它是什么
无需训练数据的欺诈分流，给出类型化答案和可审计的策略。
它做什么： 为每笔订单计算 38 个信号并脱敏，在一次请求里问 Jev 四个类型化问题，再按策略映射为带理由的动作；Jev 不可用时规则保证结账继续。
为什么收进案例库： 它把 Jev 与规则和训练模型做了诚实对比，也列出了 Jev 落后的场景。
注意： 数据为同一作者的模拟数据；收录时没有许可证文件。
证据
公开仓库，包含 TypeScript 评分接口、Python 模拟器和测试套件。在 44,097 笔留出的模拟交易上，不用训练数据的 Jev 在标记前 2% / 3% / 5% 订单时分别抓到 75.3% / 81.3% / 89.9% 的欺诈；用同一生成器的 8.9 万笔已标注订单训练的 XGBoost 为 92.6% / 93.7% / 95.0%；Jev 加规则在 5% 时达到 90.4%。中位延迟 127 毫秒，p99 为 248 毫秒，3,761 次调用零错误。Jev 看不到姓名、邮箱、卡号、IP 或地址；拦截需要高概率和有把握的拦截建议同时成立。
注意
- 所有数据都是模拟数据，模拟器、特征和规则出自同一作者
- 收录时仓库没有许可证文件
- Jev 的阈值未经校准，因此比 XGBoost 触发更多 3-D Secure 加强验证（正常订单的 2.3% 对 1.05%）
- Docker Compose 全套服务尚未端到端运行过
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。