20 proyectos Jev de código abierto que puedes probar en 2026: MCP, agentes de programación, automatización del navegador y mucho más

Jev solo lleva poco tiempo disponible públicamente, pero los desarrolladores ya lo han integrado en agentes de programación, bucles del navegador, herramientas MCP, pipelines de conjuntos de datos, juegos, experimentos de robótica y sistemas de trading.

Esta no es otra lista de casos de uso teóricos de Jev. Los proyectos que aparecen a continuación muestran algo más útil: dónde colocan los desarrolladores un modelo de decisión dentro de software real, qué puede decidir Jev y qué partes permanecen bajo código determinista o un modelo generativo más grande.

Si eres nuevo en el modelo en sí, empieza por nuestra explicación de cómo funcionan los modelos de decisión Jev. Si buscas patrones de aplicación más amplios en lugar de repositorios individuales, la guía anterior sobre casos de uso reales de Jev aborda la orquestación de agentes, la clasificación de investigaciones, la automatización del navegador y otros tipos de cargas de trabajo.

Una salvedad: este ecosistema es sumamente reciente. Muchos repositorios son experimentos, demostraciones o proyectos de desarrolladores individuales. Comprueba el repositorio actual, la licencia, el comportamiento de la API y los límites de seguridad antes de considerar cualquiera de ellos software de producción.

Qué están probando realmente estos 20 proyectos de Jev

Los proyectos parecen muy diferentes en la superficie, pero la mayoría sigue la misma arquitectura:

estado estructurado ↓ decisión acotada ↓ política de software ordinaria ↓ herramienta, modelo o acción

Lo importante es que Jev rara vez se encarga de todo el flujo de trabajo. Por lo general, reemplaza un único juicio difuso y limitado que, de otro modo, requeriría otra llamada a un LLM o una creciente colección de heurísticas.

Los agentes de programación se están convirtiendo en el banco de pruebas más interesante de Jev

Coding agents generate huge amounts of intermediate state: file contents, command output, stack traces, diffs, test logs and repeated routing decisions. Much of that work does not need another paragraph from a frontier model. It needs selection.

1. fast-jev-compaction — Compress Context Without Rewriting It

fast-jev-compaction replaces the usual summarization-heavy compaction step with relevance judgments over previous tool calls and results.

Low-value history can be dropped or truncated while retained commands, paths, errors and outputs stay verbatim. That makes context compression a selection problem rather than a rewriting problem.

The value is not that Jev writes a better summary. It avoids writing one.

2. Winnow — Stop Irrelevant Tool Output Before It Enters Context

Winnow attacks the same problem earlier in the pipeline. Large Read, Bash or Grep results are split into blocks, then evaluated for task relevance before they consume more context.

La diferencia con la compactación es importante:

• Winnow: filtra la información al entrar en el contexto de trabajo.
• fast-jev-compaction: elimina información obsoleta que ya está en el historial de la conversación.

En conjunto, muestran dos puntos diferentes en los que los agentes de programación pueden sustituir los resúmenes que consumen muchos tokens por juicios de relevancia acotados.

3. Jev Codex Router — Decide cuánto modelo necesita realmente una tarea

Jev Codex Router eleva la decisión un nivel: antes de que Codex gestione una tarea, Jev selecciona el nivel del modelo y el esfuerzo de razonamiento.

Esto convierte a Jev en un controlador de tráfico, no en un modelo de programación. El trabajo sencillo puede mantenerse en una ruta más económica, mientras que los turnos difíciles pueden escalarse.

El repositorio informa de una simulación histórica que sugiere ahorros sustanciales frente a dirigir cada turno probado por su ruta anterior de mayor coste, pero esa cifra debe considerarse un backtest y no un ahorro medido actual de cuota de Codex.

La arquitectura también conecta con una cuestión más amplia que ya hemos explorado: si un modelo pequeño puede dirigir solicitudes a modelos más grandes sin convertirse en el motor de razonamiento final.

4. Jev Review — Dedica la atención de revisión donde importa

Jev Review divide la revisión de código en juicios más específicos, como qué archivos merecen atención, qué evidencia es relevante y cuál puede ser la gravedad de un posible problema.

Lo interesante es la priorización. Jev no necesita generar la revisión final para mejorar el flujo de trabajo; primero puede reducir un diff grande a los lugares en los que merece la pena invertir un razonamiento más profundo o una revisión humana.

