20 projektów Jev typu open source, które możesz wypróbować w 2026 roku: MCP, agenci programistyczni, automatyzacja przeglądarki i nie tylko

Jev jest publicznie dostępny dopiero od niedawna, ale deweloperzy zdążyli już umieścić go w agentach kodujących, pętlach przeglądarkowych, narzędziach MCP, potokach danych, grach, eksperymentach z robotyką i systemach tradingowych.

To nie jest kolejna lista teoretycznych zastosowań Jev. Poniższe projekty pokazują coś bardziej użytecznego: gdzie deweloperzy umieszczają model decyzyjny w rzeczywistym oprogramowaniu, o czym Jev może decydować oraz które elementy pozostają pod kontrolą kodu deterministycznego lub większego modelu generatywnego.

Jeśli dopiero poznajesz ten model, zacznij od naszego wyjaśnienia działania modeli decyzyjnych Jev. Jeśli szukasz szerszych wzorców zastosowań, a nie pojedynczych repozytoriów, wcześniejszy przewodnik po rzeczywistych zastosowaniach Jev omawia orkiestrację agentów, selekcję materiałów badawczych, automatyzację przeglądarki i inne typy zadań.

Jedno zastrzeżenie: ten ekosystem jest niezwykle młody. Wiele repozytoriów to eksperymenty, dema lub projekty jednego dewelopera. Przed uznaniem któregokolwiek z nich za oprogramowanie produkcyjne sprawdź aktualne repozytorium, licencję, działanie API i granice bezpieczeństwa.

Co naprawdę testuje tych 20 projektów Jev

Projekty te bardzo różnią się na pierwszy rzut oka, ale większość z nich opiera się na tej samej architekturze:

ustrukturyzowany stan ↓ ograniczona decyzja ↓ zwykła polityka oprogramowania ↓ narzędzie, model lub działanie

Najważniejsze jest to, że Jev rzadko odpowiada za cały przepływ pracy. Zwykle zastępuje jeden wąski, nieprecyzyjny osąd, który w innym przypadku wymagałby kolejnego wywołania LLM lub stale rosnącego zbioru heurystyk.

Agenci kodujący stają się najciekawszym środowiskiem testowym Jev

Agenty do kodowania generują ogromne ilości stanu pośredniego: zawartość plików, wyniki poleceń, ślady stosu, różnice, logi testów i powtarzające się decyzje dotyczące przekierowywania. Duża część tej pracy nie potrzebuje kolejnego akapitu od modelu czołowego. Potrzebuje selekcji.

1. fast-jev-compaction — Kompresuj kontekst bez przepisywania go

fast-jev-compaction zastępuje zwykle oparte na intensywnym podsumowywaniu kompaktowanie ocenami istotności dotyczącymi wcześniejszych wywołań narzędzi i ich wyników.

Informacje o niskiej wartości można pominąć lub skrócić, a zachowane polecenia, ścieżki, błędy i wyniki pozostają niezmienione. Dzięki temu kompresja kontekstu staje się problemem wyboru, a nie przepisywania.

Wartość nie polega na tym, że Jev tworzy lepsze podsumowanie. Unika jego tworzenia.

2. Winnow — Zatrzymaj nieistotne wyniki narzędzi, zanim trafią do kontekstu

Winnow rozwiązuje ten sam problem wcześniej w potoku. Duże Read, Bash lub Grep wyniki są dzielone na bloki, a następnie oceniane pod kątem istotności dla zadania, zanim zużyją więcej kontekstu.

Różnica w porównaniu z kompaktowaniem ma znaczenie:

• Winnow: filtruje informacje na drodze do kontekstu roboczego.
• fast-jev-compaction: usuwa nieaktualne informacje, które już znajdują się w historii rozmowy.

Razem pokazują dwa różne miejsca, w których agenty do kodowania mogą zastąpić obciążające tokeny podsumowywanie ograniczonymi ocenami istotności.

3. Jev Codex Router — Określ, ile modelu naprawdę potrzebuje zadanie

Jev Codex Router przenosi decyzję o poziom wyżej: zanim Codex zajmie się zadaniem, Jev wybiera poziom modelu i nakład pracy związany z rozumowaniem.

