20 projekt med öppen källkod som du kan prova 2026: MCP, kodningsagenter, webbläsarautomation och mer

Jev har bara varit offentligt tillgängligt en kort tid, men utvecklare har redan integrerat det i kodningsagenter, webbläsarloopar, MCP-verktyg, datapipelines, spel, robotikexperiment och handelssystem.

Det här är inte ännu en lista över teoretiska användningsområden för Jev. Projekten nedan visar något mer användbart: var utvecklare placerar en beslutsmodell i verklig programvara, vad Jev får besluta och vilka delar som fortfarande hanteras av deterministisk kod eller en större generativ modell.

Om modellen är ny för dig kan du börja med vår förklaring av hur Jevs beslutsmodeller fungerar. Om du letar efter bredare applikationsmönster snarare än enskilda arkiv går den tidigare guiden till verkliga användningsområden för Jev igenom agentorkestrering, prioritering av forskning, webbläsarautomatisering och andra typer av arbetsbelastningar.

En reservation: detta ekosystem är extremt ungt. Många arkiv är experiment, demonstrationer eller projekt av en enda utvecklare. Kontrollera det aktuella arkivet, licensen, API-beteendet och säkerhetsgränserna innan du betraktar något av dem som produktionsprogramvara.

Vad dessa 20 Jev-projekt faktiskt testar

Projekten ser mycket olika ut på ytan, men de flesta följer samma arkitektur:

strukturerat tillstånd ↓ avgränsat beslut ↓ vanlig programvarupolicy ↓ verktyg, modell eller åtgärd

Det viktiga är att Jev sällan äger hela arbetsflödet. Det ersätter vanligtvis en enda smal, svårbedömd bedömning som annars skulle kräva ytterligare ett LLM-anrop eller en växande samling heuristiker.

Kodningsagenter blir Jevs mest intressanta testmiljö

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.

Skillnaden mot komprimering är viktig:

• Winnow: filtrerar information på väg in i arbetskontexten.
• fast-jev-compaction: tar bort inaktuell information som redan finns i konversationshistoriken.

Tillsammans visar de två olika platser där kodningsagenter kan ersätta tokenslukande sammanfattningar med avgränsade relevansbedömningar.

3. Jev Codex Router — Avgör hur mycket modell en uppgift faktiskt behöver

Jev Codex Router flyttar beslutet en nivå högre: innan Codex hanterar en uppgift väljer Jev modellnivå och resonemangsinsats.

Det gör Jev till en trafikledare snarare än en kodningsmodell. Enkla uppgifter kan stanna på en billigare väg, medan svåra turer kan eskaleras.

Förrådet redovisar en historisk simulering som antyder betydande besparingar jämfört med att dirigera varje testad tur genom den tidigare dyraste vägen, men siffran bör betraktas som ett backtest snarare än som uppmätta aktuella Codex-kvotbesparingar.

Arkitekturen knyter också an till en bredare fråga som vi har utforskat tidigare: om en liten modell kan dirigera förfrågningar till större modeller utan att själv bli den slutliga motorn för resonemang.

4. Jev Review — Lägg granskningsfokus där det gör störst nytta

Jev Review delar upp kodgranskning i smalare bedömningar, till exempel vilka filer som förtjänar uppmärksamhet, vilka belägg som är relevanta och hur allvarligt ett misstänkt problem kan vara.

Det intressanta är prioriteringen. Jev behöver inte generera den slutliga granskningen för att förbättra arbetsflödet; det kan först begränsa en stor diff till de platser där djupare resonemang eller mänsklig granskning är värt att lägga tid på.

5. Blink — Navigera i en kodbas, ett semantiskt val i taget

Blink behandlar sökning i kodarkiv som sökvägsval.

På varje katalognivå blir synliga filer och mappar kandidater. Jev väljer den mest lovande nästa grenen för den aktuella frågan, och sökningen fortsätter rekursivt.

I stället för att bädda in ett helt kodarkiv före varje fråga ställer systemet upprepade gånger en mycket snävare fråga: var bör jag leta härnäst?