5. Blink — Navegar por una base de código, una elección semántica a la vez

Blink trata la búsqueda en repositorios como una selección de rutas.

En cada nivel de directorio, los archivos y carpetas visibles se convierten en candidatos. Jev selecciona la siguiente rama más prometedora para la pregunta actual y la búsqueda continúa de forma recursiva.

En lugar de incorporar un repositorio entero antes de cada consulta, el sistema formula repetidamente una pregunta mucho más concreta: ¿dónde debería buscar a continuación?

6. Canny — Separar «Creo que he terminado» de las evidencias de que el trabajo está terminado

Canny está orientado a las afirmaciones de finalización de los agentes.

Los registros deterministas documentan lo que realmente ocurrió: archivos modificados, comandos ejecutados, pruebas completadas y resultados generados. Jev puede añadir juicios semánticos en torno a esas evidencias, pero el modelo no se convierte en la capa de permisos definitiva.

Esta separación es importante para los agentes locales que pueden modificar sistemas reales. Nuestra guía sobre los límites de confianza para la ejecución de herramientas explica el mismo principio a un nivel más amplio de la arquitectura de agentes: decidir que una acción parece adecuada no equivale a conceder permiso para ejecutarla.

Los proyectos de MCP y CLI convierten Jev en infraestructura

El siguiente grupo es menos específico de cada aplicación. Estos proyectos ponen Jev a disposición como una primitiva de decisión reutilizable dentro de las herramientas existentes.

7. typesafe-mcp — Dar a los agentes existentes acceso directo a Jev

typesafe-mcp expone Jev mediante el Protocolo de Contexto de Modelos.

Un agente compatible con Claude, Codex o MCP puede solicitar un juicio estructurado de tipo Choice, Score o Noul sin implementar una nueva integración de Jev para cada flujo de trabajo. El agente sigue decidiendo cuándo debe llamarse a la herramienta y qué hacer con el resultado.

8. jev-mcp — Convertir decisiones comunes en herramientas para agentes

jev-mcp eleva el nivel de abstracción al exponer operaciones conocidas como clasificación, puntuación, filtrado y coincidencia.

En lugar de que cada agente invente un nuevo prompt para el mismo criterio, los patrones de decisión comunes pueden convertirse en interfaces reutilizables con salidas estructuradas.

9. SemDecide — Incorporar lógica semántica en canalizaciones de Unix

SemDecide explora una superficie de integración aún más pequeña: la línea de comandos.

grep → jq → decisión semántica → acción de shell

Esto resulta útil para preguntas difíciles de expresar mediante una expresión regular, pero aún demasiado limitadas como para justificar un agente autónomo, como determinar si un cambio parece relacionado con la seguridad o si un registro pertenece a una categoría semántica.

El límite clave sigue siendo determinista: los permisos, los comandos destructivos y las comprobaciones de seguridad en producción deben permanecer en el código ordinario.

Agentes de navegador y escritorio: elegir acciones en lugar de generarlas

La automatización del navegador encaja especialmente bien con una capa de decisión acotada. Una vez que una página se ha convertido en elementos candidatos, gran parte del ciclo pasa a ser selección de acciones en lugar de generación de lenguaje.

10. jev-ultrafast — Generación solo cuando el navegador realmente necesita palabras

jev-ultrafast crea un espacio de acciones indexado a partir de la página actual y permite que Jev elija una operación y un elemento de destino.

Solo se necesita un modelo generativo cuando la acción seleccionada requiere texto nuevo, como rellenar un campo de formulario.

La demostración de Google Flights del proyecto informa de aproximadamente siete segundos para una tarea de ejemplo, incluidos la generación y las esperas de carga de la página. No debe considerarse una prueba de referencia universal para agentes de navegador. El resultado arquitectónico más importante es que la selección de clics y la generación de texto no necesitan utilizar el mismo modelo.

11. agent-desktop — Aplicar el mismo patrón a la interfaz de usuario nativa

agent-desktop expone las interfaces de macOS mediante datos de accesibilidad y referencias estables a elementos.

En lugar de reconstruir el escritorio a partir de capturas de pantalla en cada paso, el sistema puede proporcionar a Jev un conjunto acotado de controles y acciones. Las herramientas nativas siguen realizando el clic, el enfoque o la operación de teclado reales.

