JevHarness — Vom LLM entworfene Abläufe für Jev-Ausführung

Fundamentale, technische, Nachrichten- und Stimmungsanalysen werden mit Forschungsdebatten sowie Händler- und Risikomanagementrollen verbunden. Mit TYPESAFE_API_KEY entfernt Jev sachfremde StockTwits- und Reddit-Beiträge und ordnet deren Haltung ein; ohne Schlüssel werden sie ungefiltert weitergegeben.

Das Framework verbindet Modellschlussfolgerungen und Werkzeugnutzung mit Kontextverwaltung, Ereignisströmen, Speicher und Berechtigungssteuerung. JevClassifierModel integriert den Jev-Klassifikator über das TypeSafe SDK in dieses allgemeine Agentenframework.

Planungs- und Ausführungsagenten sammeln, verdichten und dokumentieren Quellen und führen die Ergebnisse zu einem Bericht mit Zitaten zusammen. Mit TYPESAFE_API_KEY bewertet Jev den Nutzen von Passagen für die Forschungsfrage, bevor sie das LLM erreichen.

Die selbst betriebene Plattform umfasst Python-Strategien, Backtests, simulierten Handel, reale Ausführung und Überwachung. Jev bewertet Order, Strategie, Exposition, Positionen und Budget und liefert typisierte Entscheidungen samt Wahrscheinlichkeiten für den Einstiegsfilter.

Die selbst betriebene Plattform organisiert Agenten, isolierte Arbeitsbereiche und Aufgabenboards auf den eigenen Computern. Das README nennt TypeSafes Jev als verfügbares Modell für typisierte Entscheidungen mit Konfidenz statt generiertem Text.

Die npm-Bibliothek und das Claude-Code-Plugin verdichten den Verlauf durch Entfernen von Werkzeugdaten, ohne Gesprächstext umzuschreiben. Jev beantwortet getrennte noul-Fragen für Aufruf und Ergebnis; Schwellenwerte bestimmen Beibehaltung, Kürzung oder Entfernung des Paars.