它是什么
一个客服分诊服务，把 Jev 的概率当作预期成本规则的输入，而不是最终答案。
它做什么： 每张工单通过一次 Jev 调用回答：交给哪个团队、有多紧急、客户是否即将流失。路由器把每种可能错误的概率乘以其代价，把工单分到 auto、review 或 human。附带仪表盘、带审计抽样的复核队列、Docker 配置，以及无需调用 Jev 就能对比分流策略的回放工具。
为什么收进案例库： 一个完整、有测试的分诊服务，外加与三个大语言模型对比、可复现的校准基准测试。
注意： 基准测试由作者自己运行；阈值仅作示例。
证据
公开的 MIT 许可 README，带 CI；一次请求里包含 Choice（5 个团队）、Score（5 级紧急度）和 Noul（流失）；按预期成本分流（美元阈值仅作示例），也可切换为简单的 0.85 阈值模式；作者在 Banking77 上的基准测试（通过 OpenRouter 跑 462 题）：Jev 1.13 准确率 79.2%、ECE 10.4%、p50 延迟 346 毫秒、每千次 0.07 美元，对比 GPT-4.1 mini、Claude Haiku 4.5 和 Gemini 2.5 Flash；整次运行花费 1.60 美元；默认可离线运行。
注意
- 基准测试是作者自己跑的；作者也认为各模型之间 2–4 个百分点的准确率差距在噪声范围内
- 实测 Jev 准确率 79%，低于 TypeSafe 公布的 Banking77 成绩 87%；另一组合成工单测试中所有模型只有 27–51%
- 代码里的成本阈值仅作示例，需要按团队自行设定
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。