能力マップとエコシステムの事例

シナリオ別に整理されたJevの能力マップ。実際の生産プロジェクトの事例付き。他のユーザーがどのシナリオでどのプリミティブを使用しているかを確認しましょう。

本文はzh-CNからの機械翻訳です。校正は未実施で、参考情報としてのみご利用ください。

このマップの使い方

まず、あなたのビジネスに最も近いユースケースを見つけます。そのシナリオで他の人がどのプリミティブを使用し、どのような問題を解決しているかを確認し、それをあなたのドキュメントやアクションに適用してください。

以下の各セクションでは、解決する問題 → 使用するプリミティブ → 実際のプロジェクトの順に示します。

カテゴリ別に整理された完全なプロジェクトインデックス（スター数と言語タグ付き）を見るには、コミュニティエコシステムプロジェクトをご覧ください。

カテゴリ分けとルーティング

問題：リクエストが入ってきた後、それがどのカテゴリに属するかを判断し、異なる処理パイプラインにディスパッチする必要がある。

プリミティブ：Choice（分類）、閾値によるゲート制御に信頼度を使用。

実際のプロジェクト：

Notra — マーケティング分析：本番環境の GEO プラットフォーム。NOTRA_JEV_CLASSIFIERS フラグを使用して、ブランド可視性分類器を LLM から Jev のブール決定へ移行し、閾値は 0.5。
jev-router — 開発ツール：候補モデルの中から Jev が選択することで、Claude Code のタスクを最も安価で対応可能なモデルにルーティングする。
jev-router (prismhq) — LLM インフラ：LiteLLM ベースのオープンソースルーター。各リクエストをどのモデルサービスで処理するかを Jev の決定に基づいて選択する。
pi-jev-router — コーディングエージェント：Pi コーディングエージェントに、リクエストごとのモデル自動ルーティング機能を追加。Vercel AI Gateway 上で Jev を使用して決定を行う。
jcm-router — コーディングエージェント：ローカルエージェント。Jev の決定により、各メッセージに対して Claude モデルと推論強度を選択し、メインのチャットキャッシュが汚染されないようにする。

観察：モデルルーティングはこのシナリオにおいて最も頻繁に適用される方向性です。共通するパターンは、「高価なモデル呼び出しや人間の判断を、1 回の安価な Choice 決定で置き換える」ことです。

スコアリングとソート

問題：一連の項目を関連性、品質、または多次元基準に基づいてソートする必要がある。

プリミティブ：Score。複合スコアリングを使用して多次元をマージ。

実際のプロジェクト：

jev-bfs — 検索ツール：Jev に各 Wikipedia ページの外部リンクをソートさせることで、英語版ウィキの 2 つのエントリ間のリンクパスを特定し、検索プロセスは Python が制御する。
Jev Search — ウェブ検索：Jev の Noul を使用して、Search1API の結果のタイトルと要約に関連性スコアを付与する。

バリデーションとガードレール

問題：AI やエージェントによって生成された作業、ツール呼び出し、入出力は、推進する前にチェックされる必要がある。

プリミティブ：Noul（Yes/No 判断）、閾値をブール値に変換。

実際のプロジェクト：

jev-review — ソフトウェアエンジニアリング：フェーズ別のコードレビューワークフローとローカルダッシュボード。Jev は各レビューフェーズでゲートキーパーとして機能し、通過した変更のみが進行する。
pi-jev — エージェントセキュリティ：Pi コーディングエージェントに測定可能なツール呼び出しゲートを追加。実行前にリスクのある呼び出しを Jev がチェックする。
OpenWork — エンジニアリングワークフロー：Jev をその eval testkit に統合して検証審判とし、エージェントが生成した作業がテキストモデルではなく、型付きの判断によって管理されるようにする。
jev-guard — エージェントセキュリティ：Claude Code、Codex、Pi、ACP エージェント向けのプロンプトインジェクションおよび危険なアクションからの保護。Jev が何をブロックするかを決定する。

