架构与参考项目
主 AI 负责规划并编写任务脚本。确定性程序负责采集事实、准入上下文、构造工具与 参数候选域，以及验证结果。Jev 通过原生类型化接口作出选择。循环先检查状态新鲜度 与策略，再执行已注册、已绑定的动作，记录实际结果，然后继续下一轮。
运行时分开实现引擎、工具注册表、上下文投影、原生推理后端、CLI 和界面适配器。 Jev Filter 0.4.1 提供公开的类型化批处理传输接口，以及固定版本的浏览器和桌面 surface。这里不重复实现它的推理逻辑。
已查阅的参考资料
- browser-use/jev-ultrafast：基于观测的动作空间、 操作与目标选择、仅消费一次的决策，以及状态新鲜度。它专注于浏览器，文本生成交给小型 LLM。
- burnigtm/jev-mcp：预备好的工具调用、 留在宿主本地的参数，以及下一步与退出契约。执行仍由其宿主负责。
- pi agent core：显式状态、 消息与上下文转换，以及小而可组合的 agent 循环。
- MellowHarness： 事件历史、结果反馈和动态选项。它的应用侧重点与本项目不同。
- Anthropic 上下文工程： 选择性上下文、证据引用和逐步披露。
- TypeSafeAI/jev-harness：用于社区提案审查与路由的 契约项目，并非 TypeSafe 官方团队或通用执行器。
- parkavenue9639/jevloop：相关的 pre-alpha 运行时， 使用有依据的参数候选、分开的会话记录与工作区投影，以及共享执行内核。 它的 Docker/LLM 编写技术栈不是本项目的依赖。
- zjunlp/JevLoop：相关的 TypeScript 决策驱动运行时。 我们查阅了它公开的接口，没有复现其测量结果。
以上是设计参考，不代表背书、依赖关系，也不是本运行时继承其基准测试结果的证据。 直接依赖与许可证在 pyproject.toml 和 LICENSE 中声明。 Apixly 的 Jev Harness 是独立的社区软件。