README 自动摘要
根据 README 自动整理于 2026年10月7日，不是本站运行记录。运行步骤和作者声称的效果仍需核验。
这是什么
gut 是一个 Python 库，将判断调用（如垃圾邮件检测、工单分类或紧急程度评级）变成一行代码。它专为 TypeSafe AI 的 Jev 构建，但可在任何小模型上运行，包括本地 NLI、LLM、Ollama、vLLM 和 OpenAI。
它怎么用 Jev
Jev 是默认后端。gut.likely、gut.classify 和 gut.rate 向 Jev 发送类型化问题，Jev 返回概率。结果直接在代码中使用，例如 if gut.likely(comment, "is spam"): hide(comment)。无需提示或解析。
用到的原语:choicescorenoul
值得抄的做法
使用专为类型化问题设计的小模型来获得校准概率，无需生成或解析。
怎么试
pip install "gutfeel[jev]" 然后 import gut 并用 JevBackend 配置。
README 片段的模型判断
项目信号使用仓库元信息、已有摘要与 README 前 700 个字符；没有通读完整项目。“未检出”仅表示这些材料中未检出，并不证明项目没有该能力。这里保留原始判断与实际记录的模型、日期，不是源码审计或运行验收。
模型与判定日期
- 收录门禁
jev-1.13.0- 项目信号
jev-1.13.0- 项目分类
jev-1.13.0- 模式标签
jev-1.13.0
证据
这些信号只读取仓库元信息、已有摘要与清理后的 README 前 700 字符。≥ 0.60 表示片段中有提及，≤ 0.40 表示未检出，中间为未判定；都不是源码审查或运行结果。「可运行工具」题排除了研究实验，「推荐」题筛的是学习案例 Top 10，不是内容质量合格与否。
- Jev 是项目的核心片段中未检出0.29
- 展示了 System One 用法在材料中检出0.64
- 写了怎么处理不确定片段中未检出0.11
- 给出了实测数字片段中未检出0.06
- 是能跑起来的工具在材料中检出0.96
- 学习案例 Top 10 候选信号片段中未检出0.22
- 是模型本身的复刻在材料中检出0.64
- 解决的问题够普遍（0–2）按 0–2 打分1.99 / 2
- 与 Jev 相关在材料中检出0.97
无判定区（0.40–0.60）
无判定区（0.40–0.60）
各阶段的 Jev 模型与判定日期见上方记录。简介由 DeepSeek V4.1 Flash 于 2026年10月7日 读 README 写成。