Jev 是 TypeSafe AI 在 2026 年 9 月 15 日正式公开的首个 System One Model。

和 ChatGPT、Claude 这类以生成文本为核心的大模型不同，Jev 主要面向软件自动化中的快速判断任务：程序提供当前状态和预先定义好的问题，Jev 返回结构化判断、概率与置信度，再由程序决定下一步动作。

TypeSafe 将这种模式概括为：

Unstructured state in → Typed probabilistic decisions out

目前 Jev 仍处于 Early Access 阶段。官方公布的价格为 每百万输入 Token 0.042 美元，输出不计费；官方公布的典型端到端延迟约为 70～500ms。这些数据均来自 TypeSafe 当前公开资料。(TypeSafe AI)

Jev 官方入口

官网目前把 Jev 的主要输出方式分成三类：

Noul：Yes / No 判断，并返回概率。

Choice：从预先定义好的候选项中选择，并返回各选项概率。

Score：按照给定等级或尺度进行评分。

官方推荐的思路也不是让 Jev 一次解决一个大型任务，而是把任务拆成多个窄而明确的判断，再由代码组合结果。(Evals)

下面是目前围绕 Jev 出现的 20 个代表性开源项目。

1. jev-ultrafast：高速 Browser Agent

Browser Use 团队推出的浏览器 Agent 实验。

浏览器先把当前页面中可以交互的元素转换成结构化状态，Jev 负责判断下一步执行什么操作，以及应该操作哪个元素。只有真正需要生成输入文字时，系统才调用生成模型。

项目演示中，在 Google Flights 完成一次航班搜索约耗时 7 秒。

适合研究 Browser Use、网页自动化以及低延迟 Agent。

GitHub：
https://github.com/browser-use/jev-ultrafast

2. fast-jev-compaction：给 Claude Code 压缩上下文

fast-jev-compaction 用 Jev 判断 Claude Code 历史工具调用是否仍然与当前任务有关。

与传统的上下文摘要不同，它不会重新改写需要保留的内容。

处理方式是：

有用 → 保留原文

无用 → 删除

这样可以减少 Read、Bash、Grep 等工具不断累积造成的上下文膨胀，同时降低摘要过程丢失代码细节的风险。

GitHub：
https://github.com/tamaratran/fast-jev-compaction

3. json-render：Jev + Generative UI

json-render 是 Vercel Labs 推出的生成式 UI 框架。

开发者先定义允许 AI 使用的组件、属性和结构，模型负责生成符合约束的 UI 描述。

项目已经加入 Jev Composition 实验，让 Jev参与组件、属性和布局选择，而不是完全依赖传统 LLM 逐 Token 生成 JSON。

截至 2026 年 9 月，该功能仍被标记为 Experimental / Unreleased。

GitHub：
https://github.com/vercel-labs/json-render

4. typesafe-mcp：直接把 Jev 接进 Claude Code 和 Codex

这是目前体验 Jev 最直接的项目之一。

它把 Jev 封装成 MCP Server，可以接入：

Claude Code、Claude Desktop、Codex 和 Pi。

Agent 可以通过 MCP 调用 Jev 的 Choice、Score 和 Noul 判断能力，不需要自己重新封装 API。

项目使用 Go 编写，可直接作为单一二进制程序运行。

GitHub：
https://github.com/itsmostafa/typesafe-mcp

5. jev-mcp：现成的 Jev 判断工具箱

jev-mcp 同样通过 MCP 接入 Jev，不过重点是提供已经封装好的 Agent 判断能力。

目前覆盖：

事实核验、内容筛选、语义排序、分类、候选选择、信息提取、文本比较、代码检查以及任务完成状态判断等场景。

适合直接加入现有 Coding Agent 或自动化工作流。

GitHub：
https://github.com/jkudish/jev-mcp

6. SemDecide：在 Shell 里直接调用 Jev

SemDecide 把 Jev 封装成命令行工具。

因此可以直接在 Shell 中完成：

分类、评分、过滤、路由和语义判断。

输出还可以继续通过 Unix Pipeline 或退出状态码交给其他程序处理。

比较适合爬虫、CI、数据处理和自动审核流水线。

GitHub：
https://github.com/sharziki/semdecide

7. jev-codex-router：动态选择 Codex 模型和推理档位