6. Canny — Separera ”Jag tror att jag är klar” från belägg för att arbetet är klart

Canny är inriktat på agenters påståenden om att arbetet är slutfört.

Deterministiska poster registrerar vad som faktiskt hände: filer som ändrades, kommandon som kördes, tester som slutfördes och utdata som visades. Jev kan lägga till semantiska bedömningar kring dessa belägg, men modellen blir inte det yttersta tillståndslagret.

Denna åtskillnad är viktig för lokala agenter som kan ändra verkliga system. Vår guide om förtroendegränser för verktygskörning förklarar samma princip på en bredare agentarkitekturnivå: att avgöra att en åtgärd verkar lämplig är inte samma sak som att ge tillstånd att utföra den.

MCP- och CLI-projekt gör Jev till infrastruktur

Nästa grupp är mindre applikationsspecifik. Dessa projekt gör Jev tillgängligt som en återanvändbar beslutsprimitiv i befintliga verktyg.

7. typesafe-mcp — Ge befintliga agenter direkt åtkomst till Jev

typesafe-mcp tillhandahåller Jev via Model Context Protocol.

En Claude-, Codex- eller MCP-kompatibel agent kan begära en strukturerad bedömning av typen Choice, Score eller Noul utan att behöva implementera en ny Jev-integrering för varje arbetsflöde. Agenten avgör fortfarande när verktyget ska anropas och vad den ska göra med resultatet.

8. jev-mcp — Paketera vanliga beslut som agentverktyg

jev-mcp höjer abstraktionsnivån genom att tillhandahålla välbekanta operationer som klassificering, poängsättning, granskning och matchning.

I stället för att varje agent hittar på en ny prompt för samma bedömning kan vanliga beslutsmönster bli återanvändbara gränssnitt med strukturerade utdata.

9. SemDecide — Placera semantisk logik i Unix-pipelines

SemDecide utforskar en ännu mindre integrationsyta: kommandoraden.

grep → jq → semantiskt beslut → skalåtgärd

Detta är användbart för frågor som är svåra att uttrycka med ett regex men ändå för begränsade för att motivera en autonom agent, till exempel om en ändring verkar säkerhetskänslig eller om en post tillhör en semantisk kategori.

Den avgörande gränsen är fortfarande deterministisk: behörigheter, destruktiva kommandon och säkerhetskontroller i produktion bör förbli i vanlig kod.

Webbläsar- och skrivbordsagenter: Välj åtgärder i stället för att generera dem

Webbläsarautomatisering passar ovanligt bra för ett begränsat beslutsled. När en sida väl har omvandlats till kandidatelement består mycket av loopen av åtgärdsval snarare än språk­generering.

10. jev-ultrafast — Generering endast när webbläsaren faktiskt behöver ord

jev-ultrafast bygger ett indexerat åtgärdsutrymme från den aktuella sidan och låter Jev välja en åtgärd och ett målelement.

En generativ modell behövs bara när den valda åtgärden kräver ny text, till exempel när ett formulärfält ska fyllas i.

Projektets Google Flights-demo rapporterar ungefär sju sekunder för en exempeluppgift, inklusive generering och väntetider för sidor. Det bör inte betraktas som ett universellt riktmärke för webbläsaragenter. Det viktigaste resultatet är arkitekturellt: klickval och textgenerering behöver inte använda samma modell.

11. agent-desktop — Tillämpa samma mönster på inbyggda gränssnitt

agent-desktop exponerar macOS-gränssnitt genom hjälpmedelsdata och stabila elementreferenser.

I stället för att återskapa skrivbordet från skärmbilder vid varje steg kan systemet ge Jev en begränsad uppsättning kontroller och åtgärder. Inbyggda verktyg utför fortfarande själva klicket, fokuseringen eller tangentbordsåtgärden.

Detta är en användbar påminnelse om att bättre observation ofta är viktigare än en större modell.

12. json-render + Jev — Generativt UI utan godtycklig UI-generering

json-render experimenterar med att använda Jev för att komponera gränssnitt från en applikationsägd komponentkatalog.

Applikationen definierar vilka komponenter, egenskaper och åtgärder som är tillåtna. Jev väljer bland dessa kandidater, medan vanlig kod bygger ihop och validerar det resulterande trädet.