エージェントの意思決定

問題：エージェントが各ステップで何を行うべきかについて、迅速で型安全かつ解釈可能な判断層が必要。

プリミティブ：Choice（アクション選択）、Score/Noul を補助的に使用。

実際のプロジェクト：

Jev Ultrafast — ブラウザ自動化：browser-use の超高速エージェント。Jev が各ステップのアクションとクリックする要素を決定し、テキスト入力が必要な場合のみ言語モデルを呼び出す。
pi-typesafe-jev — コーディングエージェント：System One の判断を 5 つの Pi ツールとして公開し、モデルに狭義のセマンティック判断を行わせる。一方、閾値、重み、アクションの制御はコードとユーザーが保持する。
jev-judgment — コーディングエージェント：クローズドなコーディングエージェントの判断を Jev に送信し、判断を型安全で低コスト、かつランタイム間で比較可能に保つ。
limpet — コーディングエージェント：Stop hook。Jev の判断を使用して自然言語での完了条件を判定し、エージェントが过早に作業を終了するのを防ぐ。
robo-harness — ロボティ：SO-101 機械アームワークベンチ。Jev の決定により、ランナーが型付きの候補アクションから有界なジョイントステップを選択し、予算制約を受ける。

コンテンツ審査とコンプライアンス

問題：コンテンツが規定に違反しているか、機密情報を含んでいるか、ポリシーに準拠しているかを判断する。

プリミティブ：Noul。

実際のプロジェクトの収録は少ない（この方向性はまだ初期段階）が、典型的な形態はガードレールのシナリオと一致する。「個人識別情報（PII）を含むか」「ポリシーに違反しているか」といった問題を Noul として記述し、閾値でブール値に変換して確定的なフローへ移行する。

データ注釈と評価

問題：データセットにラベルを付けたり、モデル出力の品質を評価したりする。

プリミティブ：全 3 種類。

実際のプロジェクト：

「スコアリングとソート」および「バリデーションとガードレール」セクションの評価関連プロジェクト（例：OpenWork の eval testkit 使用法）を参照。

ゲームとシミュレーション

問題：リアルタイム環境において、フレームごと、または各意思決定ポイントで迅速な判断が必要。

プリミティブ：Choice（アクション選択）。

実際のプロジェクト：

Jev Ultrafast — 上記参照。
jev-drone — ロボティシミュレーション：MuJoCo においてカメラのみを使用した自律型ドローン。Jev の判断モデルを制御ループに組み込み、周波数は 2.5 Hz。
tsai-sc — ゲーム：キーボードとマウスで原版スタークラフト共有版を操作。各意思決定で Jev のアクション確率を記録する。

観察：これらのシナリオはレイテンシに対して最も敏感です。jev-drone の 2.5 Hz 制御ループは、Jev のレイテンシがリアルタイム制御リンクに入ることができることを示しています。

基礎モデル研究

問題：System One のような「1 回の順伝播で型付きの意思決定を出力する」モデル形態を再現または研究する。

実際のプロジェクト：

decider — オープンモデル：Qwen3.5-2B をファインチューニングして System One 形態を再現し、1 回の順伝播で補正された確率付きの型付き意思決定を出力する。
openjev — オープンリサーチ：独立したローカルプレビュー。コンテキスト、質問、候補回答に基づいて二言語の確率問題を回答し、TypeSafe Jev にインスパイアされている。
Parallel Constrained Decoding (Qwen2.5-1B-RLCD) — オープンリサーチ：RLCD 訓練による Qwen2.5-1B デモ。オープンソースの並列制約デコーディングを Jev の代替案として探求する。

インフラと SDK

問題：Jev を既存の技術スタックに統合する。

実際のプロジェクト：

awesome-jev の Infra / SDKs / Integrations カテゴリを参照。各種言語バインディング、エージェント統合、ゲートウェイ適応が収録されている。

公式能力マップの 4 つの方向

TypeSafe 公式はユースケースを 4 つの大きな方向に分類しており、シナリオを構想する際に参照する価値があります。

AI 自動化ソフトウェア — AI と信頼性の高いソフトウェアを交互にオーケストレーションし、バックグラウンドで数百万回実行しても人間の副操縦士を必要としないようにする。コードが制御フローを掌握し、TypeSafe がセマンティックな意思決定と言語理解を処理する。

リアルタイムアプリケーション — 最先端のインテリジェンスがリアルタイム速度（150ms）に達することで、AI の意思決定が人間の知覚よりも速くなり、ゲームにプログラミングしたり UI に埋め込んだりすることが可能になる。

ビッグデータ上の AI Map Reduce — コストが 100 分の 1 になることで、巨大なデータセットを処理できる：巨大なコーパス上で関連情報を検索し、膨大なエージェントの軌跡を分類し、予測のために特徴を抽出する。

汎用 AI バリデーション — 他のあらゆる AI の入力プロンプト、抽出結果、推論軌跡、ツール呼び出しを検証する。ジャミング、引用エラー、ハルシネーションなどのエラーパターンを検出し、コストは実際の LLM 呼び出しのごく一部で済む。