这个项目在每轮 Coding Task 开始之前先调用 Jev。

Jev判断任务的类型和复杂度，然后决定：

使用哪个模型、需要多少推理深度以及采用什么速度模式。

简单任务可以走成本更低的模型，复杂任务再切换到高能力模型。

项目作者公布的一组 237 个 Codex Turn 回放实验中，相比始终使用最高档模型的基线，成本下降约 60%。该数字来自项目自身测试数据。

GitHub：
https://github.com/0xNatoshi/jev-codex-router

8. Winnow：Claude Code 的上下文垃圾回收

Winnow 专门处理 Coding Agent 的大体积工具输出。

Read、Bash 或 Grep 返回大量内容之后，Winnow 将结果切块，再使用 Jev 判断每个片段与当前任务的相关度。

低相关内容会从主 Context 中移除，但会留下摘要和恢复引用，需要时仍可以重新读取。

相比单纯删除，它更接近一种 Agent Context 分层存储机制。

GitHub：
https://github.com/GhalebDweikat/winnow

9. jev-review：代码审查前先筛高风险区域

jev-review 使用 Jev 对代码 Diff 和 Codebase 进行第一轮风险判断。

流程包括：

风险识别、相关文件定位、问题机制分类以及严重程度判断。

高风险区域再交给大型模型或者开发者进行深入 Review。

项目同时提供本地 Dashboard。

GitHub：
https://github.com/devagrawal09/jev-review

10. Blink：让 Jev 在代码目录树里导航

Blink 没有先给整个代码库建立向量数据库。

它从 Repository 根目录开始，让 Jev 对当前文件和目录名称进行相关性判断。

更相关的路径继续向下搜索，不相关的路径提前停止。

本质上是：

问题 → 目录判断 → 下一层目录 → 再判断

适合大型代码库导航以及 Agent 文件搜索实验。

GitHub：
https://github.com/ellipsis-dev/blink

11. agent-desktop：结构化桌面自动化

agent-desktop 是一个使用 Rust 编写的桌面自动化工具。

它读取操作系统 Accessibility Tree，而不是只依赖截图，把按钮、菜单、文本框等桌面 UI 转换成结构化元素。

Jev 可以作为其中的判断层，根据当前 UI State 决定下一步操作哪个元素。

当前重点支持 macOS，Windows 和 Linux 支持仍在规划。

GitHub：
https://github.com/lahfir/agent-desktop

12. typesafe-mario：让 Jev 玩《超级马里奥》

typesafe-mario 不通过截图让 Jev理解游戏。

模拟器直接读取 RAM 和 Telemetry，包括：

角色位置、速度、跳跃状态、敌人位置以及地形。

这些数据转换成结构化 State 后交给 Jev。

Jev 再从跑、跳、向左、向右等操作中选择下一步动作。

整体结构是：

Emulator RAM → Structured State → Jev → Controller

GitHub：
https://github.com/fhshaik/typesafe-mario

13. jev-drone：无人机上层决策

jev-drone 在 MuJoCo 仿真环境中使用 Jev 进行无人机上层战术判断。

底层飞行控制、安全反射和导航控制仍然由传统程序负责。

Jev 主要判断：

爬升、刹车、通过障碍以及下一阶段导航动作。

这种架构避免让 AI 直接接管最底层的高频飞控。

GitHub：
https://github.com/RomanSlack/jev-drone

14. OneVOneJev：Jev 玩浏览器 1v1 FPS

这是一个浏览器中的第一人称射击实验。

服务器不断把游戏状态转换成结构化信息交给 Jev，包括：

位置、方向、目标、武器以及附近环境。

随后 Jev分别决定：

移动、Yaw、Pitch、瞄准、射击和跳跃。

项目展示了 Jev 在高频实时决策场景中的另一种用法。

GitHub：
https://github.com/emrickgarrett/OneVOneJev

15. jev-trader：Monad 测试网上的交易 Agent

jev-trader 读取 Monad 上 Kuru 的 MON-USDC Order Book。

Jev 根据当前市场状态判断短期方向，再决定 Buy 或 Sell。

程序随后负责挂单、撤单和其他确定性交易逻辑。

项目 README 中可以看到约 81ms 的单次事件记录，不过仓库的公开性能测试使用了约 80ms 的 Mock Model，因此这个数字不能直接视为 Jev 的正式稳定 Benchmark。

