子一致。所以公开可验证的那部分机制可以概括成一句：一个普通的 transformer 骨干，外挂一个在候选项上打分的 readout head，一次前向把所有题答完，靠掩码保证题与题之间互相看不见。

这也解释了它的几个硬边界：选项必须预先穷举（所以 Choice 上限 255）、不可能输出 schema 之外的东西（结构上做不到幻觉）、以及为什么它彻底不会写字——模型里根本没有解码这一步。

注意复现者都声明过与 TypeSafe 无隶属关系，也没说自己复现了 RLCD。上面是「一个能跑出类似行为的合理机制」，不是 TypeSafe 的实现。

	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

🚪 体验渠道

「我想试试 Jev」这件事，今天一共有五条路：免密钥试用、托管网关、官方直连、无 key 先写代码、自己跑。官方那条要排 waitlist，但完全不必干等。

下面每条都标了要不要排队、要不要付钱、以及我踩到的坑。标「实测」的数字来自 2026-09-19 我在自己机器上的真实调用，脚本见各小节；标「官方」的来自厂商文档，两者别混着看。

渠道	要排队	要付钱	模型 ID	延迟（实测中位）	一句话
classifier.dev	不用	完全免费，连注册都不用	上报 `jev-1.13.0`	220ms 逐条 · 20ms 批量	想立刻摸到真 Jev 就走这条，代价是只剩「分类」一个功能
Vercel AI Gateway	不用	要绑信用卡，送 $5	`typesafe-ai/jev`	310–370ms	三个原语齐全的最快路径，绑卡这关劝退不少人
TypeSafe 官方 API	要	看配额	`jev-latest` / `jev-1.13.0`	官方称 70–500ms	功能最全、延迟最低，但得等
官方 Playground	看账号	—	—	—	不写代码，粘一段 state 点几下
官方 adapter	不用	用你自己的 LLM key	—	取决于后端	先把代码写完，后端暂时挂普通 LLM
OpenRouter	—	—	`typesafe/jev-1.13`	—	暂时别指望，见下
开源复现（kev · SemIf · laya）	不用	自己的显卡	自己训	看硬件	唯一能完全离线、数据不出内网的路子，见复现与评测

零门槛：classifier.dev

不用注册、不用 key、不用绑卡，一条 curl 就能碰到真的 Jev 1.13。 目前门槛最低的一条路，没有之一：

curl "https://classifier.dev/billing,technical,sales/我的信用卡被扣了两次款"
# billing

要拿结构化结果就走 POST，返回体里会写清楚到底调了什么模型：

curl -X POST https://classifier.dev/ -H "Content-Type: application/json" \
  -d '{"input":"线上全挂了，所有接口 502","labels":["billing","technical","sales"]}'

{
  "tier": "fast",
  "model": "jev-1.13.0",
  "modelsUsed": ["jev-1.13.0"],
  "results": [{ "label": "technical", "confidence": 1,
                "scores": { "billing": 0, "technical": 1, "sales": 0 } }]
}

字段名有个小坑：单条用 input，批量用 inputs（传数组，最多 1000 条）；写成 text / texts 会返回 no_input 错误。

官方给的免费额度是 fast 档 3,000 次/分钟、20,000 次/天（按 IP 算），smart 档 200/分钟、2,000/天；Pro $20/月按账号放大十倍。

classifier.dev 和 Jev 是什么关系

先说最容易误会的一点：它不是 Jev 的竞品，它是搭在 Jev 上的。 返回体里的 "model": "jev-1.13.0" 和官方直连是同一个模型同一个版本。所以「谁更准」这个问题本身问错了——同样的输入，它们给的是同一个答案。

真正的区别在你能往里喂多少信息，以及出事时会发生什么：

	classifier.dev	Jev 直连（官方 / Gateway）
门槛	无注册、无 key、无卡	Gateway 要绑卡；官方要排队
能用的原语	只有分类，即 Choice 的一个子集	Choice / Score / Noul 三个都有
一次请求问几题	1 题	多题并行，实测加到 4 题延迟不变
选项能否带描述	不能，只能给标签词	能，`criteria` 里每个选项都能写说明
批量	一次最多 1,000 条，实测 20ms/条	按请求算
出错时	Jev 不可用会静默回退到一串 LLM（官方说明），要看 `modelsUsed` 才知道	报错就是报错
smart 档	不确定的答案升级到推理模型，实测最慢 3.5s	无此概念
计费	免费 / $20 月订阅	$0.042 / MTok

