开放目标 · AI 编写工具 · JEV 托管循环

把目标交给 AI，
把探索过程
交给 Jev。

给 AI 一个开放目标。AI 编写任务脚本，定义工具、观察方式与完成检查。Jev 托管循环，根据新证据选择下一步工具和参数。

看开放任务设计把协议交给 AI

Python 3.10+MITv0.1.17

Apixly 的独立 Python 运行时，连接 AI 编写的任务脚本、动态工具选择与结果核对。

TASK CONTROL ROOM任务契约

开放目标找到符合要求的工具，保存带来源的比较。

先定义能力，
再探索路径。

三个任务示例展示：先定义能力，再让每次观察引导下一次工具调用。查看目标、工具与产物契约。

research_task.py / 工具调用示例任务示例

从已知入口开始

脚本提供起始页面与要求，Jev 在探索中发现有用的来源。

inspect_page(page="starting-docs")

观察结果打开新路径

页面返回文档与版本链接。Jev 选择刚发现的链接，再选择相关章节。

follow_link(link_ref="observed-link-7")

沿证据继续探索

Jev 可以查看较新版本、比较另一来源，并按任务要求记录证据。

record_evidence(source_ref="release-section", field="offline_support")

产物契约comparison.json + source references

重新打开比较，核对三个不同工具、每项约束及其来源依据。

开放调研 / 任务设计

从问题出发，
找到有用的来源。

找到三款符合指定条件的自托管工具，保存带来源的比较。相关页面、章节和版本在执行中发现。

AI 编写: 浏览工具、动态链接与章节候选、证据记录器、产物检查。
JEV 选择: 下一页 → 章节 → 证据字段 → 是否继续收集。
边界 / 检查: 允许来源与步数；独立核对三个工具、全部约束与引用来源。

查看开放任务设计 ↗

可注册可信生成工具，扩展搜索词或文稿能力。Jev 选择调用该工具，再利用返回的候选继续探索。

diagnose_repo.py / 工具调用示例任务示例

观察失败现场

脚本提供仓库快照和安装包失败现象，Jev 沿着证据定位原因。

read_artifact(artifact_ref="wheel-failure")

选择下一份线索

Jev 从刚观察到的源文件、包内容和已有检查记录中选择。

inspect_package(entry_ref="observed-module")

验证解释

已有检查记录与假设不符。Jev 可以继续查看另一份产物或源码关系。

read_artifact(artifact_ref="installed-import-result")

产物契约diagnosis.json + source checks

核对已保存诊断是否把已有失败记录关联到采集的代码版本与产物。

仓库 / 任务设计

跟随失败线索，
找到问题原因。

调查已有记录中为什么仓库测试通过，安装包却失败。读取文件与已有产物，保存有来源依据的诊断。

AI 编写: 仓库只读工具、已有失败产物与来源核验。
JEV 选择: 根据每次结果，选择下一份文件、产物或源码关系。
边界 / 检查: 获准的快照与产物；核对保存的引用和依据。

查看诊断任务设计 ↗

使用只读工具关联失败产物与源码证据，将诊断保存为独立产物。

investigate_api.py / 工具调用示例任务示例

检查合成故障

脚本提供合成任务入口，以及只读状态、schema 和事件工具。

read_status(task_ref="synthetic-17")

跟随新发现的依赖

响应揭示一个依赖。Jev 选择接下来读取哪个已观察资源和事件页。

read_events(resource_ref="observed-dependency-2", page="observed-1")

核对来源契约

Jev 读取来源契约，对照状态与事件，记录带来源的诊断。

read_schema(schema_ref="observed-state-contract")

产物契约incident-evidence.json + source state checks

保存来源状态与诊断依据，再对照这些来源独立核对诊断。

受控 API / 任务设计

跟随响应线索，
理清任务依赖。

通过只读 API 调查合成环境中的任务。状态、事件页与新发现的依赖引导下一步选择。

AI 编写: 允许的 API 范围、资源读取器、已有事件与独立来源核验。
JEV 选择: 下一步查看哪个已观察资源、依赖或事件页。
边界 / 检查: 只读工具与请求限制；回查来源状态和保存的证据。

查看 API 排障设计 ↗

通过只读资源调查，把带来源的诊断保存为任务产物。

02 / 从目标到执行

一份任务契约，
多条可能路径。

查看架构 ↗

01 / AUTHORAI 编写任务能力

定义工具、候选提供器、观察与独立检查。

02 / OBSERVE取得最新上下文

目标、状态、准入证据与执行历史引导下一轮判断。

03 / CHOOSE + ACTJev 选择，程序执行

选择注册工具和当前候选，程序绑定、检查并执行实际值。

04 / CHECK + LOOP继续探索或返回证据

验证结果，带着新观察继续，或完成、阻塞、请求复核。

03 / 可复用的工具底座

任务可以变，
循环可复用。

AI 在任务脚本中增加能力。业务规则保留在工具里，循环由通用运行时管理。

查看工具契约 ↗

{ }

候选可以运行后才出现

从新观察生成动态候选，依赖参数按顺序解析。

↳

每次结果推动下一步

准入结果摘要与操作历史，由任务工具读取保留的证据。

AI 可以直接使用的接口

机器可读 spec、脚本模板、静态检查与随包提供的 skill。

◎

完成需要附带证据

独立检查、操作历史和模型用量记录保存在同一账本中。

04 / 执行循环的真实验收

在浏览器中，
看清完整循环。

历史四步浏览器夹具串起观察、Jev 选择、执行与独立结果检查。

travel-request / local fixture截图回放

本地浏览器夹具的截图回放。通过证据链接查看 Jev 验收记录。

v0.1.0 / 历史真实验收

四步浏览器任务，
结果独立核对。

真实 Jev + 无头 Camofox 填写旅客和目的地、设置灵活日期并生成草稿。验证器回读字段值与最终 DOM 文字。

已验证结果: Draft ready: Mira | London | flexible=true
范围: 本地合成旅行草稿夹具，4 次工具执行。

复查历史验收证据 ↗

↗

构建自己的工具链

扩展任务能力，复用同一循环。

围绕你的工作定义工具，从最新观察返回有意义的候选，再为每项任务定义完成检查。同一个运行时将它们连接成 Jev 智能体循环。

查看验收记录 ↗

05 / 把协议交给 AI

定义目标，
让 AI 编写脚本。

使用随包提供的 skill 与任务协议，让 AI 定义可信工具、最新候选提供器和独立产物检查，再把任务交给循环。

安装与任务协议 ↗spec.json ↗

先运行右侧计数器冒烟模板，再添加开放任务的工具和检查。使用自己的推理凭证运行可信 Python 脚本。

terminal / 冒烟模板

# 创建虚拟环境
python -m venv .venv
. .venv/bin/activate

# 安装固定版本
pip install 'git+https://github.com/apixly-ai/jev-harness.git@v0.1.17'

jev-harness spec
jev-harness init-task task.py
jev-harness check-task task.py
# 在环境中配置 TYPESAFE_API_KEY
jev-harness run task.py \
  --goal "Reach target" --inputs '{"target":3}'

06 / 找到需要的答案

读懂任务契约，
复查验收证据。

AI 如何托管开放任务？ ↗脚本职责、动态候选、生成内容与任务契约。哪些案例突出核心思路？ ↗开放调研、仓库诊断与受控 API 排障：目标、工具与产物契约。

把目标交给 AI，把探索过程交给 Jev。

先定义能力，再探索路径。

从问题出发，找到有用的来源。

跟随失败线索，找到问题原因。

跟随响应线索，理清任务依赖。

一份任务契约，多条可能路径。

任务可以变，循环可复用。