人工升级
用校准置信度决定哪些情况必须由人来看。
共有 73 行归在这个模式下，其中 70 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: Classification using confidence
把年报分入 75 个行业组，再根据答案自身的置信度决定：报这个细分组，还是退回上一层的大类。
-
Cookbook: Double-checking citations
用一个 Choice 对着原文核查引用是否错误或凭空编造，并用它的置信度把边缘情况标出来送审。
-
Cookbook: Knowledge graph entity alignment
判断两份商品目录间 450 个候选配对里哪些指的是同一个东西 —— 一个 Score 就够，它的三级正好对应三种可执行动作。
-
Cookbook: Self-consistency with choices
在内容审核决策里显式加入「不确定」这个选项，并衡量标签一致率与自动处置比例之间的取舍。
-
Cookbook: Self-consistency with nouls
把不确定的概率转人工复核，同时保留底层的 noul 数值本身，而不是压成一个标签了事。
-
Pattern: Confidence-gated routing
把 confidence 当作第二个维度：答案告诉你「是什么」，置信度告诉你「该不该照它执行」。
-
Confidence
Choice 和 Score 的 confidence 如何从概率推导、Noul 有何不同，以及如何针对问题与应用调节阈值。机翻
-
Airflow LLMBranchOperator with Jev
把下游任务 id 变成 choice 的选项集，并用最小置信度闸门把不确定的运行转给人处理。
-
Composio TypeSafe provider
把工具目录编译成问题，再从答案还原出 tool call，并为「弃权」和「需确认」两种情况定义了专门的错误类型。
-
Inbox Zero: seven email decisions
七个互不相同的邮件决策，每个都有自己单独设定的阈值，任何出错都回落到普通 LLM。
-
jev-review
代码审查前先过一遍 Jev，把高风险改动挑出来，再交给更贵的大模型或人。带本地看板。
-
jev-align
从人类反馈出发，构建经过校准的决策函数。
-
jev-forge
并非 Jev：一套合成决策数据、训练并校准小型候选打分模型（JevForge-0.8B）、再通过兼容 Jev 的 API 提供服务的工具链，首个场景是在网页上挑选下一次点击或表单控件。其基准脚本把同一批留出的 choice、noul 和 score 问题发给真正的 Jev 作对比。模型撰写机翻
-
neurolink
用一套 TypeScript 接口对接多家 AI 供应商，覆盖生成、流式与决策三种推理形态；决策由 TypeSafe Jev 或开源权重的 Laya 返回类型化、经过校准的判断，而非文本。机翻
-
Jev-Code-Reviewer
用于审阅编程 Agent 所提 PR 的本地工具：按书面的优先级规则，用 Jev 的 choice 把每处改动分为 P0、P1 或 P2，默认只显示 P0。不会向 GitHub 发布任何内容。模型撰写机翻
-
Jev-Moderation-Bot
一个 Discord 审核机器人：用 Choice 给每条消息定级、用 Noul 表示封禁紧急度，管理员一旦赦免，该消息会作为「安全先例」注入后续请求。
-
jev-calibrate
用你自己的标注数据校准 Jev 的问题：在标注样本上调 criteria，在留出集上确认。项目自述机翻
-
jev-agent-skill-router
类型化、带置信度感知的 agent 技能路由。项目自述机翻
-
toolgate
面向 AI 智能体的开源自动模式：一个校准过的工具调用防火墙。项目旧自述机翻
-
jev-benchmarks
面向类型化决策模型的概率感知评测：校准度、选择性风险、延迟，以及可复现的基准。项目自述机翻
-
jev-usecases
生产级的 Jev 用例 harness，带置信度门控的决策逻辑。项目自述机翻
-
muse-jev-playbook
