Jev Harness
Ein TypeScript-Entscheidungs-Harness für TypeSafe Jev: Confidence-Gates, Shadow-Modus, Rezepte und Offline-Eval-CLI. Inoffiziell, erfordert einen TypeSafe-API-Schlüssel.
OPEN SOURCE · CURATED REPOSITORIES
Curated Jev SDKs, tools, demos, integrations, benchmarks, and research projects. Repository metrics come from GitHub; titles, summaries, and categories are editorial.
Nach GitHub Stars sortiert
Nach aktuellem Star-Wachstum und Aktivität
Ein TypeScript-Entscheidungs-Harness für TypeSafe Jev: Confidence-Gates, Shadow-Modus, Rezepte und Offline-Eval-CLI. Inoffiziell, erfordert einen TypeSafe-API-Schlüssel.
Jev, TypeSafes System-One-Modell, spielt Schach gegen beliebige OpenRouter-LLMs oder Stockfish in einer einseitigen Web-App mit Live-Zügen, Zugwahrscheinlichkeiten, gespeicherten Partien und Siegquoten.
Claude-Code-Plugin, das Prompts für Codierungsagenten mit TypeSafes Jev-Modell bewertet und zeigt, ob sich Ihre Gewohnheiten verbessern. Im Standardmodus entsteht keine zusätzliche Latenz.
Ein abhängigkeitsfreier MCP-Server, der Claude Code mit TypeSafes Jev verbindet und kalibrierte Wahrscheinlichkeitsurteile mit lokalem Cache und Kostenverfolgung bietet.
Eine OpenClaw-Skill, die Jev, das System-One-Entscheidungsmodell von TypeSafe AI, integriert und einen abhängigkeitsfreien CLI-Wrapper für kalibrierte Ja/Nein-, Auswahl- und Bewertungsurteile bietet. Enthält Beispiele, Budgetprüfungen und dokumentierte Einschränkungen.
OpenCode-Fähigkeit, die LLM-Agenten schnelle typisierte probabilistische Urteile von TypeSafe AIs Jev über die System One API liefert, einschließlich Schwärzung personenbezogener Daten.
Kuratierte Liste evidenzbasierter Anwendungsfälle und Muster für das Jev / System One-Modell von TypeSafe AI, mit gekennzeichneten Quellen, Anleitungen, Beispielen und Bewertungsmethoden.
Multi-Drohnen-Autonomielabor, das TypeSafe-Jev-Reflexentscheidungen mit optionaler System-2-Strategieberatung demonstriert.
Eine KI-Lebens- und Zivilisationssimulation, in der jede Entscheidung von TypeSafe Jev getroffen wird. LLMs planen nur, entscheiden aber nie; alle Entscheidungen sind typisiert, probabilistisch und nachvollziehbar.
Unabhängige Demo des Jev-Modells von TypeSafe AI für typisierte Entscheidungen mit Wahrscheinlichkeiten, gemessen im Vergleich zu OpenAI bei der Support-Ticket-Triage. Enthält eine lokale Live-App und eine Wiedergabeseite.
Verwendet TypeSafe AIs Jev/System-One-Modell (jev-1.13.0), um wörtliche Belege in Studienberichten und Anhängen zu finden, mit Vorlagen für RoB 2, ROBINS-I und QUADAS-2; Dateien werden lokal im Browser verarbeitet.
Eine Pi-Codierungsagent-Erweiterung, die TypeSafe Jev verwendet, um Tool-Aufrufe zu steuern und Ausgaben zu bewerten. Enthält ein Shadow-/Enforce-Tool-Aufruf-Gate, Erkennung von Ausgabeverlusten/-fehlern und ein jev_ask-Tool für typisierte Antworten. Kalibrierungsergebnisse sind dokumentiert.