jevbooks

← 全部项目

learn-jev-end-to-end

harshithsunku/learn-jev-end-to-end · 项目主页

免费动手课程:用 Jev 和 LLM 构建 13 个 AI 代理。

这是什么

一个面向开发者的 12 个 Notebook 的 Python 课程,教你将快速决策模型 Jev 与慢速 LLM 结合。通过 13 个真实用例学习代理安全、路由、分类和评估。

它怎么用 Jev

在每个工具调用前,Jev 用 Choice(允许/询问/阻止)回答,并用 Noul 检查不可逆性和数据外泄;询问结果交给人类,错误时故障关闭。Choice 模型路由器选择快速或强大 LLM 并带置信度回退,Noul 门检查代理是否完成。

用到的原语:choicenoul

值得抄的做法

在代理循环中使用 Jev 进行快速、校准的决策,让 LLM 处理语言任务。

怎么试

克隆仓库,运行 ./setup.sh,将 OpenRouter 密钥添加到 .env,然后 uv run jupyter lab 并打开 01_hello_jev.ipynb。

去 GitHub 看

Jev 判的jev-1.13.0

证据

每一行都是就 README 问 Jev 的一道题。≥ 0.60 算「是」,≤ 0.40 算「否」,中间这一段 Jev 不下判断。

  • Jev 是主角0.94
  • 有 System One 用法0.92
  • 处理了不确定性0.91
  • 有实测数据未判定0.51
  • 可直接跑0.15
  • 值得推荐0.79
  • 是模型的复刻0.06
  • 问题普遍性按 0–2 打分1.47
  • 与 Jev 相关0.99

信号由 Jev jev-1.13.0 判定,简介由 DeepSeek V4.1 Flash 于 2026年9月23日 读 README 写成。