Dzięki temu Jev staje się kontrolerem ruchu, a nie modelem do kodowania. Proste zadania mogą pozostać na tańszej ścieżce, a trudne tury można eskalować.

Repozytorium przedstawia historyczną symulację sugerującą znaczne oszczędności w porównaniu z przekierowywaniem każdej testowanej tury przez wcześniej najbardziej kosztowną ścieżkę, ale tę wartość należy traktować jako wynik testu wstecznego, a nie zmierzone obecne oszczędności limitu Codex.

Architektura ta łączy się również z szerszym pytaniem, które już wcześniej analizowaliśmy: czy mały model może przekierowywać żądania do większych modeli, nie stając się przy tym samodzielnie silnikiem końcowego rozumowania.

4. Jev Review — Skup uwagę podczas przeglądu tam, gdzie ma znaczenie

Jev Review rozbija przegląd kodu na węższe oceny, takie jak to, którym plikom należy się przyjrzeć, jakie dowody są istotne i jak poważny może być podejrzewany problem.

Interesująca jest priorytetyzacja. Jev nie musi generować końcowego przeglądu, by usprawnić przepływ pracy; może najpierw zawęzić duży diff do miejsc, na które warto poświęcić głębsze rozumowanie lub uwagę człowieka.

5. Blink — Nawigowanie po bazie kodu, jedna decyzja semantyczna naraz

Blink traktuje wyszukiwanie w repozytorium jako wybór ścieżki.

Na każdym poziomie katalogów widoczne pliki i foldery stają się kandydatami. Jev wybiera najbardziej obiecującą kolejną gałąź dla bieżącego pytania, a wyszukiwanie jest kontynuowane rekurencyjnie.

Zamiast osadzać całe repozytorium przed każdym zapytaniem, system wielokrotnie zadaje znacznie węższe pytanie: gdzie powinienem szukać dalej?

6. Canny — Oddzielenie „Myślę, że skończyłem” od dowodów ukończenia pracy

Canny koncentruje się na deklaracjach agentów dotyczących ukończenia zadań.

Deterministyczne rejestry śledzą to, co faktycznie się wydarzyło: zmienione pliki, uruchomione polecenia, ukończone testy i wygenerowane wyniki. Jev może dodawać oceny semantyczne do tych dowodów, ale model nie staje się ostateczną warstwą uprawnień.

To rozdzielenie ma znaczenie w przypadku lokalnych agentów, które mogą modyfikować rzeczywiste systemy. Nasz przewodnik po granicach zaufania wykonywania narzędzi wyjaśnia tę samą zasadę na szerszym poziomie architektury agentów: uznanie, że działanie wygląda właściwie, nie jest tym samym co przyznanie uprawnień do jego wykonania.

Projekty MCP i CLI przekształcają Jev w infrastrukturę

Kolejna grupa jest mniej związana z konkretnymi zastosowaniami. Projekty te udostępniają Jev jako wielokrotnego użytku podstawowy mechanizm decyzyjny wewnątrz istniejących narzędzi.

7. typesafe-mcp — Zapewnienie istniejącym agentom bezpośredniego dostępu do Jev

typesafe-mcp udostępnia Jev za pośrednictwem Model Context Protocol.

Agent zgodny z Claude, Codex lub MCP może zażądać strukturalnej oceny typu Choice, Score lub Noul bez implementowania nowej integracji Jev dla każdego przepływu pracy. Agent nadal decyduje, kiedy wywołać narzędzie i co zrobić z wynikiem.

8. jev-mcp — Pakowanie typowych decyzji w narzędzia agentów

jev-mcp podnosi poziom abstrakcji, udostępniając znane operacje, takie jak klasyfikacja, ocenianie, filtrowanie i dopasowywanie.

Zamiast tego, by każdy agent wymyślał nowy prompt do tej samej oceny, typowe schematy decyzyjne mogą stać się wielokrotnego użytku interfejsami ze strukturalnymi wynikami.

