Diese Community
JEV Hub
- Unabhängiger Katalog und Workflow-Notizen
- Live-Playground mit eigenem Schlüssel
- MCP-Server für Agenten, mit deinem Schlüssel
- Speichert und protokolliert keine API-Schlüssel
Unabhängige Jev-Community
Jev online ausführen, dann dieselben Fragen in deinen Code übernehmen.
TypeSafe-Schlüssel einfügen, Ausführen klicken und Jevs echte Wahl, Wahrscheinlichkeiten und Konfidenz lesen. Dann dieselben Fragen per MCP oder SDK in deinen Agenten einbauen.
MODE
STATEticket.intent
KEYSrefund · bug · billing
Mit deinem eigenen TypeSafe-Schlüssel. Er wird pro Lauf einmal weitergeleitet und nie gespeichert.
Drei Einstiege
Anfragen mit deinem Schlüssel auf Jev ausführen und jede Wahrscheinlichkeit sehen. JSON prüfen, kopieren oder herunterladen geht auch.
Playground öffnen →Claude Code, Cursor oder Codex stellen Jev an Entscheidungspunkten typisierte Fragen, mit deinem eigenen Schlüssel.
Agent anbinden →Eine SKILL.md, die Anfrageform, Fragetypen und den Umgang mit Konfidenz richtig hält.
Skill installieren →In deinem Code
import { TypeSafeClient, choice, noul, score } from "@typesafe-ai/sdk";
const client = new TypeSafeClient(); // reads TYPESAFE_API_KEY
const { answers } = await client.systemOne({
state: ticketText,
questions: {
team: choice("Which team should handle this ticket?", {
billing: "Payments, invoices and refunds",
technical: "Bugs and integration failures",
other: null,
}),
urgency: score("How urgently does the customer need a reply?", [
"Can wait", "Needs a timely reply", "Same-day deadline",
]),
wantsRefund: noul("Is the customer asking for a refund?"),
},
});
if (answers.team.confidence < 0.6) sendToHuman();
else route(answers.team.choice, answers.urgency.score);Offizielles TypeSafe-JavaScript-SDK (npm install @typesafe-ai/sdk). Antworten kommen typisiert unter denselben Schlüsseln zurück.
Diese Community
Offizielles Produkt
api.typesafe.ai/v1/systemoneCommunity-Projekte
Fünf belegte Demos aus öffentlichen Posts. Der Rest steht in der Galerie.
David
Vorgestellt: jevgrep, ein Recherche-Agent als CLI, angetrieben von Jev von @typesafeai, der die Kosten deines Coding-Agenten um 40% senkt (auf SWE-bench verifiziert). Nutze den eingebauten Skill, damit dein Coding-Agent jg zum Sammeln von Kontext verwendet.
OpenRouter
Vorgestellt: typesafe/jev-router, ein cache-bewusster Modell-Router mit Jev und @typesafeai. Der Jev Router wählt für jede Anfrage das beste Modell und die passende Reasoning-Stufe und wägt Qualität, Tempo und Kosten ab. So funktioniert er 👇🏻
Godefroy
Jev gegen Claude, derselbe Roboter, dieselben Anweisungen. 233 ms gegen 2 s. Und ja, er schmollt, wenn du ihn beleidigst. 1x-Tempo, Ton an.
ElevenLabs Developers
Betrugserkennung in Echtzeit mit Jev und ElevenLabs. ElevenLabs transkribiert den Anrufer beim Sprechen, Jev berechnet das gesamte Betrugsrisiko und erkennt typische Warnzeichen. Jede Anfrage kam in ~180 ms zurück, die 11 Anfragen kosteten 0,00043 $.
jhey ʕ•ᴥ•ʔ
habe einen Echtzeit-Schreib-Linter mit Jev gebaut 📝 schreib eigene Regeln wie „markiere alles, was nach LinkedIn-Post klingt“, Bondrucker inklusive 🖨️ (mit Ton)
Quelloffen
Nur sechs geprüfte GitHub-Repositories. Die Sterne gehören GitHub, Stand 2026-09-23, und sind keine Zahl von JEV Hub.
Autor tamaratran
Ein Claude Code-Plugin, das mit einer Jev-Anfrage Tool-Aufrufe und Ergebnisse bewertet, Veraltetes verwirft oder kürzt und den Rest im Wortlaut behält.
Autor vinnylarouge
Ein unabhängiges Einstiegsmodell: zu einem Text und einer Menge Optionen liefert ein Durchlauf eine Wahrscheinlichkeit je Option. TypeSafe hat den Entwurf nicht veröffentlicht. Eine lokale visuelle Demo ist dabei.
Autor TianyuCodings
Ein Nano-Nachbau von Jev: parallele Entscheidungen, dynamische Kandidaten und ein Trainingsablauf.
Autor jaredpalmer
Eine unabhängige Familie kleiner Jev-artiger Entscheidungsmodelle auf Qwen3.5, die du selbst trainieren und ausführen kannst.
Autor devagrawal09
Stufenweise Codeprüfung und ein lokales Dashboard, gebaut mit TypeSafe Jev.
Autor yibie
Eine öffentliche Liste von Jev-Projekten, Integrationen und Diskussionen.
Guides
A worked example of high-volume product selection for Amazon FBA and TikTok Shop: batch margin, size, IP, and MOQ checks into one Jev request per product, and screen 80,000 listings for about $5 in a little over an hour.
A summary of programmer Yupi's hands-on Jev review: the three question types, why Jev is fast, a 1,000-email test against DeepSeek V4.1 Flash, where a match-pairs game fell short, and the limits he lists. With a runnable request.
Jinqiu Research sorted 5,314 public Jev case records into 1,912 applications. Gates, action control, and routing make up over half, and only about 11% have reached product or framework integration. The numbers, examples, and caveats, summarized.