Zhou Luobo Jev Skills Workflow

Jev 最近的玩法，已经从“让电脑点得更快”，扩展到 Agent、代码审查、手机操作、游戏和文档分类等等多个领域了。

我整理了一批目前比较热的用法，大家可以参考一下。

1. 给 Agent 加一个快速判断层

Hermes Jev Skills 把 Jev 接进 Hermes、Claude Code 和 Codex。

- 每轮任务的模型路由

- Skill 选择

- 上下文压缩

- 记忆筛选

- 邮箱分类

- 浏览器和电脑操作

大模型负责规划和写内容，Jev 负责回答“选哪个、留不留、要不要继续”。

https://github.com/kerpopule/hermes-jev-skills

2. 用 Jev 做上下文压缩

fast-jev-compaction 是 Claude Code 插件。

传统上下文压缩会把历史对话总结成一段文字，文件路径、报错细节和约束条件容易丢。

它的做法比较直接，让 Jev 判断哪些工具调用和结果还需要保留，哪些内容可以删除或截断。保留的内容原样留下，不重新编故事。

https://github.com/tamaratran/fast-jev-compaction

3. 让 Agent 验证自己有没有真的做完

AI Agent 写完代码后，Reticle 会驱动真实运行中的 Web 或桌面应用，观察页面、读取运行状态，再返回。

- pass

- fail

- couldn't tell

- 需要修复的 file:line

这相当于给 Coding Agent 加了一层运行时验收，不再只相信模型回复里的“done”。

https://github.com/reticlehq/reticle

4. 做分阶段代码审查

Jev Review 把代码审查拆成了多个判断环节。

代码风险筛选 → 文件画像 → 证据选择 → 机制分类 → 严重程度评分 → 审查模型路由。

它会先筛选值得看的 diff 和源码区域，再把重要部分交给更强的模型。

适合的场景如下：

- Pull Request 审查

- 安全风险初筛

- 测试覆盖率检查

- 大型代码库巡检

https://github.com/devagrawal09/jev-review

5. 在本地运行 Jev 风格的小模型

Kev 和 NanoJev 都在尝试把 Jev 风格的决策能力做成可训练、可本地运行的模型。

Kev 提供 0.8B、4B、9B 多个模型，支持下面这些能力：

- yes/no 判断

- 多选

- 评分

- 概率输出

NanoJev 则更偏研究和实验，包含动态候选项、并行决策和训练流程。

这类项目的价值在于，很多分类和路由任务，不需要生成长文本，能在本地跑会更容易控制成本和延迟。

Kev：

https://github.com/jaredpalmer/kev

NanoJev：

https://github.com/TianyuCodings/NanoJev

6. 用 Jev 控制真实 Android 手机

mobile-jev 把 Jev 接到了 Mobilerun 的 Android 设备上。

它可以根据目标自动选择。

- 打开哪个 App

- 点击哪个控件

- 输入什么文字

- 是否滚动

- 是否返回

- 什么时候结束

- 是否需要判定任务失败

项目里还带有 Dark Mode 示例和运行轨迹，适合研究移动端 Agent 如何从“看屏幕”走向“结构化选择动作”。

https://github.com/droidrun/mobile-jev

7. 让 AI 玩 Minecraft

Minecraft Agent 的分工很清楚。

- 大模型负责规划当前目标

- Jev 负责从候选动作中选择下一步

- Mineflayer 负责执行游戏操作

- 本地传感器负责提供游戏状态

Jev 不需要直接看每一帧画面，也不用控制每一个键位。它面对的是结构化状态和候选动作。

这个玩法很适合拿来理解 Agent 的分层架构。

https://github.com/rmalde/minecraft-agent

8. 把 PDF 页面变成结构化分类结果

tax-doc-classifier 用 Jev 识别税务文件页面。

输入一页 PDF 的文字，可以直接输出下面这些内容。

- 属于哪种表格

- 是说明页、空白页还是正式表格

- 分类置信度

- 是否达到自动处理阈值

它没有训练一个新的大模型，只是把 IRS 表格描述整理成候选项，让 Jev 从中选择。

类似方法也能用于很多领域。

- 发票分类

- 合同页分类

- 银行流水识别

- 保险单据归档

- 企业文档分流

https://github.com/kyotofin/tax-doc-classifier

9. 做交易系统里的盘前判断

QuantDinger 是一个开源 AI Trading OS。

策略生成 → 回测 → 模拟交易 → 实盘执行 → 监控。

Jev 被放在交易前的决策环节，用于判断市场状态、策略信号和是否执行。

这类玩法风险很高，适合先做研究和纸面交易，别直接把模型接到真实资金上。

https://github.com/OpenByteInc/QuantDinger

把这些项目放在一起看，其实 Jev 的价值也比较清楚了。

大模型负责目标、规划和复杂解释。

Jev 负责低延迟、结构化、可重复的判断。

程序负责执行、验证和记录。

很多 Agent 现在的问题，不是模型不会思考，是每个小决定都让大模型重新思考一遍，太浪费了。

选模型、选 Skill、保留上下文、筛选文件、判断下一步动作，这些环节都可以拆出来。

交给 Jev 试试。