RAG dan pengambilan

Kerangka ini menggabungkan penalaran model dan alat dengan pengelolaan konteks, aliran peristiwa, memori, serta kontrol izin. JevClassifierModel memasukkan pengklasifikasi Jev melalui SDK TypeSafe ke dalam kerangka agen serbaguna ini.

Memori yang dapat dicari memulihkan keputusan, konteks debugging, dan riwayat fitur antaragen yang didukung; Markdown tetap sumber utama. Pemeringkatan Jev opsional memakai API TypeSafe jarak jauh tanpa mengunduh model pemeringkat lokal.

Asisten multipenyedia ini berjalan di Linux, Windows, dan macOS, dengan chat, agen, RAG, serta integrasi alat. Plugin menyediakan jev_evaluate(state, questions), mengembalikan hasil Choice, Score, atau Noul ke model aktif.

Proyek menyediakan konvensi dan instrumentasi untuk melacak aplikasi AI, termasuk panggilan model, pencarian, dan alat eksternal. Integrasi TypeSafe merekam systemOne sebagai span dengan masukan/keluaran JSON, model, dan token; contoh mencakup Choice, Noul, serta Score.

RAG-Fusion membuat variasi kueri dan menggabungkan peringkat dengan Reciprocal Rank Fusion untuk menemukan dokumen yang mungkin terlewat oleh satu kueri. Jev merupakan pemeringkat ulang opsional dalam evaluasi; eksperimennya memerlukan JEV_API_KEY. Demo awal tetap hanya memakai pencarian vektor. Perangkat evaluasi membandingkan strategi di NFCorpus; alur hibrida menggabungkan BM25, pencarian vektor, fusi, dan pemeringkatan ulang.

Hermes Jev Skills menyediakan keterampilan pemilihan model, pencarian, penyaringan memori, triase pesan, dan tindakan browser. Jev mengambil keputusan terbatas seperti memilih model atau mengurutkan kutipan hasil pencarian; model utama menulis teks. Keterampilan ini mendukung Hermes, Claude Code, dan Codex. Mode bayangan mencatat keputusan tanpa mengganti model.

hippo-memory menyimpan memori agen di SQLite, mencatat asalnya, dan menekan ingatan keliru berdasarkan umpan balik. Pemeringkat ulang Jev opsional mengurutkan memori yang ditemukan dan dinonaktifkan secara bawaan. Agen menyimpan dan mengambil ingatan melalui CLI atau MCP untuk berbagi memori antartool pemrograman.

Distill adalah lingkungan coding terminal yang mendukung Grok, langganan Codex, dan model kompatibel OpenAI. Pengaturan Jev mencakup tingkat model, saran keterampilan, dan peringkat memori; izin tetap diatur lingkungan utama. Atur model utama, penalaran, dan utilitas di Model tiers; model utama berjalan pada setiap sesi dan langkah.

Dokumen diekstrak dan diindeks di Qdrant, kerangka direncanakan, lalu tiap bagian diteliti dari koleksi lokal. Jev menilai dan mengurutkan fragmen serta kekurangan bukti; LLM lain merencanakan, mencari, dan menulis, sementara Python mengatur percobaan ulang.

RAGElo is a set of tools that helps you selecting the best RAG-based LLM agents by using an Elo ranker

Jev-Mem: System-One Controlled Agentic Memory

Automatic project memory for Claude Code. Also works with Cursor and Codex.

An AI bot with RAG capability for Topics, Chat & Customer Support in Discourse, currently powered by OpenAI

Deskripsi proyek belum tersedia.

Persistent local memory for AI coding agents — Claude Code, Codex CLI, Cursor, any MCP client. Temporal knowledge graph, procedural memory, AST codebase ingest, cross-project analogy. LongMemEval R@5 95.1%, LoCoMo 0.607, BEAM 1M 0.448. 74 MCP tools, 9 IDEs, 100% local.

A library integrating embedding and reranker models from OpenAI, SentenceTransformers etc for semantic search in vector database.

A simple semantic cache implementaion. It caches responses from an LLM based on semantic similarity.

Jev-powered relevance filtering and reranking for RAG in Python.

A standalone local-only Python MCP server that gives any IDE persistent, workspace-isolated memory. works with any IDE supporting MCP servers

The invalidation layer for AI memory. Every fact gets a lease; new evidence ends it. Built on TypeSafe Jev.

Jev-powered conversation memory: find past sessions and revisit decisions with original sources. A macOS workspace for OpenAI Codex. Manage AI conversations and agents, explore code with CodeGraph, and work with Git, Ghostty terminals, and Apple Notes in one app.

Reproducible benchmark for measuring Jev reranking quality, latency, and cost in RAG

Jev-assisted file retrieval and request caching for faster Pi workflows

Coding-agent memory where every fact is a verbatim quote graded by TypeSafe Jev's calibrated confidence. Local-first, SQLite receipts, zero dependencies.