Este es un recordatorio útil de que una mejor observación suele importar más que un modelo más grande.

12. json-render + Jev — Interfaz de usuario generativa sin generación arbitraria de interfaces

json-render experimenta con el uso de Jev para componer interfaces a partir de un catálogo de componentes propiedad de la aplicación.

La aplicación define qué componentes, propiedades y acciones son válidos. Jev elige entre esas opciones, mientras que el código normal ensambla y valida el árbol resultante.

La ruta de composición de Jev sigue siendo experimental, pero demuestra una alternativa útil a la generación de JSON de interfaz de usuario sin restricciones: deja que la aplicación defina el vocabulario y luego deja que el modelo elija entre sus opciones.

Los juegos y la robótica muestran dónde Jev no debería tener el control

Los sistemas en tiempo real hacen evidentes los límites arquitectónicos. La física, la gestión de colisiones, la seguridad y los bucles de control rápidos no pueden esperar la respuesta incierta de un modelo.

13. typesafe-mario — Entrada de estado estructurado del juego, salida de una acción legal del controlador

typesafe-mario convierte la telemetría del emulador y la RAM en un estado estructurado y compacto, en lugar de enviar capturas de pantalla a Jev.

Jev selecciona entonces entre acciones legales del controlador, como moverse a la derecha, saltar o correr y saltar. La aritmética temporal, el control del emulador y la extracción del estado del juego permanecen en el software convencional.

La demostración aísla claramente el problema de decisión: el modelo no necesita redescubrir el mundo del juego a partir de píxeles antes de cada movimiento.

14. jev-drone — Mantén el modelo por encima del bucle de seguridad

jev-drone ejecuta un cuadricóptero autónomo mediante una simulación de MuJoCo.

El control geométrico rápido, el guiado y la seguridad siguen siendo deterministas. Jev opera mucho más despacio como capa táctica de asesoramiento que interpreta la situación actual.

Control de vuelo a 500 Hz, guiado y seguridad a 50 Hz, cámara a 15 Hz → escena simbólica a ~2,5 Hz, criterio táctico de Jev

El proyecto es una simulación, no una prueba de que Jev deba controlar un avión real. Su lección arquitectónica es más sólida que esa afirmación: el criterio probabilístico debe situarse por encima de la lógica de seguridad en tiempo real.

15. OneVOneJev — Un bucle de juego consiste principalmente en selecciones repetidas

OneVOneJev aplica Jev a un shooter uno contra uno basado en navegador.

El servidor controla la física, la red y el estado legal del juego. Jev opera dentro de ese mundo restringido eligiendo acciones de movimiento o combate.

Esto hace que el proyecto sea más útil como prueba de estrés para decisiones repetidas y acotadas que como producto de gaming, donde generar explicaciones en lenguaje natural aportaría casi nada.

Experimentos de trading: los modelos de decisión no deben controlar la cartera

Las demostraciones financieras merecen una interpretación más estricta. Una evaluación rápida del mercado no demuestra que el trading sea rentable, y un bot experimental no debe confundirse con una estrategia validada.

16. jev-trader — Una decisión de dirección por bloque de Monad

jev-trader observa el libro de órdenes MON-USDC de Kuru en Monad y pide a Jev que elija una dirección de compra o venta una vez por bloque.

El sistema circundante gestiona los datos de mercado, la creación de órdenes limitadas, las restricciones de posiciones y la ejecución. También admite funcionar en modo de prueba sin una clave privada.

Ese límite es la parte útil: Jev aporta una evaluación del mercado; el software convencional sigue controlando la maquinaria de trading.

17. Prism — Trata Jev como una señal, no como la estrategia

Prism adopta un enfoque más consultivo. Jev evalúa condiciones del mercado, como la calidad del flujo, la presión o las señales de reversión a la media, mientras las capas de estrategia y ejecución permanecen separadas.

Este es un patrón general mejor para los flujos de trabajo de alto impacto: los modelos pueden aportar evidencia probabilística sin asumir autoridad sobre acciones irreversibles.

La búsqueda y las canalizaciones de datos demuestran que Jev no necesita un agente

Algunos de los proyectos más sólidos eliminan por completo los agentes autónomos. Jev se convierte en una operación semántica dentro de un algoritmo convencional.

