kraayenjon/awesome-jev：Jev 类型化 AI 决策资源合集，涵盖 SDK 与项目案例
Jev 是 TypeSafe AI 的 System One 模型，提供 Choice、Score 与 Noul 三类决策原语，并输出校准概率。本页汇总 awesome-jev 精选资源，涵盖 AI 决策 SDK 接入示例、项目实践与典型使用场景，帮助开发者判断选择型与评分型任务，完成类型化决策的小规模验证与落地，适合在流程路由、内容初筛与工具调用中参考。
查看原文 →内容为平台聚合整理，原文与最新动态以来源页面为准。
扫码进学习交流群
加专属老师微信图文介绍
项目定位
Jev 是 TypeSafe AI 推出的 System One 模型，定位于软件系统中的快速、带类型决策。它面向需要在应用内部即时完成判断的场景，提供 Choice、Score 与 Noul 三类决策原语，并输出经过校准的概率值，便于开发者直接接入业务逻辑。围绕该模型，社区整理了一份精选资源清单，涵盖用例、项目实践、SDK 与配套资料。
核心功能亮点
- Choice：在预设选项集合中完成类型化选择，返回结果可映射到代码分支。
- Score：对输入对象给出数值评分，适用于排序、筛选与阈值判断。
- Noul：输出带校准概率的决策结果，便于按业务阈值做取舍。
- 类型安全：决策结果结构明确，减少字符串解析与格式容错开销。
- 资源清单：汇集用例、项目、SDK 与参考资料，方便按需查阅。
适用场景
- 流程路由与意图分类：在请求进入主流程前完成快速分派。
- 内容分级与风控初筛：先用 Score 打分，降低后续环节压力。
- 推荐与检索排序：作为排序链路中的轻量打分环节。
- Agent 与工具调用：在多个候选动作之间做类型化选择。
上手提示
建议先浏览资源清单中的用例与项目，判断自身任务属于选择型还是评分型，再对接 SDK 做小规模验证。评估阶段重点关注校准概率与实际业务阈值的匹配程度，并结合延迟要求，确定是否需要与更重的模型串联使用。
作者/来源：kraayenjon
常见问题
Jev 是 TypeSafe AI 推出的 System One 模型，定位于软件系统中的快速、带类型决策，提供 Choice、Score、Noul 三类决策原语并输出校准概率。它不侧重长文本生成，而是嵌入业务流程完成即时判断，实际使用时可按需与更重的模型串联。
清单汇集了 Jev 的典型用例、项目实践、SDK 与配套参考资料，按任务类型分类整理。建议先浏览用例与项目，判断自身任务属于选择型还是评分型，再决定是否接入 SDK 做小规模验证。
Choice 用于在预设选项集合中完成类型化选择，结果可映射到代码分支，适合流程路由与意图分类；Score 对输入对象给出数值评分，适合排序、筛选与阈值判断；Noul 输出带校准概率的决策结果，便于按业务阈值做取舍。
建议先阅读资源清单中的用例与项目示例，明确任务是选择型还是评分型，再通过 SDK 做小规模验证。评估阶段重点关注校准概率与实际业务阈值的匹配程度，同时结合延迟要求，判断是否需要与其他模型串联使用。
适合。在多个候选动作之间做类型化选择是它的典型用法，决策结果结构明确，可减少字符串解析与格式容错开销。不过仍需结合具体业务阈值、延迟要求和候选动作规模做验证，再决定是否纳入生产链路。