那个「选项能否带描述」不是小事。我用同一份中文数据量过，光给标签词比给带描述的标签，准确率掉 13.3 个百分点（80.0% → 93.3%，3 轮完全复现）。Jev 直连的 criteria 能写「支付、扣款、发票、退款、订阅账单」，classifier.dev 只能收一个 billing——差的就是这个。

所以选型很清楚：摸底、原型、一次性脚本用 classifier.dev；真要上生产，尤其是需要 Score / Noul、需要一次问多题、或者不接受静默回退的，走直连。

中文场景小实测

这份列表里一直缺中文数据，我补一组。15 条中文客服工单，我自己标的部门与紧急度，走 Vercel Gateway 直连 Jev，一次请求同时问三题（Choice 路由 + boolean 紧急 + Score 不满程度）：

指标	结果
部门路由准确率	14/15 = 93.3%
紧急度准确率	14/15 = 93.3%
延迟	最快 281 / 中位 370 / p95 448 ms
唯一错判	「优惠券输进去提示无效，但明明还没过期」判成 technical（conf 0.85），我标的是 billing

这不是评测，别当评测引用。 n=15、标签我一个人定的、错判那条本身就模棱两可（优惠券失效算账单问题还是程序问题？换成人也会犹豫）。它只够说明「中文没有明显掉链子」，不够支撑任何百分比结论。严肃的中文评测目前仍然只有 judgekit 一份。

有两个现象值得单独记一笔：

一，批量比逐条准。 同样 15 条数据，一条条发准确率 80%，塞进一个请求发是 15/15，3 轮完全一致、不是噪声。推测是同一批里的其他样本给了模型相对参照。这条在官方文档里没见人提过，如果你的场景能攒批，攒批不只是快，可能还更准。

二，confidence 在中文上偏饱和。 15 条里 12 条直接给 1.00。唯一那条错判确实掉到了 0.85，最低的 0.70 反而是对的——所以拿 confidence 做门控在这份数据上能用，但阈值别卡太高，1.00 出现得太频繁了。上生产前务必在你自己的数据上重新量，这也是官方 Confidence 文档反复强调的。

本地部署：完全离线的几条路

数据不能出内网、或者延迟要压到实时交互那个量级（语音、控制回路）的时候，托管渠道就不够看了。Jev 本身没有开放权重，但几个开源复现已经能跑出同类行为，其中 laya 是唯一进入实时区间的：

方案	骨干	参数	单题延迟	批量	硬件	原语	许可
laya-multilingual	mmBERT-base	322M	32.8 ms	7.2 ms/题	单张 T4	choice / score / noul 全有	Apache-2.0
laya	ModernBERT-large	421M	39.5 ms	15.9 ms/题	单张 T4	同上	Apache-2.0
kev-0.5b	Qwen2.5-0.5B + LoRA	0.5B	~160 ms (fp32)	—	消费级即可	typed questions	Apache-2.0
kev-4b	Qwen3-4B + LoRA	4B	~1 s (bf16)	3 题 277ms (M5)	32GB Mac	typed questions	Apache-2.0
SemIf	Qwen3.5-4B	4B	1.02 s	20 决策/秒（共享 state）	RTX 3090 / MLX	直读选项 logits	MIT

两点值得单独说：

kev 的卖点是 API 兼容。 python -m kev.serve --run jaredpalmer/kev-4b --port 8009 起一个 /v1/systemone 端点，官方 SDK 改个 base_url 就切过来了——先拿官方 API 把代码写完，再无痛换本地，这条路径目前只有它提供。代价是慢：4B 在 Apple Silicon 上约 1 秒。冻结测试集上 kev-4b 0.790 对真 Jev 0.857（作者自测，764 条）。

laya 的中文表现是这几个里最好的，而且它不是 4B 大模型，是个 322M 的编码器。 51 种语言的 MASSIVE intent（20 选项，随机基线 0.05）上 zh-CN 拿 0.630、zh-TW 0.540，zh-CN 在整个语言表里排前列。

