能力地图与生态案例

按场景组织的 Jev 能力地图，附真实生产项目案例。看别人在什么场景下用了哪类原语。

怎么用这张地图

先找到与你业务最接近的场景，看该场景下别人用什么原语、解决什么问题，然后把它套用到你自己的文档和动作上。

下面每个场景给出：解决什么问题 → 用什么原语 → 真实项目。

想看按类别整理的完整项目索引（附 star 数与语言标签），见社区生态项目。

分类与路由

问题：请求进来后需要判断它属于哪一类，再分派到不同处理链路。

原语：Choice（分类），置信度用于门控。

真实项目：

Notra — 营销分析：生产环境的 GEO 平台，用 NOTRA_JEV_CLASSIFIERS 开关把品牌可见性分类器从 LLM 迁移到 Jev 的布尔决策上，阈值 0.5。
jev-router — 开发工具：让 Jev 在候选模型中选择，从而把 Claude Code 的任务路由到最便宜且能胜任的模型。
jev-router (prismhq) — LLM 基础设施：基于 LiteLLM 的开源路由器，用 Jev 决策选择由哪个模型服务每个请求。
pi-jev-router — 编码代理：为 Pi 编码代理加上按请求自动路由模型的能力，通过 Jev 在 Vercel AI Gateway 上做决策。
jcm-router — 编码代理：本地代理，用 Jev 决策为每条消息选择 Claude 模型和推理强度，同时保持主聊天缓存不被污染。

观察：模型路由是这个场景下最密集的应用方向。共同模式是「用一次廉价的 Choice 决策，替代一次昂贵的模型调用或人工判断」。

评分与排序

问题：需要对一组项目按相关性、质量或多维标准排序。

原语：Score，配合组合评分合并多维度。

真实项目：

jev-bfs — 搜索工具：通过让 Jev 给每个维基百科页面的出站链接排序，找出英文维基两个条目之间的链接路径，而由 Python 控制搜索过程。
Jev Search — 网页搜索：用 Jev 的 Noul 判断给 Search1API 的结果标题和摘要打相关性分数。

校验与护栏

问题：AI 或代理产生的工作、工具调用、输入输出需要被检查后才能推进。

原语：Noul（是/否判断），阈值转布尔。

真实项目：

jev-review — 软件工程：分阶段的代码审查工作流和本地看板，Jev 在每个审查阶段把关，通过后变更才能推进。
pi-jev — 代理安全：为 Pi 编码代理加上可度量的工具调用闸门，风险调用在执行前先经 Jev 检查。
OpenWork — 工程工作流：把 Jev 接入其 eval testkit 作为验证裁判，让代理产出的工作由类型化裁决把关，而不是文本模型。
jev-guard — 代理安全：面向 Claude Code、Codex、Pi 和 ACP 代理的提示注入与危险动作防护，由 Jev 决定拦截什么。

智能体决策

问题：代理每一步该做什么，需要一个快速、类型化、可解释的判断层。

原语：Choice（选择动作），Score/Noul 辅助。

真实项目：

Jev Ultrafast — 浏览器自动化：browser-use 的超快代理，由 Jev 决定每一步动作和点击哪个元素，只在需要输入文本时才调用语言模型。
pi-typesafe-jev — 编码代理：把 System One 判断暴露为五个 Pi 工具，让模型做窄范围的语义判断，而代码和用户保留对阈值、权重和动作的控制。
jev-judgment — 编码代理：把封闭的编码代理判断发给 Jev，让裁决保持类型化、廉价、且跨运行可比。
limpet — 编码代理：Stop hook，通过用 Jev 判断自然语言的完成条件，防止代理过早收工。
robo-harness — 机器人：SO-101 机械臂工作台，由 Jev 决策运行器从类型化候选动作中挑选有界的关节步进，并受预算约束。

内容审核与合规

问题：判断内容是否违规、是否包含敏感信息、是否符合政策。

原语：Noul。

真实项目收录较少（这一方向尚在早期），但典型形态与护栏场景一致：把「是否包含个人身份信息」「是否违反政策」这类问题写成 Noul，按阈值转布尔后进入确定性流程。

数据标注与评估

问题：给数据集打标签，或者评估模型输出质量。

原语：全部三类。

真实项目：

见「评分与排序」与「校验与护栏」中的评估类项目（如 OpenWork 的 eval testkit 用法）。

游戏与仿真

问题：在实时环境中，每一帧或每个决策点都需要快速判断。

原语：Choice（动作选择）。

真实项目：

Jev Ultrafast — 见上。
jev-drone — 机器人仿真：MuJoCo 中仅用摄像头的自主无人机，把 Jev 判断模型放进控制回路，频率 2.5 Hz。
tsai-sc — 游戏：通过键鼠驱动原版星际争霸共享版，每次决策记录 Jev 的动作概率。

观察：这类场景对延迟最敏感。jev-drone 的 2.5 Hz 控制回路说明 Jev 的延迟已经能进入实时控制链路。

基础模型研究

问题：复现或研究 System One 这类「一次前向传播输出类型化决策」的模型形态。

真实项目：

decider — 开放模型：用 Qwen3.5-2B 微调复现 System One 形态，一次前向传播输出带校准概率的类型化决策。
openjev — 开放研究：独立的本地预览，从上下文、问题和候选答案出发回答双语的概率问题，受 TypeSafe Jev 启发。
Parallel Constrained Decoding (Qwen2.5-1B-RLCD) — 开放研究：RLCD 训练的 Qwen2.5-1B demo，探索用开源并行约束解码作为 Jev 的替代方案。

基础设施与 SDK

问题：把 Jev 接进现有技术栈。

真实项目：

见 awesome-jev 的 Infra / SDKs / Integrations 分类，收录了各类语言绑定、代理集成和网关适配。

官方能力地图的四个方向

TypeSafe 官方把用例归纳为四个大方向，值得在构思场景时对照：

AI 自动化软件 — 把 AI 与可靠软件交错编排，使其能在后台跑上百万次而无需人类副驾。代码掌握控制流，TypeSafe 处理语义决策和语言理解。

实时应用 — 前沿智能达到实时速度（150ms），意味着 AI 的决策可以快于人类感知，足以被编程进游戏或嵌入 UI。

大数据上的 AI Map Reduce — 成本降低 100 倍意味着可以处理巨型数据集：在巨大语料上检索相关信息、分类海量代理轨迹、抽取特征用于预测。

通用 AI 校验 — 校验任何其他 AI 的输入提示、抽取结果、推理轨迹、工具调用。检测越狱、引用错误、幻觉等错误模式，成本只是实际 LLM 调用的一小部分。