9. SemDecide — Umieść logikę semantyczną w potokach Uniksa

SemDecide bada jeszcze mniejszą powierzchnię integracji: wiersz poleceń.

grep → jq → decyzja semantyczna → działanie powłoki

Jest to przydatne w przypadku pytań, które trudno wyrazić za pomocą wyrażenia regularnego, ale które nadal są zbyt ograniczone, by uzasadniać użycie autonomicznego agenta, na przykład czy zmiana wygląda na związaną z bezpieczeństwem lub czy rekord należy do kategorii semantycznej.

Kluczowa granica pozostaje deterministyczna: uprawnienia, polecenia destrukcyjne i kontrole bezpieczeństwa produkcji powinny pozostać w zwykłym kodzie.

Agenci przeglądarki i pulpitu: wybieraj działania zamiast je generować

Automatyzacja przeglądarki wyjątkowo dobrze pasuje do ograniczonej warstwy decyzyjnej. Gdy strona zostanie przekształcona w listę kandydujących elementów, znaczna część pętli sprowadza się do wyboru działania, a nie generowania języka.

10. jev-ultrafast — Generowanie tylko wtedy, gdy przeglądarka rzeczywiście potrzebuje słów

jev-ultrafast tworzy indeksowaną przestrzeń działań na podstawie bieżącej strony i pozwala Jev wybrać operację oraz docelowy element.

Model generatywny jest potrzebny tylko wtedy, gdy wybrane działanie wymaga nowego tekstu, na przykład wypełnienia pola formularza.

Demo Google Flights w projekcie podaje około siedmiu sekund dla jednego przykładowego zadania, wliczając generowanie i oczekiwanie na załadowanie stron. Nie należy traktować tego jako uniwersalnego testu porównawczego agentów przeglądarkowych. Ważniejszy jest wniosek architektoniczny: wybór kliknięcia i generowanie tekstu nie muszą korzystać z tego samego modelu.

11. agent-desktop — Zastosuj ten sam wzorzec do natywnego interfejsu użytkownika

agent-desktop udostępnia interfejsy macOS za pomocą danych ułatwień dostępu i stabilnych odwołań do elementów.

Zamiast odtwarzać pulpit ze zrzutów ekranu na każdym kroku, system może przekazać Jev ograniczony zestaw elementów sterujących i działań. Narzędzia natywne nadal wykonują rzeczywiste kliknięcie, ustawienie fokusu lub operację klawiaturą.

To przydatne przypomnienie, że lepsza obserwacja często ma większe znaczenie niż większy model.

12. json-render + Jev — Generatywny interfejs użytkownika bez arbitralnego generowania interfejsu

json-render eksperymentuje z użyciem Jev do komponowania interfejsów z katalogu komponentów należącego do aplikacji.

Aplikacja definiuje, które komponenty, właściwości i działania są dozwolone. Jev wybiera spośród tych kandydatów, a zwykły kod składa i waliduje wynikowe drzewo.

Ścieżka kompozycji Jev pozostaje eksperymentalna, ale pokazuje użyteczną alternatywę dla nieograniczonego generowania JSON interfejsu użytkownika: pozwól aplikacji zdefiniować słownik, a następnie pozwól modelowi wybierać z niego.

Gry i robotyka pokazują, czym Jev nie powinien sterować

Systemy czasu rzeczywistego wyraźnie pokazują granice architektury. Fizyka, obsługa kolizji, bezpieczeństwo i szybkie pętle sterowania nie mogą czekać na niepewną odpowiedź modelu.

13. typesafe-mario — Ustrukturyzowany stan gry na wejściu, dozwolona akcja kontrolera na wyjściu

typesafe-mario konwertuje dane telemetryczne emulatora i pamięć RAM na zwięzły, ustrukturyzowany stan zamiast wysyłać Jevowi zrzuty ekranu.

Następnie Jev wybiera spośród dozwolonych działań kontrolera, takich jak ruch w prawo, skok albo bieg i skok. Obliczenia czasu, sterowanie emulatorem i wydobywanie stanu gry pozostają w zwykłym oprogramowaniu.

Demo wyodrębnia problem decyzyjny w przejrzysty sposób: model nie musi przed każdym ruchem na nowo odczytywać świata gry z pikseli.

