结构化抽取
从杂乱文本中取出类型化字段 —— 靠在候选中选择，而不是生成。
共有 18 行归在这个模式下，其中 18 行带代码。顺序与目录相同：官方的在前，然后是带代码的，再按星标排。
标有「并非 Jev 本身」或「仅影子运行」的条目照样列出，但它们不是用 Jev 做决策的示例。
-
Cookbook: Date extraction
抽取绝对与相对日期：先问文档里点明了哪些部分，再在代码里做解析与校验，并按置信度决定是否送审。
-
Cookbook: Pre-parsed value extraction
先用正则找出候选的邮箱、电话、金额，再让模型挑出被问到的那一段，于是代码拿到的是逐字原值。
-
Cookbook: Structure recovery
用两次请求把丢了格式的纯文本还原成 Markdown：一次把硬换行的段落重新接起来，一次给每个块分类。
-
Cookbook: Structured data extraction cascade
「小模型 → 校验 → 推理模型」的两段级联，用一小部分成本拿到接近大推理模型的质量。
-
jev4pg
为 PostgreSQL 提供自然语言 SQL 和 41 个语义算子。过滤、抽取、排序、匹配和核验以有上限的批次交给 Jev，答案须先通过校验；choice 选项需达 0.55、noul 需达 0.8 才算成立。作者报告其准确率为 98%，pg-jev 的请求路径为 92%。模型撰写机翻
-
jev-reviewer
系统综述的数据抽取：让 Jev 从论文及其补充材料里按抽取表取值，并附原文引用。机翻
-
smart-paste
根据粘贴的文本自动填写表单：把表单标题、字段标签和你的文字交给 TypeSafe，插入匹配到的值，提交前由你检查。机翻
-
jev-macos-loop
面向 Apple 芯片上原生 macOS 应用的 computer use 智能体：由 OmniParser CoreML、Apple Vision OCR 和辅助功能标签在本机找出窗口里的控件，再由 Jev 根据观察到的文字（从不看像素）用 choice 选下一步动作。输入前有防护检查，基准测试核对的是实际结果，而不是 Jev 的 DONE 判断。模型撰写机翻
-
jevfill
一个 Chrome 扩展：用 Jev 根据零散的文字笔记自动填写网页表单。把个人信息以纯文本粘贴一次即可，无需结构化档案，随时按需填表。机翻
-
JevSpan
中英文零样本命名实体识别：代码按标点列出带精确字符位置的候选片段，由 Jev 的 choice 问题为每种实体类型提名窗口、核验每个候选（该类型、none、mixed 或 partial）并选出准确边界，每个实体都保留概率和决策过程。机翻
-
jeveryword
用 Jev 做文本抽取：字段抽取、PII 检测与逐字引文。项目自述机翻
-
jev-mcp-dispatcher
完全由 Jev 驱动的自然语言 MCP 工具分发器，不用通用 LLM。项目自述机翻
-
jev-information-extraction
解析 PDF 并抽取相关信息。项目自述机翻
-
jevsume
由 Jev 驱动的 ATS 友好简历评审。项目自述机翻
-
ask-jev
只用标准库的命令行工具，在 280 毫秒的建议预算内把智能体的小判断交给 Jev：choose（choice）、check（用 noul 判断证据是否支持某个说法）、score、最多 32 题的 batch，以及 purify：对每段文字问一个 noul，只保留相关的原文行。失败即放行，由智能体做决定。模型撰写机翻
-
typesafe-ai-jev-example
Jev 的动手演示：六个可运行示例与四则实战笔记。项目自述机翻
-
jev-data-questions
带上数据集，看到合适的图表：界面检查 CSV 的结构并提出洞察，由 Jev 填入具体数值。机翻
-
smoking-extraction-benchmark
合成的吸烟史抽取基准：对比 Jev 与 OpenAI 结构化输出。项目自述机翻