它是什么
放在本地大模型前面的决策层：TypeSafe Jev 决定每个请求去哪里，Python 执行策略，本地 Qwen 模型生成回答。
它做什么： 把请求分到本地 Qwen、项目文档检索或请求澄清；确定性的白名单直接回答配置类问题，不调用模型；浏览器聊天界面显示概率、策略决定、来源、耗时和成本。置信度策略可以弃权：在两个文档类问题上，它分别在 0.59 和 0.64 时弃权。
为什么收进案例库： 按处理方式分流的路由，弃权策略清晰可见，并公开原始结果，旁边还有本地模型基线。
注意： 合成测试集很小；数字为作者自报；实时模式需要你自己的 GPU 环境。
证据
公开的 MIT 许可 README，带 CI；Choice、Noul 和 Score 在一次调用中批量提问；作者在 24 条标注的合成问题上实测（2026 年 10 月 6 日）：Jev 加策略 22/24，中位 387 毫秒；本地 Qwen JSON 分类 21/24；关键词规则 22/24。
注意
- 只有 24 条合成问题；README 说明不能据此证明校准可靠，也不能证明优于规则
- Qwen 生成 JSON 标签，而 Jev 返回概率分布，两者工作不同，延迟对比不是通用的速度结论
- 实时模式需要 TypeSafe 密钥和本地 Qwen 引擎（在 Apple Silicon 上通过 vllm-metal 运行）；离线演示使用固定样例
非官方案例页。热度用观察到的 stars / 列表位次；热度不是质量 SLA。依赖前请阅读上游 README。