为 Muse 提供的 Jev 决策层：在昂贵的智能体工作之前加一道快速、便宜的 TypeSafe AI 关卡——置信度策略与配方。项目自述机翻
-
jeval
衡量 Jev 分类器的置信度究竟值多少，并根据出错的代价设定交给人类处理的分界线。项目旧自述机翻
-
jevwire
给智能体的 Jev 决策层：MCP server、可嵌入的 DecisionModel 库，以及一个只做升级的 Claude Code 插件。项目自述机翻
-
jevalyn
给 Rails 应用的决策层：对 Jev System One API 的 Rails 原生封装。项目自述机翻
-
discern
类型安全、感知不确定性的语义模式匹配与控制流。项目自述机翻
-
jev-dspy-lab
在 DSPy 工作流中对 Jev 决策做可复现的校准与选择性风险基准。项目自述机翻
-
jev-harness
Jev 决策 harness：置信闸门、影子模式、配方与评测。项目自述机翻
-
jev-engineering
Claude Code 的 PreToolUse 门禁：先用正则硬规则和只读白名单，再用一个 Noul 和一个 Choice 判定放行、询问或拒绝，明确安全的命令无需权限确认。附 Codex、Cursor、OpenCode 适配和 review-router GitHub Action。机翻
-
jevflow
把概率式 AI 决策做成可组合的后端原语。项目自述机翻
-
jevmory
编程智能体的本地记忆：钩子把会话中真正说过的话按原文引语保存；jevmory audit 针对 MEMORY.md 的每一行问 Jev：已保存的证据是支持还是反驳它，并把各行标为保留、过时、错误或无依据。只用 Python 标准库和 SQLite；评分须主动开启。模型撰写机翻
-
poorjev
开源的本地 Jev 替代品：一个有可证校准置信度的 System One 决策层。项目自述机翻
-
jev-phishing-bench
在 2000 封钓鱼邮件上对比 Jev 与一个轻量 LLM：准确率、校准度、延迟、成本。项目旧自述机翻
-
jevcal
对着一个 LLM 教师模型做校准、定阈值和漂移检查 —— 而不是靠猜。
-
typed-decisions
Jev 形状的类型化决策模型：状态加问题进，校准概率出。项目自述机翻
-
jev-browse
为 browser-harness 提供的辅助函数，让 Claude Code 或 Codex 用一次 fast_run 调用交出整个网站子任务：每一步都由 Jev 决定，必须停下时返回带类型的原因。它移植自 browser-use/jev-ultrafast；作者报告速度快 1.6–3.0 倍、成本低 2.1–5.3 倍。模型撰写机翻
-
jev-block-android-ad
Android 上的通知与短信过滤：不是匹配关键词，而是由模型判断。项目自述机翻
-
luce
Luce：一份校准决策模型的配方 —— 输入一句任务描述，产出一个小模型。项目自述机翻
-
typesafe-local
受 TypeSafe 启发：向本地 LLM 提类型化问题，拿到校准概率。项目自述机翻
-
daf-jev
可组合的 Python 工具包：问题构造器、置信闸门等。项目自述机翻
-
opencode-jev-orchestrator
让 OpenCode 粘在便宜模型上以保持缓存热度，由 Jev 把困难的轮次升级给更强的模型。项目自述机翻
-
system-one-gemma
开源的 Jev 式 System One 决策模型：Gemma 3 270M 加一个打分头。项目自述机翻
-
jev-ood-calibration
在一个它不可能见过的任务上做独立校准测试：900 条规则生成的支持工单。机翻
-
jev-ui
React 组件：由决策模型决定渲染哪个组件、列表如何排序、是否展示。项目自述机翻
-
qwen-rlcd
基于 Qwen3.5-0.8B 的 Jev 风格校准决策模型（Choice／Score／Noul）。项目自述机翻
-
tink-route
动态的、感知置信度的 Agent 技能路由。项目自述机翻
-
jev-logtriage
由 Jev 判断一批日志是否值得处理：类型化问题、置信闸门，不执行任何动作。项目自述机翻
-
jev-starter