作者还自测了 laya 对 Jev：typed-decisions 0.766 对 0.727、AG News 0.950 对 0.910、DAIR Emotion 0.595 对 0.480。我们复现了后两项，结论只对了一半（各 400 条，托管的真 Jev 1.13 走 Vercel AI Gateway，两种提示写法都试过取各自最好的）：

	本地 laya（fp32）	真 Jev 1.13
AG News	92.8%	85.5%（原生 criteria）／88.0%（classifier.dev）
dair-ai emotion	54.0%	61.5%（原生 criteria）／62.7%（classifier.dev）

AG News 上 laya 确实赢，方向与作者自评一致；但 emotion 上方向是反的——作者称 laya 0.595 胜 Jev 0.480，实测是 Jev 赢 8–9 个点。细粒度情绪分类要用 laya 的，务必先在自己的数据上量。

另一条容易踩的：提示写法不能跨模型迁移。 同一个任务，给选项加描述对两者的影响方向相反——AG News 上 laya +1.6 / Jev −2.5，emotion 上 laya −7.2 / Jev +1.4。换模型必须重调。

把上面这些跑到 CPU 上：EdgeJev

利益相关：yzfly/edgejev 是本清单维护者写的，刚发布，star 数还不够进优质项目那一栏。放在这里是因为它正好解决这一节的问题，数据都可以自己复现。

上面那张表的延迟大多是 GPU 上的数字。laya 自己的提示里写着 CPU 上 ~200-500 ms——真要落到没有显卡的机器上，得先做一轮 ONNX + 量化。EdgeJev 把这一步打包成 build / serve / eval / bench 四个命令，运行时只要 onnxruntime + tokenizers + numpy，不需要 torch，Linux / macOS（Apple Silicon 走 CoreML）/ Windows 都能跑。

uv tool install "edgejev[build]"
edgejev build --backend laya --out ./jev-int8   # 只此一步要 torch
edgejev serve --model ./jev-int8 --port 8009    # 官方协议的 /v1/systemone

4 vCPU Xeon（AVX512-VNNI）上，laya-multilingual 单题 15.6 ms、三题一次 44.8 ms，体积 1290 MB → 324 MB；--precision fp32 与上游 PyTorch 逐位一致（最大概率偏差 0.00000）。

顺带记三个量化上的坑，都是实测：

动态量化会让结果依赖 batch。 fp32 ONNX 单条与批量差 0.000e+00，int8 动态差 2.43——激活 scale 在运行时按实际张量算，padding 一变就变。对一个卖校准概率的模型是硬伤，要可复现就固定 batch=1 或用 fp32。
别用 QUInt8。 同 8 bit 同体积，但 x86 的 VNNI 只对有符号 int8 有快路径：实测 QUInt8 27.9 ms、QInt8 15.6 ms。（ARM 走 SDOT，不适用此条。）
保留嵌入表不量化没用。 322M 里 196.6M 是 256k 词表的嵌入表，看着像精度大头，保留后精度没回来（91.0% / 51.5%），体积反而从 325 MB 涨到 915 MB。

另一条路：本地起一个 Jev 兼容的 `/v1/systemone`

上面那张表是「换一个自己的模型」。还有一类项目不换 API——在本机起一个官方协议的端点，官方 SDK 改个 TYPESAFE_BASE_URL 就切过去了。按「概率是怎么来的」分成三种，差别比看上去大得多：

方案	概率从哪来	后端	代价
githubnext/localjev	提示模型自己报	任意 OpenAI 兼容端点（默认 oMLX 上的 DiffusionGemma 26B-A4B-4bit）	最好装，但绕回了生成+解析+重试
razorback16/openjev	真从 logits 读	打了补丁的 vLLM	概率是真的，但依赖未合入的 vLLM 扩展
ekzhang/openjev-sglang	真从 logits 读（prefill-only）	SGLang	同上，装起来有门槛

localjev 是 GitHub Next 出的，TypeScript/Bun 写的一层协议桥，自己不做推理：把 state 和带类型的问题翻译成一个分类 prompt → 发给上游 LLM → 要它吐 JSON 概率标量/向量 → 校验、格式错就重试（LOCALJEV_MALFORMED_RETRIES 默认 2）→ 归一化 → 算出 choice、期望分、熵置信度 → 按 Jev 的响应格式返回。

