DEV Community

cognitalk
cognitalk

Posted on

Open-source Jev-like decision models + filtering/ classification middleware | 开源圈里的Jev-like 决策模型 + 过滤/分类中间件

#ai #llm #agents #opensource

你提到的 jev / tev，大概率是把 Jev（TypeSafe AI 的 System One 决策模型） 打错了；目前开源圈里并没有一个叫 TEV 的主流信息过滤系统，更多是 Jev-like 决策模型 + 过滤/分类中间件。

结论先说：已经有一批开源项目把 Jev 或 Jev 类模型做成“信息过滤 / 分类 / 护栏”层，但大多不是大而全的“天然屏障系统”，而是可嵌入管线的轻量屏障组件。

已经存在的开源形态（按成熟度）

1）Telegram / 信息流过滤路由类

  • jev-telegram-channel-router（HuXioAn/jev-telegram-channel-router）
    • 订阅公开 TG 频道 → 每条新帖用 Jev 判相关/分类 → 路由到私人聊天或分频道
    • 支持：高亮/折叠/分类投递、自然语言配规则、多源多目的
    • 典型“信息流天然屏障”：噪声频道只留高价值帖
  • Your Signal（社区插件形态）
    • 时间线帖子进 Jev → 判“是否值得看/是否广告/是否标题党” → 高亮或折叠

2）Agent / LLM 前置护栏（网关型）

  • JEV 安全网关（Go 前置代理）
    • 挡在 OpenAI/Claude/Gemini 前面
    • 解析请求 → Jev 判风险（色情/暴力/越狱/危险指令）→ 拦截或转发
    • 带 Vue 管理端 + SQLite 审计，算是“API 层天然屏障”
  • LangChain + Jev Guardrail / AutoModeMiddleware
    • 工具调用前用 Jev 打风险分 → 高危 bash/删除类动作拦截
    • 不是独立系统，但是开源 Agent 框架里的护栏模式

3）通用过滤/分类工具库（MCP / CLI）

  • jev-mcp（jkudish/jev-mcp 等）
    • 把 Jev 包成 MCP 工具：jev_screen（进上下文前筛查）、jev_classify、jev_rerank、jev_gate
    • Agent 调用工具前先过一层“语义防火墙”
  • SemDecide
    • Shell 里的“语义 grep”：STDIN 灌文本/JSONL → 输出过滤后流、分数、退出码
    • 爬虫结果清洗、CI 告警分类、管道丢垃圾行
  • jev-sift
    • 给 Agent 做“值不值得读”的预筛：网页/文件/文本先打相关分，再决定细读哪些

4）垂直场景开源样例

  • PaperJev：PubMed 周更论文 → Jev 判与研究方向相关度 → 只留高分文献
  • Twitter Timeline Analyzer / X 信息流过滤：实时判标题党、情绪诱导、广告帖
  • 邮件分诊 / 工单分类：退款/技术/账号路由 + 紧急度打分 + 诈骗检测

5）开源“Jev 替代品”（私有化部署用）

Jev 官方本身是闭源 API，社区复刻：

  • Laya（ModernBERT 系，非自回归，Apache-2.0，支持 choice/score/noul，中文友好）
  • Kev（Qwen 小模型 + LoRA 决策头）
  • AnyJev（把任意开源 LLM logits 封装成 Jev 风格决策器）
  • Semantic Router / ModernBERT 分类头（更传统，但思路同源）

它们算不算“天然屏障系统”？

算，但要拆开看：

层级 是否已开源 代表
传输层防火墙 有（网关型） JEV 安全网关
内容流过滤层 有（插件/路由） TG router、Your Signal、jev-sift
Agent 决策护栏 有（中间件） LangChain guardrail、jev-mcp
全自主“天然屏障 OS” 没有公认单体系统 多是组合出来的

真实架构通常是：

原始信息流 → 抓取/解析 → Jev 类决策器（分类/打分/门控）
           → 高置信自动过 / 中置信转 LLM / 低置信丢弃或人工
Enter fullscreen mode Exit fullscreen mode

关键边界（很重要）

  • Jev 不生成内容，只做：Choice / Score / Noul（是/否+校准概率）
  • 它替代的是“正则 + 规则引擎 + 用 LLM 硬做 JSON 分类”这三件事
  • 概率校准才是屏障靠谱的前提：说 90% 把握就得真 90%，否则屏障会漏
  • 对对抗性注入、讽刺、跨语言混淆、长上下文误导依然会翻车，必须配规则兜底

如果你是想自己搭一套

最小可行组合（全开源可私有化）：

  • 决策器：Laya 或 AnyJev（Qwen0.5B 本地）
  • 过滤服务：SemDecide / jev-mcp
  • 渠道接入：TG router 改一改，或自己写 Kafka/Redis 消费
  • 门控逻辑：阈值 → 自动/人工/LLM 复核三级
  • 审计：SQLite + 拒绝原因埋点

Top comments (0)