14. jev-drone — Trzymaj model powyżej pętli bezpieczeństwa

jev-drone uruchamia autonomiczny kwadrotor w symulacji MuJoCo.

Szybkie sterowanie geometryczne, naprowadzanie i bezpieczeństwo pozostają deterministyczne. Jev działa znacznie wolniej jako doradcza warstwa taktyczna, która interpretuje bieżącą sytuację.

Sterowanie lotem 500 Hz, naprowadzanie + bezpieczeństwo 50 Hz, kamera 15 Hz → symboliczna scena ~2,5 Hz, taktyczna ocena sytuacji Jeva

Projekt jest symulacją, a nie dowodem na to, że Jev powinien sterować prawdziwym samolotem. Jego lekcja architektoniczna jest ważniejsza niż sugerowałoby to takie twierdzenie: probabilistyczna ocena sytuacji powinna znajdować się powyżej twardej logiki bezpieczeństwa czasu rzeczywistego.

15. OneVOneJev — Pętla gry to głównie powtarzanie wyborów

OneVOneJev stosuje Jeva w przeglądarkowej strzelance jeden na jednego.

Serwer odpowiada za fizykę, sieć i stan gry. Jev działa w tym ograniczonym świecie, wybierając ruch lub akcje bojowe.

Dzięki temu projekt jest bardziej użyteczny jako test obciążeniowy powtarzanych, ograniczonych decyzji niż jako produkt gamingowy, w którym tworzenie wyjaśnień w języku naturalnym wnosiłoby niemal nic.

Eksperymenty handlowe: modele decyzyjne nie powinny zarządzać portfelem

Dema finansowe wymagają bardziej rygorystycznej interpretacji. Szybka ocena sytuacji rynkowej nie jest dowodem na zyskowny handel, a eksperymentalnego bota nie należy mylić ze sprawdzoną strategią.

16. jev-trader — Jedna decyzja o kierunku na blok Monada

jev-trader obserwuje księgę zleceń Kuru MON-USDC na Monadzie i raz na blok prosi Jeva o wybór kierunku kupna lub sprzedaży.

Otaczający system obsługuje dane rynkowe, tworzenie zleceń z limitem, ograniczenia pozycji i realizację zleceń. Obsługuje także tryb próbny bez klucza prywatnego.

Ta granica jest użytecznym elementem: Jev wnosi ocenę sytuacji rynkowej, a zwykłe oprogramowanie nadal odpowiada za mechanizm handlu.

17. Prism — Traktuj Jev jako sygnał, nie jako strategię

Prism stosuje bardziej doradcze podejście. Jev ocenia warunki rynkowe, takie jak jakość przepływu, presja czy sygnały powrotu do średniej, podczas gdy warstwy strategii i realizacji pozostają oddzielne.

To lepszy ogólny wzorzec dla przepływów pracy o dużym wpływie: modele mogą dostarczać probabilistyczne dowody, nie przejmując kontroli nad nieodwracalnymi działaniami.

Wyszukiwanie i potoki danych pokazują, że Jev nie potrzebuje agenta

Niektóre z najsilniejszych projektów całkowicie eliminują autonomicznych agentów. Jev staje się jedną operacją semantyczną w ramach konwencjonalnego algorytmu.

18. neo4jev — Dodaj ocenę semantyczną do wyszukiwania w grafie

neo4jev wykorzystuje Jev podczas przeszukiwania grafu wiedzy Neo4j.

W każdym węźle relacje kandydujące stają się ograniczonym wyborem. Jev szacuje, która krawędź jest najbardziej obiecująca dla bieżącego pytania, a klasyczny kod wyszukiwania obsługuje przechodzenie, odwiedzone węzły, szerokość wiązki i warunki zatrzymania.

To użyteczny wzorzec także poza grafami: zastąp jedną zawodną heurystykę w istniejącym algorytmie, zamiast przebudowywać całą aplikację wokół AI.

19. jev-curate — Oceniaj dane, zanim przeznaczysz na nie więcej mocy obliczeniowej

jev-curate stosuje powtarzalne oceny semantyczne do rekordów JSONL lub Parquet, zanim trafią one do bardziej kosztownych etapów trenowania, analizy lub przeglądu.