它的 README 把取舍写得很坦白，值得原样引用：wire-compatible, but not mathematically equivalent——「概率是模型生成／自报的，不是直接从 logits 读的，上生产前请在你自己的负载上验证校准」。

所以要清楚自己换来了什么：协议兼容，但 Jev 想消灭的那一圈全回来了——逐 token 生成、解析 JSON、schema 校验、失败重试。延迟和成本是完整 LLM 的量级，不是 System One 的量级。它真正的价值是在没有 Jev key 的机器上把代码跑通，以及拿它的 bake-off 脚本横向比不同本地模型（仓库里有一份 M5 Max 上 1,200 请求的评测报告，跑了 AG News / BoolQ / SST-5，作者明确说是小样本筛选而非定论）。

想要真概率就得往下走一层：openjev 用 DiffusionGemma 的一步 structured read 直接拿 logprobs，但依赖 vLLM 未合入的 diffusion_seed_canvas、diffusion_read_only 等扩展。准确和易装，目前只能二选一。

顺带澄清一个容易混的点：SemIf 曾用名也叫 openjev，和上面 razorback16 的 openjev 是两个不相干的项目。

部署上有个坑能直接毁掉延迟优势：默认 max_loaded=1，如果请求在不同语言间来回切，模型会每个请求重建一次——实测 CPU 上中位 7.4 秒、T4 上 10.3 秒。上生产务必预加载并放大 max_loaded，否则 33ms 会变成 10 秒。

坑清单

按踩到的概率排，前四条都是我这次真撞上的：

坑	说明
Vercel 必须绑信用卡	不绑卡任何请求都是 `403 customer_verification_required`，跟 key 对不对无关。绑完才给 $5 免费额度，额度从你第一次请求开始起算
Gateway 上 `noul` 改名叫 `boolean`	官方 API 是 `{"type":"noul"}` 返回 `noul` 字段；Gateway 只认 `'boolean' \| 'choice' \| 'score'`，返回 `probability`。照官方文档抄过去直接报错
`criteria` 必填，而且三种类型形状不同	Choice 要对象（`{"billing":"说明"}`），Score 要数组（`["低","中","高"]`），boolean 不要。Choice 写成 `options` / `choices` 都不认
jev 不能走 `/v1/chat/completions`	它是 evaluation 类型模型，走聊天端点会明确报错 `is an evaluation model, not a language model`。Gateway 的原生端点是 `POST /v1/evaluate`
`ai` 包要 7.0.103 以上	`experimental_evaluate` 是 7.0.103 才加的，7.0.102 及以前没有这个导出。或者直接用 `@ai-sdk/typesafe-ai`
npm 上的 `typesafe-sdk` 不是官方包	那是个 0.0.0 的占位包，跟 TypeSafe 无关。官方 JS 是 `@typesafe-ai/sdk`；`pip install typesafe-sdk` 才是对的（PyPI 上是官方的）
免费层有速率限制	实测连发十几次就会撞 `429 rate_limit_exceeded`（提示 upstream 高负载），退避重试即可。买了 credits 才进付费层放宽限制
一旦买了 credits 就没有月度免费额度了	官方原话：购买后账号转入付费层，monthly free credit 不再适用。只想白嫖就别充值
Spend Management 管不住 AI Gateway	文档明写暂停项目 does not stop AI Gateway API key usage。要限额得用 Gateway 自己的 Budgets，可以按 team / 项目 / 单个 key / 成员分别设
Auto top-up 记得保持关闭	默认就是关的，别手滑打开，否则余额见底会自动扣款续费
OpenRouter 还没真正上线	有模型页，但 2026-09-19 实测 `/api/v1/models` 返回的 446 个模型里没有 jev。别照着它写代码
Gateway 元数据里 `context_window` 写 32000	对应官方的「state + 最长问题 ≤ 32k」那一项，不是 64k 总量；另外 `max_tokens` 报 0，某些会校验这个字段的框架会被卡住

