json-render : interfaces avec composition Jev expérimentale

Instructions, outils, compétences, canaux et planifications occupent des répertoires conventionnels pour faciliter inspection et extension. evaluate emploie l'authentification de modèles d'eve pour évaluer des questions typées sur un état, avec Jev par défaut.

Il fournit conventions et instrumentation pour tracer les applications IA, dont appels de modèles, recherche et outils externes. L'intégration TypeSafe enregistre systemOne en spans avec entrées et sorties JSON, modèle et tokens ; les exemples couvrent Choice, Noul et Score.

LocalJev transforme les requêtes typées en prompts de classification DiffusionGemma et valide les probabilités générées. Son service Bun restitue le format Jev à partir d’un backend de chat compatible OpenAI. Exécutez-le avec Bun et oMLX, puis connectez les clients SDK TypeSafe à l’API locale.

Jev MCP fournit des outils de vérification des preuves, classification, reclassement, extraction et revue de correctifs. Enregistrez npx -y @jkudish/jev-mcp dans un client MCP avec Node.js 22 ou ultérieur et une clé de fournisseur Jev.

Web Search Plus ajoute recherche et extraction de pages à Hermes, avec routage et repli entre fournisseurs configurés. Installez le module et configurez un moteur. Activez Jev séparément avec setup --jev et installez typesafe-sdk.

pg-jev filtre, classe et catégorise les lignes PostgreSQL avec des conditions SQL en langage naturel. Jev évalue les lignes par lots ; les fonctions SQL renvoient booléens, probabilités, choix et scores. Il faut PostgreSQL 14–17, plpython3u, des droits superutilisateur et une clé TypeSafe.