18. neo4jev — Añade criterio semántico a la búsqueda en grafos

neo4jev usa Jev al recorrer un grafo de conocimiento de Neo4j.

En cada nodo, las relaciones candidatas se convierten en una elección acotada. Jev estima qué arista es más prometedora para la pregunta actual, mientras que el código de búsqueda clásico se encarga del recorrido, los nodos visitados, la amplitud de búsqueda y las condiciones de detención.

Este es un patrón útil más allá de los grafos: sustituye una heurística frágil dentro de un algoritmo existente en lugar de reconstruir toda la aplicación alrededor de la IA.

19. jev-curate — Puntúa los datos antes de gastar más recursos de cómputo en ellos

jev-curate aplica juicios semánticos repetidos a registros JSONL o Parquet antes de que pasen a etapas más costosas de entrenamiento, análisis o revisión.

La curación de datos es una tarea naturalmente centrada en decisiones: puede ser necesario juzgar la relevancia, la calidad o el riesgo de millones de filas, pero casi ninguna requiere un párrafo de texto generado.

El modelo se encarga de la evaluación difusa; el flujo sigue controlando el procesamiento por lotes, los umbrales, el almacenamiento y la política final de aceptación.

20. killmyidea — Una pequeña demostración que hace evidente la arquitectura

killmyidea pide a Jev que evalúe una idea de startup mediante varias preguntas estructuradas.

La aplicación aplica después ponderaciones, reglas y umbrales convencionales para convertir esas puntuaciones en un veredicto final de ELIMINAR, CORREGIR o PUBLICAR.

idea ↓ Jev puntúa ↓ ponderación determinista ↓ ELIMINAR / CORREGIR / PUBLICAR

Es un proyecto pequeño, pero refleja un principio de diseño importante: la IA puede aportar un criterio útil sin encargarse de generar el resultado final del producto.

¿Qué proyecto de Jev deberías probar primero?

¿Puedes ejecutar estos proyectos de Jev localmente?

En muchos casos, puedes ejecutar localmente el proyecto que lo rodea. Eso no significa que Jev se ejecute localmente.

A septiembre de 2026, Jev se utiliza como un servicio TypeSafe alojado, en lugar de mediante pesos del modelo disponibles para descarga pública. Por tanto, un agente de programación local, un servidor MCP o un controlador del navegador pueden ejecutarse en tu propio equipo mientras envían el estado de decisión seleccionado a la API de Jev.

archivos locales / navegador / agente ↓ arnés local o servidor MCP ↓ estado estructurado seleccionado ↓ API de Jev ↓ decisión tipada ↓ el software local ejecuta

Si es importante mantener el modelo de decisión en tu propio hardware, ahí es donde cambia la arquitectura. Nuestra guía sobre el modelo de decisión local de código abierto Laya analiza una alternativa con pesos descargables que puede ejecutarse en hardware local.

La distinción resulta útil para implementaciones en homelabs y de IA privada:

Esa diferencia importa más que si un README de GitHub dice «local». Un flujo de trabajo puede estar alojado localmente mientras un paso de decisión siga dependiendo de un servicio de inferencia externo.

El verdadero patrón de Jev es más pequeño que un agente

Lo más importante de estos 20 proyectos no es la cantidad de aplicaciones que los desarrolladores ya han creado. Es la constancia con la que Jev aparece en un punto específico del ciclo.

Un navegador ya sabe qué elementos existen. Jev elige uno.

Un agente de programación ya ha producido miles de líneas de salida de herramientas. Jev decide qué sigue siendo importante.

Un router ya sabe qué modelos están disponibles. Jev elige una ruta.

Un grafo ya contiene sus aristas. Jev elige cuál parece útil.

Un dron ya tiene un controlador de vuelo. Jev aporta un juicio táctico más lento.

Un sistema de trading ya tiene lógica de órdenes y restricciones de riesgo. Jev aporta una señal de dirección.

Eso es lo que hace que la primera ola de proyectos con Jev sea más interesante que otra colección de demostraciones de chatbots. Los desarrolladores están probando si algunas partes de la pila de IA actual deberían dejar de ser generativas por completo.

Por tanto, la pregunta útil no es si Jev puede reemplazar a un LLM de vanguardia.

Se trata de cuántas llamadas costosas y abiertas a LLM dentro del software actual eran en realidad decisiones acotadas que esperaban una interfaz más pequeña.