⚡ 上手

渠道怎么选、各自有什么坑，都在上一节体验渠道。这一节只讲代码——以官方 Python SDK 为例，其他渠道换个客户端，问题的写法是一样的。

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。

_{来源：Models 文档 · 发布博文}

🧭 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	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/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-js		`npm i @typesafe-ai/sdk`	官方 TS/JS 客户端，类型定义完整
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	说明
TypeScript	pithings/advocaat	小而美的 TS 客户端，给三原语打了 tagged helper
Shell	shiftynick/jev-axi	面向 Agent 的 CLI：pick / rate / check / rank / triage
Erlang/OTP	dannote/jev	从 GenServer 回复 Jev，直接模式匹配答案
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
.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
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
Laravel	Butochnikov/laravel-typesafe-jev	Laravel 12/13 集成：Facade、scoped DI、recording fake
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
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
OpenByteInc/QuantDinger		开源交易 OS（加密 / 股票 / 外汇，含回测与实盘）：下单前的决策网关从 LLM 换成 Jev，走 `/v1/systemone`，没配 key 就回退 LLM。Jev 在这里是可选组件，但接得完整，文档里连超时和降级路径都写了
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
milind-soni/tiptour-macos		macOS 本地 computer use：CoreML + OCR 在本机认出按钮和文字，Jev 只从这份控件清单里选点哪一个。截图不出本机（识别出的文字仍要发给 Jev），12 步上限，作者报单步约 90ms。要写字得切到 Gemini 模式——Jev 不生成文本
awlevin/typesafe-computer-use		macOS computer-use：OCR 屏幕 → Jev 分类下一步动作 → 点击。约 $0.0002/步
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
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
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
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
lakeday-org/perch		AST 驱动的语义 code lint
shhivv/third-hand		macOS 控制，Jev 是唯一模型，不挂任何 LLM。它「输入」的文字是从你那句指令里挑出来的，不是生成的——所以能填表单，写不了新句子。Apple Silicon 签名版可直接下载
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
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
trungdq88/youtube-sponsor-detection		看 YouTube 时跳过口播广告：字幕分窗交给 Jev 判断哪几句是赞助，程序再把句子编号换算成时间轴。没字幕就先走语音转写
ChetasLua/jevmeter		给任意视频挂实时 Jev 仪表：逐句打分，导出 16:9 成片
mrnugget/jev-shell-history		Thorsten Ball 写的 zsh 历史补全：最近 100 条去重历史当候选，Choice 选一条、Noul 再把关要不要显示，过期结果直接丢。fish 那种体验，但按语义排
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
jexp/neo4jev		让 Jev 在 Neo4j 图上导航：对邻居节点做分类，一步步走过去
yusukebe/hono-jev-router		Hono 语义路由：不看路径看请求的意思——人来的返网页、Agent 来的返 Markdown。逐条判断路由描述取第一个过阈值的，普通路由优先。在线：hono-jev-router.yusuke.run
devanshbatham/commit-miner		Rust CLI，给 commit diff 分类：修 bug、安全/CWE、变更类型，出 HTML/CSV 报告
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
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
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
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
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
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
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
classifier.dev	—	托管的零门槛分类 API，底座就是 Jev 1.13（返回体里写着 `model: jev-1.13.0`）。不用注册、不用 key、不用绑卡，一条 curl 就能跑；批量一次 1,000 条，实测 20ms/条。代价是只剩分类一个原语、选项不能带描述、Jev 挂了会静默回退到 OpenRouter 上的 LLM 链（看 `modelsUsed` 字段才知道）。对比见体验渠道