Jevs kompositionsväg är fortfarande experimentell, men den visar ett användbart alternativ till okontrollerad generering av UI-JSON: låt applikationen definiera vokabulären och låt sedan modellen välja från den.

Spel och robotik visar var Jev inte bör ha kontroll

Realtidssystem tydliggör arkitektoniska gränser. Fysik, kollisionshantering, säkerhet och snabba kontrollloopar kan inte vänta på ett osäkert modellsvar.

13. typesafe-mario — Strukturerat speltillstånd in, laglig kontrollåtgärd ut

typesafe-mario omvandlar telemetri från emulatorn och RAM-innehåll till ett kompakt strukturerat tillstånd i stället för att skicka skärmbilder till Jev.

Jev väljer sedan bland lagliga kontrollåtgärder, såsom att gå åt höger, hoppa eller springa och hoppa. Tidsberäkningar, emulatorstyrning och extrahering av speltillstånd hanteras av vanlig programvara.

Demonstrationen isolerar beslutsproblemet på ett tydligt sätt: modellen behöver inte återskapa spelvärlden från pixlar före varje drag.

14. jev-drone — Håll modellen ovanför säkerhetsloopen

jev-drone kör en autonom kvadrokopter genom en MuJoCo-simulering.

Snabb geometrisk styrning, vägledning och säkerhet förblir deterministiska. Jev arbetar mycket långsammare som ett rådgivande taktiskt lager som tolkar den aktuella situationen.

Flygkontroll vid 500 Hz 50 Hz vägledning + säkerhet 15 Hz kamera → symbolisk scen ~2,5 Hz Jev taktisk bedömning

Projektet är en simulering, inte ett bevis på att Jev bör styra ett verkligt flygplan. Den arkitektoniska lärdomen är starkare än ett sådant påstående: probabilistiska bedömningar hör hemma ovanför hård realtidslogik för säkerhet.

15. OneVOneJev — En spelloop består till största delen av upprepade val

OneVOneJev tillämpar Jev på ett webbläsarbaserat en-mot-en-skjutspel.

Servern ansvarar för fysik, nätverk och spelets juridiska tillstånd. Jev verkar inom den begränsade världen genom att välja rörelse- eller stridshandlingar.

Det gör projektet användbart, inte så mycket som en spelprodukt, utan snarare som ett stresstest för upprepade avgränsade beslut där det skulle tillföra nästan ingenting att generera förklaringar på naturligt språk.

Handelsexperiment: Beslutsmodeller bör inte äga plånboken

Finansiella demonstrationer förtjänar en striktare tolkning. En snabb marknadsbedömning är inte ett bevis på lönsam handel, och en experimentell bot bör inte förväxlas med en validerad strategi.

16. jev-trader — Ett riktningsbeslut per Monad-block

jev-trader bevakar Kuru MON-USDC-orderboken på Monad och ber Jev välja köp- eller säljriktning en gång per block.

Det omgivande systemet hanterar marknadsdata, konstruktion av limitordrar, positionsbegränsningar och orderutförande. Det stöder också torrkörning utan privat nyckel.

Den gränsen är den användbara delen: Jev bidrar med en marknadsbedömning; vanlig programvara ansvarar fortfarande för handelsmaskineriet.

17. Prism — Behandla Jev som en signal, inte som strategin

Prism har en mer rådgivande inriktning. Jev utvärderar marknadsförhållanden som flödeskvalitet, tryck eller mean-reversion-signaler, medan strategi- och exekveringslagren förblir separata.

Detta är ett bättre generellt mönster för arbetsflöden med stor påverkan: modeller kan bidra med sannolikhetsbaserade belägg utan att få bestämmanderätt över oåterkalleliga åtgärder.

Sök- och datapipelines visar att Jev inte behöver en agent

Några av de starkaste projekten tar helt bort autonoma agenter. Jev blir en semantisk operation i en konventionell algoritm.

18. neo4jev — Lägg till semantisk bedömning i grafsökning

neo4jev använder Jev vid traversering av en Neo4j-kunskapsgraf.

