hermes-web-search-plus — Hermes-Suche mit optionaler Jev-Qualitätsprüfung

Entwickler legen erlaubte Komponenten und Aktionen fest, damit erzeugte Oberflächen dem eigenen Katalog und Schema folgen. Die experimentelle Kompositionslogik im Playground bewertet mögliche Komponenten mit typesafe-ai/jev und erstellt daraus eine UI-Spezifikation.

Anweisungen, Werkzeuge, Skills, Kanäle und Zeitpläne liegen in festgelegten Verzeichnissen, sodass Agenten sich prüfen und erweitern lassen. evaluate nutzt eves Modellauthentifizierung für typisierte Fragen über einen Zustand; standardmäßig wird Jev verwendet.

Es liefert Konventionen und Instrumentierung für KI-Anwendungen, einschließlich Modellaufrufen, Retrieval und externen Werkzeugen. Die TypeSafe-Integration erfasst systemOne als Spans mit JSON-Ein-/Ausgaben, Modell und Tokenverbrauch; Beispiele decken Choice, Noul und Score ab.

LocalJev übersetzt typisierte Anfragen in DiffusionGemma-Klassifikationsprompts und validiert die erzeugten Wahrscheinlichkeiten. Der Bun-Dienst liefert das Jev-Antwortformat über ein normales OpenAI-kompatibles Chat-Backend. Mit Bun und einem oMLX-Server starten und TypeSafe-SDK-Clients auf die lokale API richten.

Jev MCP bietet Agenten Werkzeuge für Belegprüfung, Klassifikation, Neusortierung, Extraktion und Patch-Review. npx -y @jkudish/jev-mcp mit Node.js 22 oder neuer und einem Jev-Anbieterschlüssel im MCP-Client registrieren.

pg-jev filtert, sortiert und klassifiziert PostgreSQL-Zeilen mit natürlichsprachlichen SQL-Bedingungen. Jev bewertet Zeilen gebündelt; SQL-Funktionen liefern Wahrheitswerte, Wahrscheinlichkeiten, Auswahlwerte und Rubrikwerte. PostgreSQL 14–17, plpython3u, Superuser-Rechte und ein TypeSafe-Schlüssel werden benötigt.