🎮 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
openroboto-ai/jev-robot-control		MuJoCo 里的 xArm7 把苹果放进盘子，三个模型同台：Jev 1.13 和 GPT-6 Astra 都放进去了，成本 $0.019 对 $5.93（墙钟 182s 对 707s），GPT-4.1 mini 撞到 160 周期上限没完成。单次试验，物理和关节控制留在代码里
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
Ask Jev	🔗 在线	随便问一句，看它怎么判断而不是怎么回答。感受「选择式 AI」最快的一个入口，但别把结果当知识——没有任何事实准确率评测
1kpapers	🔗 在线	1000+ 篇 AI 论文按 24 个主题归类：先让 LLM 把论文写成摘要，再让 Jev 给摘要贴标签。全量推理 $4.07
Probably	🔗 在线	玩具语言：把「这封邮件急不急」这种语义判断直接写进 `if` 分支。Jev 判条件、解释器走流程、另一个模型写文字，三件事分得很干净
RISC-jeV	🔗 在线	拿 Jev 当逻辑门用：先判 AND / OR，再拼成 SERV 的 RISC-V 指令。看组合原理的，不是更快的算法
Jev Plays Pokémon	🔗 在线	长程游戏：几千次决策累积推进剧情，拿到第一枚徽章。比剪辑好的片段更能看出长时间跑下来什么样
Jev City	🔗 在线	九个路口的交通灯沙盘：程序给路口状态，Jev 选放行方向
Jev 聊天小游戏	🔗 在线	先判断你在说什么、语气怎样，游戏再决定怎么接话
Kernel 浏览器演示	🔗 在线	云端浏览器里的「观察 → 选择 → 操作」循环
Tester Army	🔗 在线	Web / 移动端 E2E 测试：Jev 参与每一步「下一步点哪」，断言仍要自己写
NoSugarForKids	🔗 在线	零食多维评分：每个维度问一题，网站汇总成表。评分问题本身没公开
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`
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`
NiazMorshed2007/jev-review		本地优先 MCP：Claude Code / Codex / Cursor / OpenCode 边写边拿结构化质量审查
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`
itsmostafa/typesafe-mcp		Go 写的 CLI + 单二进制 MCP，适配 Claude Desktop / Claude Code / Codex
dbreunig/building-with-jev-skill		一个专门教 Agent「怎么写调用 Jev 的程序」的 Skill
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`
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
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
0xNatoshi/jev-codex-router		Codex 每轮路由：Jev 选模型、思考深度和速度模式
supercorp-ai/supercov		给编程 Agent 的代码质量与测试覆盖率：Jev 给每个源文件打分，Agent 就知道先修什么
nidhi-singh02/agent-router		CLI 按任务挑 Cursor / Claude Code / Codex / OpenCode + 模型档位，然后直接启动
shantanugoel/ask-jev-skill		Hermes Skill：Agent 需要有界决策时去问 Jev
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`
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
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
blakestone-x/jev-mcp		Python MCP：classify / score / check / match / screen
romaluev/jev-ego		ego lite 上的浏览器 Agent，observe / act / suggest / step CLI
sharziki/semdecide		给 Unix 管道和 CI 用的类型化语义决策，`cat log \| semdecide ...`
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
samtay32/jev-system-architect		专找代码里脆弱的语义逻辑，改写成 Choice / Score / Noul 边界