Vid varje nod blir kandidatförbindelserna ett begränsat val. Jev uppskattar vilken kant som är mest lovande för den aktuella frågan, medan klassisk sökkod hanterar traversering, besökta noder, strålbredd och stoppvillkor.

Detta är ett användbart mönster även utanför grafer: ersätt en skör heuristik i en befintlig algoritm i stället för att bygga om hela applikationen kring AI.

19. jev-curate — Poängsätt data innan du lägger mer beräkningskraft på den

jev-curate tillämpar upprepade semantiska bedömningar på JSONL- eller Parquet-poster innan de går vidare till dyrare tränings-, analys- eller granskningssteg.

Datakurering är en naturligt beslutsintensiv arbetsbelastning: miljontals rader kan behöva bedömas utifrån relevans, kvalitet eller risk, men nästan inga kräver ett genererat textstycke.

Modellen hanterar luddig utvärdering; pipelinen ansvarar fortfarande för batchhantering, tröskelvärden, lagring och den slutliga acceptanspolicyn.

20. killmyidea — En liten demo som tydliggör arkitekturen

killmyidea ber Jev utvärdera en startup-idé utifrån flera strukturerade frågor.

Applikationen tillämpar sedan vanliga vikter, spärrar och tröskelvärden för att omvandla poängen till ett slutligt KILL-, FIX- eller SHIP-beslut.

idé ↓ Jev-poäng ↓ deterministisk viktning ↓ KILL / FIX / SHIP

Det är ett litet projekt, men det fångar en viktig designprincip: AI kan bidra med användbara bedömningar utan att ansvara för att generera det slutliga produktresultatet.

Vilket Jev-projekt bör du prova först?

Kan du köra dessa Jev-projekt lokalt?

I många fall kan du köra det omgivande projektet lokalt. Det betyder inte att Jev självt körs lokalt.

I september 2026 används Jev som en hostad TypeSafe-tjänst i stället för via offentligt nedladdningsbara modellvikter. En lokal kodningsagent, MCP-server eller webbläsarkontroller kan därför köras på din egen dator medan utvalt beslutstillstånd skickas till Jev-API:t.

lokala filer / webbläsare / agent ↓ lokalt harness eller MCP-server ↓ valt strukturerat tillstånd ↓ Jev-API ↓ typat beslut ↓ lokal programvara kör

Om det är viktigt att själva beslutsmodellen finns på din hårdvara är det där arkitekturen förändras. Vår guide till den lokala beslutsmodellen Laya med öppen källkod tittar på ett alternativ med nedladdningsbara vikter som kan köras på lokal hårdvara.

Skillnaden är användbar för homelab- och privata AI-distributioner:

Den skillnaden är viktigare än om en GitHub-README säger ”lokal”. Ett arbetsflöde kan vara lokalt hostat medan ett enskilt beslutssteg fortfarande är beroende av en extern inferenstjänst.

Det verkliga Jev-mönstret är mindre än en agent

Det viktigaste med dessa 20 projekt är inte antalet tillämpningar som utvecklare redan har byggt. Det är hur konsekvent Jev dyker upp vid en enda avgränsad punkt i loopen.

En webbläsare vet redan vilka element som finns. Jev väljer ett.

En kodningsagent har redan producerat tusentals rader verktygsutdata. Jev avgör vad som fortfarande är viktigt.

En router vet redan vilka modeller som är tillgängliga. Jev väljer en rutt.

En graf innehåller redan sina kanter. Jev väljer vilken som verkar användbar.

En drönare har redan en flygkontroller. Jev bidrar med ett långsammare taktiskt omdöme.

Ett handelssystem har redan orderlogik och riskbegränsningar. Jev bidrar med en riktningssignal.

Det är det som gör den första vågen av Jev-projekt mer intressant än ännu en samling chatbotdemonstrationer. Utvecklare testar om delar av dagens AI-stack helt borde sluta vara generativa.

Den användbara frågan är därför inte om Jev kan ersätta en frontier-LLM.

Det handlar om hur många dyra LLM-anrop med öppet slut i dagens programvara som egentligen bara var avgränsade beslut som väntade på ett mindre gränssnitt.