这是什么
一个用于 RAG 管道的 Python 库，使用 TypeSafe.AI 的 Jev 对检索结果重排序，并按文档作为答案证据的有用性过滤。面向希望在生成前减少上下文 token 和干扰段落的开发者。
它怎么用 Jev
Jev 为每个文档对查询的证据有用性打分。relevance_rerank() 使用提示将弱候选推向零，然后按分数排序并丢弃低于可配置阈值（默认 0.2）的文档。rerank() 默认不过滤（阈值 0.0）仅排序。结果包含 document_index 和 score。
用到的原语:noul
值得抄的做法
使用相关性提示明确给仅主题重叠的文档极低分，使阈值在 LLM 上下文组装前有效过滤。
怎么试
uv add jev-reranker，设置 TYPESAFE_API_KEY，然后运行 uv run python example.py。
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 是主角是0.94
- 有 System One 用法未判定0.45
- 处理了不确定性否0.30
- 有实测数据否0.06
- 可直接跑是0.96
- 值得推荐未判定0.57
- 是模型的复刻否0.04
- 问题普遍性按 0–2 打分1.41
- 与 Jev 相关是0.98
信号由 Jev jev-1.13.0 判定，简介由 DeepSeek V4.1 Flash 于 2026年9月20日 读 README 写成。