🔬 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/SemIf		最受关注的复现（原名 `openjev`）：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
NandhaKishorM/laya		多语言非自回归 System 1 决策引擎：choice / score / noul 单次前向，33ms 一问、批量 7.2ms 一问（T4 自测），覆盖 100+ 语言，权重与 Colab demo 都在 Hugging Face 上。作者称这条路线早于 Jev，README 里与 Jev 的同数据集对比属作者自评
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
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
jaredpalmer/kev		Qwen 上挂 LoRA + readout head（0.5B / 0.6B / 4B / 8B），block-causal mask 保证问题之间互相看不见，打包与分开请求的结果对到 4e-6。`POST /v1/systemone` 与官方 SDK 兼容，改 `base_url` 即可本地跑。冻结评测集域外分：kev-4b 0.76、kev-8b 0.77、真 Jev 0.86（作者自测）
githubnext/localjev		GitHub Next 出的协议桥（TypeScript/Bun）：本机起一个 Jev 兼容的 `/v1/systemone`，背后转成分类 prompt 发给任意 OpenAI 兼容端点（默认 oMLX 上的 DiffusionGemma）。概率是模型自报的，不是读 logits，作者自己写明「wire-compatible, but not mathematically equivalent」。附 AG News / BoolQ / SST-5 的多模型 bake-off 脚本。详见体验渠道
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
razorback16/openjev		DiffusionGemma 上的 Jev 兼容决策服务，用一步 structured read 真从 logits 拿概率；代价是依赖 vLLM 未合入的 `diffusion_seed_canvas`、`diffusion_read_only` 等扩展。注意与曾用名相同的 SemIf 无关
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
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
r-ms/mini-jev		冻结的 Qwen3-4B 上，Jev 式类型化决策接口长什么样
zhengxuyu/litjev		Jev 的复现：把任意 Qwen 模型变成快速决策模型，提供与 Jev 完全相同的 /v1/systemone schema（Choice、Score、Noul），不训练、不生成回答文本，附 MMLU-Pro 直答评测
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
stephanj/parallelConstraintDecoding		Java + Python 双版本的并行受限解码实现
genai-craft/openvons		日文向 open-Jev：文本 / 图像 / 日语语音命令的概率判断层
OmniJev/PlayJev		多模态复现：微调 Qwen3.5-0.8B 看 448 px 游戏画面玩十个网页小游戏，一次前向读选项字母的概率出招，不生成文本；权重、两轮 DAgger 的复现脚本和浏览器 demo 都公开
siliconkernel/vllm-jev-decison		给 vLLM 加「只分类」模式：有限 schema 候选打分 + 概率
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
nekuda-ai/WindTunnel		WebMCP 基准，21 种配置横向比成功率 / 成本 / 耗时。Jev + Mercury 2.5 走 WebMCP 49/49 全解、每次中位 $0.0011、3.2 秒，排第一；同一对模型改走 ultrafast DOM 控制只剩 25/49，单次更便宜（$0.0008）但成得少。少见的第三方横向基准，成本和时延都列了
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
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
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
lexingtonhibiki/judgekit		中文场景首批公开评测：130 条人工标注样本（工单派单/情感/垃圾评论/紧急度），Jev 原生 decisions API 实测 97.7%（Wilson 95% CI [93.4–99.2]）@ ~890ms、¥0.105/千次，关键词规则基线 91.5%；0.7 置信度门控可捕获全部 3 个误判。局限：mini 集人工构建、LLM 对照组补测中；协议与逐条误判随仓库公开
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

中文场景的公开评测，目前只有 judgekit 一份。 130 条自建样本、作者自己标注了「mini 集人工构建、LLM 对照组还在补」，样本量撑不起结论，只能算一个起点。谁做过更大规模的中文分类、内容审核或客服工单对比测试，欢迎把数据发过来——结论对 Jev 有利还是不利都一样有价值。这仍是这份列表最缺的一块。

🍳 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

官方 Cookbook 全表（可直接照抄的工作流）

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

文章	来源
TypeSafe AI debuts model for machines that plays Doom	The Register
ChatGPT pioneer launches Jev model for programmatic logic	AI News
TypeSafe AI Emerges From Stealth With $40M in Funding	Yahoo Finance
Jev: TypeSafe's System One Model That Never Hallucinates	DataCamp
TypeSafe JEV Explained: AI Decisions Without a Chatbot	The Neuron
AINews: a "System One Model" that only decides/classifies/routes/scores	Latent Space

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
Generating game levels in real time with Jev	Sprite Fusion 的实战记录：跑酷地形实时生成，Jev 只选宽度、间隔、高度和地块类型，摆放交给游戏代码

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
LinkedIn	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
yibie/awesome-jev		收录讨论与集成，含社区争论
AbdelStark/awesome-typesafe		覆盖整个 TypeSafe / System One，不只 Jev
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
valentynkit/awesome-jev-typesafe		CC0 协议，按「你会安装什么」分类，开头一节讲模型局限，通过 awesome-lint
JackZeng/Jev_apps		不是链接列表，是案例库：129 个应用逐个拆开讲原理，中英双语，每条带 A/B/C 证据分级和原帖溯源。「这个宣传超出证据了」标得很直接，本列表这次的补充就是对着它查的

🧊 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。

这份列表如果帮上忙了，欢迎点个 Star

由云中江树维护 · 微信公众号「云中江树」