jevbooks

← 全部项目

lkclean

stefw/lkclean

用 Jev 过滤 LinkedIn 信息流噪音并解释每条判定的 Chrome 扩展。

内容审核0.67次选分类: 分类与路由问卷信号灯
README 自动摘要

根据 README 自动整理于 2026年9月20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

一个面向 LinkedIn 用户的 Manifest V3 TypeScript Chrome 扩展,把标题党、自我推销、赞助和无关帖子折叠成一行提示条,并为保留的帖子标注分数。

它怎么用 Jev

每篇帖子的作者和正文组成状态 { user_interests, post },发送到 POST https://api.typesafe.ai/v1/systemone,并附带类型化问题:engagement_bait、self_promo、matches_interests(noul),top_interest、blocked_topic(choice)。src/background.ts 中的 decide() 按用户阈值把返回的概率转成判定。

用到的原语:noulchoice

值得抄的做法

在一次并行请求中提出多个类型化问题,再用普通阈值代码把概率转成判定,而不解析自由文本。

怎么试

从最新 release 下载 lkclean-vX.Y.Z.zip,解压后 chrome://extensions → 开发者模式 → 加载已解压的扩展程序。

去 GitHub 看

开始使用 Jev:API key 与第一个请求 →

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 是项目的核心在材料中检出0.94
  • 展示了 System One 用法片段中未检出0.28
  • 写了怎么处理不确定片段中未检出0.07
  • 给出了实测数字片段中未检出0.05
  • 是能跑起来的工具在材料中检出0.98
  • 学习案例 Top 10 候选信号片段中未检出0.38
  • 是模型本身的复刻片段中未检出0.03
  • 解决的问题够普遍(0–2)按 0–2 打分1.02 / 2
  • 与 Jev 相关在材料中检出0.98
信号
Jev 是项目的核心0.94展示了 System One 用法0.28写了怎么处理不确定0.07给出了实测数字0.05是能跑起来的工具0.98学习案例 Top 10 候选信号0.38是模型本身的复刻0.0300.51解决的问题够普遍(0–2)1.02 / 2012

无判定区(0.40–0.60)

设计模式
问卷0.99信号灯0.90漏斗0.67题库0.65取景框0.64记分卡0.4700.51

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9月20日 读 README 写成。