🔥 开源热榜

Laya 是一个围绕“类型化决策模型”的 Python 项目，目标是把 AI 输出从长文本变成结构化、可校验的决策对象。你可以定义决策类型、候选动作和约束条件，让模型在运行时选择、打分或触发下一步，而不是自由生成一大段话。它适合 Agent 工具调用、意图路由、回复候选、流程控制等场景，也为 laya-mlx 等本地运行时提供模型格式基础。

这是一个 Claude Code 插件，专门改进长会话里的上下文压缩。传统 compaction 会让模型把历史工具调用和结果总结成一段摘要，既慢又可能丢关键细节。fast-jev-compaction 改用 Jev 决策：在一次快速请求里给每个工具调用与结果打分，判断哪些过期、哪些截断、哪些必须原样保留。这样既节省 token，又让保留下来的代码、报错和测试输出保持逐字准确，减少后续推理被摘要误导。

ZCode 是 Z.ai 推出的编码智能体运行框架，类似 Claude Code、Codex CLI 或 Cursor Agent 的开源底座。它负责把大模型、文件系统、终端、代码搜索和工具调用串起来，让智能体能够读懂仓库、修改文件、运行命令、执行测试并完成开发任务。定位强调强大、智能和可扩展，意味着你可以接入不同模型、定制工具链与工作流，而不是被单一厂商锁定。对想自建编码 Agent 的团队，它是较完整的起点。

laya-mlx 是 Laya 类型化决策模型的原生 MLX 运行时，专为 Apple Silicon 优化。它不做文本生成，也不依赖 PyTorch 或云 API，而是在 M3 Max 等芯片上以 7–14 毫秒完成短决策推理。核心价值是把“让模型选一个动作/类别/候选”的轻量任务放到本地，获得低延迟、离线可用和隐私安全。对于需要频繁路由、过滤、打分或控制流程的 Agent 系统，它提供比调用大模型 API 更快的执行层。

kev 是一个基于 Qwen3.5 的微型“Jev-like”决策模型家族，强调小、可自训练、可本地运行。它不是用来写文章或聊天的通用 LLM，而是把模型能力收窄到做选择、分类、路由和触发动作等决策任务。你可以用自己的数据微调并部署，从而获得更可控、更低成本、更贴近业务规则的决策模型。项目本身也是理解 Jev 范式如何从通用底座迁移到专用决策模型的入口。

jev-chat-jarvis 是一个装在 Android 手机上的对话副驾。它通过读取屏幕内容，在微信、QQ、X、飞书等聊天界面里理解对方消息，生成多条候选回复，并一键填入输入框，最终是否发送由你决定。项目强调非侵入：只读屏幕，不 hook、不改包、不接管账号，因此比外挂式方案更安全可控。它解决的是聊天中组织语言、快速应答和跨应用辅助的效率问题。

NanoJev 是 Jev 决策模型的极简复刻，目标是用尽量少的代码展示核心机制：并行决策、动态候选集，以及端到端训练流水线。它把 Jev 的关键思想压缩成可读、可跑的小项目，方便开发者理解类型化决策模型如何从数据准备、训练到推理协同工作。相比生产框架，NanoJev 更偏教学和原型验证，但足以作为二次开发或论文复现的起点。

nimble 是 Bespoke Labs 推出的本地类型化决策工具集，覆盖三件事：在本地运行类型化决策、通过对比方式筛选训练数据，以及评估模型表现。它帮助开发者构建更小、更专的决策模型，而不是一味依赖大模型文本生成。你可以用它整理正负例、构造对比样本、评测不同模型或提示策略，从而判断哪个方案在具体任务上更可靠。适合 ML 工程师和关注数据质量的人。