Zhou Luobo Jev Skills Workflow

项目摘要

中文整理 Jev 在 Hermes、Claude Code、Codex 的路由、记忆、技能选择和压缩用法。

来源原文

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。

原记录的限制

• Implementation details are based on the author's public post on X.
• Performance figures and benchmarks are author-reported community claims.
• Production deployments may require custom calibration and policy thresholds.