Selekcja danych to naturalne zadanie wymagające wielu decyzji: miliony wierszy mogą wymagać oceny pod kątem trafności, jakości lub ryzyka, ale niemal żaden nie wymaga wygenerowania akapitu tekstu.

Model zajmuje się nieprecyzyjną oceną; potok nadal odpowiada za grupowanie, progi, przechowywanie danych i końcową politykę akceptacji.

20. killmyidea — Małe demo, które jasno pokazuje architekturę

killmyidea prosi Jev o ocenę pomysłu na startup na podstawie wielu uporządkowanych pytań.

Następnie aplikacja stosuje zwykłe wagi, reguły i progi, aby przekształcić te oceny w ostateczny werdykt KILL, FIX lub SHIP.

pomysł ↓ oceny Jev ↓ deterministyczne ważenie ↓ KILL / FIX / SHIP

To mały projekt, ale pokazuje ważną zasadę projektową: AI może dostarczać użyteczne oceny, nie odpowiadając za generowanie końcowego produktu.

Który projekt Jev wypróbować najpierw?

Czy można uruchamiać te projekty Jev lokalnie?

W wielu przypadkach możesz uruchomić otaczający projekt lokalnie. Nie oznacza to, że sam Jev działa lokalnie.

We wrześniu 2026 r. z Jev korzysta się jako z hostowanej usługi TypeSafe, a nie za pośrednictwem publicznie dostępnych wag modelu do pobrania. Lokalny agent programistyczny, serwer MCP lub kontroler przeglądarki może więc działać na Twoim komputerze, wysyłając wybrany stan decyzyjny do API Jev.

pliki lokalne / przeglądarka / agent ↓ lokalny moduł wykonawczy lub serwer MCP ↓ wybrany ustrukturyzowany stan ↓ API Jev ↓ decyzja określonego typu ↓ lokalne oprogramowanie wykonuje działanie

Jeśli ważne jest, aby sam model decyzyjny pozostał na Twoim sprzęcie, właśnie w tym miejscu zmienia się architektura. Nasz przewodnik po lokalnym modelu decyzyjnym open source Laya przedstawia alternatywę z wagami do pobrania, którą można uruchomić na lokalnym sprzęcie.

To rozróżnienie jest przydatne w przypadku wdrożeń homelabowych i prywatnej AI:

Ta różnica ma większe znaczenie niż to, czy w pliku README na GitHubie widnieje słowo „lokalny”. Workflow może być hostowany lokalnie, podczas gdy jeden etap decyzyjny nadal zależy od zewnętrznej usługi wnioskowania.

Prawdziwy wzorzec Jev jest mniejszy niż agent

Najważniejsze w tych 20 projektach nie jest to, ile aplikacji deweloperzy już zbudowali. Chodzi o to, jak konsekwentnie Jev pojawia się w jednym wąskim punkcie pętli.

Przeglądarka wie już, które elementy istnieją. Jev wybiera jeden z nich.

Agent programistyczny wygenerował już tysiące wierszy wyników działania narzędzi. Jev decyduje, co nadal ma znaczenie.

Router wie już, które modele są dostępne. Jev wybiera trasę.

Graf zawiera już swoje krawędzie. Jev wybiera tę, która wygląda na użyteczną.

Dron ma już kontroler lotu. Jev dostarcza wolniejszą ocenę taktyczną.

System transakcyjny ma już logikę składania zleceń i ograniczenia ryzyka. Jev dostarcza sygnał kierunku.

To właśnie sprawia, że pierwsza fala projektów Jev jest ciekawsza niż kolejny zbiór demonstracji chatbotów. Deweloperzy sprawdzają, czy niektóre elementy dzisiejszego stosu AI powinny całkowicie przestać być generatywne.

Dlatego użyteczne pytanie nie brzmi, czy Jev może zastąpić zaawansowany model LLM.

Chodzi o to, ile kosztownych, otwartych wywołań LLM w dzisiejszym oprogramowaniu było w istocie ograniczonymi decyzjami, które czekały na mniejszy interfejs.