基于 Jev 的类型化、策略驱动决策工作流：置信路由、回退与评测。项目自述机翻
-
solvi
Python 决策运行时，内置 System One API 适配器：由 Jev、LLM 或本地模型给出类型化答案，再由硬性检查、规则和校准阈值决定采纳、弃权或转交人工；每个决策都保存为可重放的哈希链记录。机翻
-
tenbin
MCP server 兼 agent 技能：把一个判断分解成多个类型化问题。项目自述机翻
-
jev-flash-router
开源的 jev-flash-router：给 Jev 的 MCP server。机翻
-
jev-mcp-server
Jev 的 MCP server：提供官方三种问题类型。项目自述机翻
-
jevbus
一个流式事件总线：路由、订阅与消费都由概率决策决定。项目自述机翻
-
pi-typesafe-jev
一个 pi 扩展，把 Jev 判断暴露成五个 pi 工具，让模型能做狭义的语义判断。项目自述机翻
-
grok-jev-guard
Grok Bot 的类型化预检与审批层：硬性边界由本地策略掌控，模糊情况交给 Jev 判断，Grok Bot 只在返回的范围内执行。机翻
-
opencode-jev-guard
OpenCode 2 插件：把每条 shell 命令发给 TypeSafe 的 Jev，看起来有风险时先询问你。项目自述机翻
-
qualm
来自 System One 模型的类型化决策 —— 不确定性是你必须自己处理的东西。项目自述机翻
-
toolgate
智能体工具与 MCP 调用关卡：通过 TypeSafe Jev 决定放行、询问人类或拒绝。项目自述机翻
-
watfile
用 Jev 或本地校准决策模型给文本与 PDF 分类归档。项目自述机翻
-
XavierJev
Jev 形状的本地决策层：是非、选择和量表问题都从本地模型单个 token 的 logprob 读出答案；附带一个在留出命令集上测量过的 Claude Code 权限闸门。机翻
-
jev-calibration-audit
仅通过 API 对 Jev 做的独立校准审计。项目自述机翻
-
jev-eval
在你自己的标注分类数据上，把 Jev 与任意 OpenRouter 模型做基准对比：准确率与校准度。机翻
-
jev-guard
在 LLM 智能体的工具调用执行前，交给 TypeSafe AI 的 Jev 审核——放行、阻止或挂起，不确定时安全失败。项目自述机翻
-
jev-review
由 Jev 自主完成的拉取请求审查：带类型的决策、校准后的批准关卡，以及升级给可信负责人的机制。项目自述机翻
-
jev-the-janitor
由 Jev 驱动的 Markdown 知识库清洁工：Jev 对每篇笔记投票，你的代码负责归档。机翻
-
jevbench
对 TypeSafe Jev 在人类意见分歧下的校准进行预注册、经偏差校正的测试（ChaosNLI，每条 100 个人工标注）项目自述机翻
-
padflow-jev-evals
来自某土地开发 SaaS 的类型化决策基准：schema、匿名标注数据与运行器。项目自述机翻
-
assay-001
ASSAY-001：对 Jev 校准度与类型安全宣称的独立、预注册验证。项目自述机翻
-
Example: confidence-gated escalation
带「自动执行或转人工」闸门的路由；策略函数刻意留空 —— 阈值该定在哪，是你的决定。
-
jev-asks-until-sure
二十个问题猜谜：一直问下去，直到 Jev 的校准置信度越过阈值。项目自述机翻
-
n8n-nodes-typesafe-ai
面向 System One API 的 n8n 社区节点：类型化的是非、选择与打分问题。项目自述机翻
-
Probing Jev's behaviour with repeated API calls
独立的韩语实测笔记，报告仅仅把选项顺序倒过来，就能让概率移动到足以翻转 0.9 阈值的程度。
-
An early-access test of TypeSafe's Jev: calibrated judgments for half a cent
找到的最好的独立实测：固定单一模型版本、24 份挪威语文档，开篇就展示了一个模型答错、但同时正确报出低置信度的案例。