项目支持 Dry Run，可以使用真实 Order Book 数据测试而不提交真实交易。

GitHub：
https://github.com/jarrodwatts/jev-trader

16. Prism：Solana 流动性 Agent

Prism 是一个面向 Solana / Meteora DLMM 的自动流动性 Agent。

早期 Jev 社区资料曾将其列为 Jev 应用案例，但目前主分支已经发展为更完整的规则型流动性管理系统。

当前架构重点包括：

链上状态读取、规则型策略、Memory、模拟以及流动性再平衡。

因此它更适合作为 Jev 生态演化案例，而不是当前标准的 Jev Demo。

GitHub：
https://github.com/irfndi/prism-liquidity-agent

17. neo4jev：Jev + Neo4j 知识图谱

neo4jev 使用 Jev决定知识图谱应该往哪条边继续搜索。

到达一个节点之后，程序读取所有相邻 Relationship。

Jev 对这些候选路径进行判断，然后继续探索最有可能接近目标的节点。

项目还结合 Beam Search，同时保留多个候选路径。

适合：

知识图谱导航、关系搜索以及 Graph Agent。

GitHub：
https://github.com/jexp/neo4jev

18. jev-curate：使用 Jev 筛训练数据

jev-curate 面向 JSONL 和 Parquet 数据集。

数据先经过本地规则过滤，再调用 Jev判断：

质量、相关性、风险以及是否应该保留。

最终根据概率和 Threshold 决定：

Keep / Reject

这种架构可以用于模型训练数据、搜索语料、爬虫内容以及 RAG 数据清洗。

GitHub：
https://github.com/AkashPriyadarshii/jev-curate

19. Canny：检查 Coding Agent 到底有没有做完

Canny 专门验证 Coding Agent 的完成声明。

它会观察：

工具调用、代码 Diff、执行命令以及测试结果。

随后判断 Agent 所说的“已经完成”是否与实际证据一致。

它采用了一种比较实用的分工：

确定性事实交给普通代码。

模糊判断交给 Jev。

例如“修改代码后有没有执行测试”可以直接由程序判断，而“Agent 这句话是不是在宣称任务已经完成”则交给 Jev。

GitHub：
https://github.com/qkal/Canny

20. killmyidea：让 Jev 审核创业想法

killmyidea 把一个创业项目拆成多个独立维度，再分别交给 Jev判断。

不同维度得到结果之后，由程序根据预设权重和规则生成最终状态：

KILL

FIX

SHIP

它展示了一种很典型的 Jev 使用方式：

不是向模型提出一个巨大的开放问题，而是把问题拆成多个 Atomic Decision，再由代码负责组合。

GitHub：
https://github.com/monteduro/killmyidea

Jev 最适合拿来做什么？

这 20 个项目看起来差异很大，但核心架构基本一致：

程序获取状态 → Jev 做窄范围判断 → 普通代码执行动作

也就是：

State → Decision → Code

Jev 比较适合处理传统程序中难以靠固定规则准确完成，但又没有必要调用一次大型生成模型的问题。

例如：

“这段 Context 还有没有用？”

“下一步应该打开哪个文件？”

“这几个 Tool 应该调用哪一个？”

“这条数据值不值得保留？”

“当前操作的风险属于什么等级？”

“这个 Agent 真的已经完成任务了吗？”

“几十个候选项里哪个最相关？”

Jev 本身并不是 Claude、GPT、Gemini 这类生成模型的直接替代品。

更典型的组合方式是：

Jev 负责高频、结构化、低延迟判断。

LLM 负责复杂推理、规划、写代码和生成内容。

TypeSafe 官方 Workflow Evals 目前也是按照这种方式组织任务：把一个业务流程拆成多个 Noul、Choice 和 Score 判断，再使用普通程序规则决定最终动作。(Evals)

对于刚拿到 Jev API 的开发者，最容易开始的方式并不是重新造一个完整 Agent。

先找到现有系统里一个很难写规则的 if。

然后交给 Jev。

下载文件文章显示网盘30天，自己及时保存，具体规则详见： 查看常见问题说明？ 单下载文件不包含安装或技术指导，下载之前认真看完常见问题说明！ 遇到网盘链接失效无法下载，联系站长处理！ 本站资源售价只是赞助，收取费用仅维持本站的日常运营所需！如果无意侵犯了您的权益请与我们联系，我们将在24小时内删除！