Jev Ultrafast
Jev 根据实时页面结构选择浏览器操作和目标元素;输入文字由另一个模型生成。
浏览经过筛选并按 GitHub Star 数排序的 Jev 开源项目,涵盖智能体、MCP、SDK 和示例;同时探索受 Jev 启发的社区 System One 模型与接口实验。
按用途筛选项目。排名依据特定日期的 GitHub 数据,只涵盖本站已审核的仓库。
显示第 1–10 个,共 126 个匹配项目
Jev 根据实时页面结构选择浏览器操作和目标元素;输入文字由另一个模型生成。
Android 聊天助手:通过无障碍接口或 OCR 读取屏幕消息,用 Jev 判断意图与风险并排列回复草稿,不会自动发送。
Claude Code 插件:用 Jev 判断哪些工具调用及结果该保留、精简或丢弃,不改写对话原文。
面向编码智能体的 CLI 和 Skill,使用 Jev 逐层筛选相关目录、文件与代码声明,并返回源码片段和进一步阅读线索。
Monad 交易机器人可选用 Jev 判断买卖方向;默认运行的是模拟规则。
通过 vLLM 部署受支持的开源决策模型,提供批处理、多模态输入,以及处理 Choice、Noul 和 Score 的 System One API。
Windows 微信助手:在本地截图并识别文字,用 Jev 判断语境、排列回复候选;填入内容需用户确认,发送始终由用户完成。
用 Jev 监测编程智能体的进度,判断何时需要验证或人工介入。
分阶段调用 Jev,评估代码改动与代码库的风险、判断依据及问题严重程度。
可安装的 Jev Skills 和可编辑的智能体工作流,附带场景模板、运行记录与测试。
在保留现有命令行工作流的同时,用 Jev 为 Claude Code 或 Codex 的每轮任务选择合适的模型档位。
提供核验、筛选、排序和代码审查等 Jev 能力的 MCP 服务。
用 Jev 选择搜索来源、为 Search1API 返回的结果排序,呈现网页链接,而非生成式答案。
让编写任务的 LLM 创建并按需迭代专用 Jev Harness,再冻结代码和问题,用于可追踪的运行时决策。
macOS 微信悬浮助手:通过截屏和 OCR 读取对话,用本地模型或 Jev 判断意图、提示风险并生成回复草稿,不会自动发送。
一款移动端智能体,借助 Mobilerun 在 Android 设备上执行 Jev 选定的操作,并提供实时工作台和执行记录。
本地服务,利用精确状态分叉加速开放决策模型,并通过统一接口运行多种文本和多模态模型。
浏览器扩展,用 Jev 识别并隐藏页面干扰元素,再按页面模板复用本地规则。
用 Jev 选择无头浏览器的操作,返回执行步骤、最终页面和截图。
三个模拟交易机器人由 Jev 选择合法市场操作,预算、冷却时间和执行限制则由代码强制控制。
开源基准测试套件,用于比较 Jev 类结构化决策模型的质量、成本、延迟与稳定性。
结合人工标注和 GEPA 改进 Jev 分类器的命令行工具。
用 Jev 对照自定义规则检查代码的语义检查工具。
TypeSafe 官方 Python SDK,用于提交指定输出类型的问题并读取 Jev 的结构化结果。
TypeSafe 官方 JavaScript/TypeScript 客户端,用于提交指定输出类型的问题并读取 Jev 的结构化结果。
面向智能体的自托管 Skill 库,可通过 TypeSafe、OpenRouter 或 Vercel AI Gateway 让 Jev 在获准的 Skill 中给出推荐。
DeepSeek Harness 的决策插件,在 DSH 及兼容的编程智能体流程中用 Jev 做边界明确的判断。
以十个层级提供 30 个可运行的 Jev 示例,从简单的结构化决策逐步扩展到编码智能体的 Hook、工具与自主调用。
为 PostgreSQL 增加语义筛选、提取、排序和校验算子,并提供 Jev 执行、缓存和可解释的概率数据。
汇总加密市场指标和精选 X 帖子,再让 Jev 判断操作倾向、情绪、逼仓风险与催化因素,不执行交易。
支持多种 AI 工具的工作流套件;可选的决策插件把边界明确的判断交给 Jev,同时复用项目规则和产物。
一款本地优先的社交媒体调研应用:Jev Choice 会从已观察到的目标中选择对 Instagram、TikTok 和 LinkedIn 的只读操作,再由 socai CLI 在用户的 Chrome 中执行,并返回可追溯到来源的证据。
DeepSeek Harness 插件,用 Jev 完成 Skill 与文件选择、任务监督、结果过滤、纠偏和审批辅助。
一个可持久运行的新闻智能体:定时抓取来源,用 Jev 筛选、去重,并按“炒作、事实、信号”打分,进程重启后也能续跑。
TypeScript AI SDK,通过 decide 接口接入 TypeSafe Jev 等决策服务,用于类型化路由、门控和相关性判断。
面向 Codex 的 Windows 与 Chrome 操作原型;Jev 负责语义选择,本地代码执行步骤、验证结果并处理恢复。
一个非官方智能体 Skill,讲解 Jev 的类型化决策、基于置信度的工作流,以及来自社区项目的可复用模式。
多人协作的可视化工作流编辑器,可连接 Jev 与 LLM 节点、提供 REST API,并预览测试运行结果。
用 Jev 判断编程智能体的工具调用和不可信返回内容,再决定放行、询问或阻止。
语义搜索命令行工具:用 Jev 按含义给代码行打分,并通过 AND、OR、NOT 组合筛选条件。
一项 Claude Code 技能,把批量筛选、分类和排序交给 Jev,再将候选结果与置信度交回智能体复核。
Rust 命令行工具,根据当前会话上下文用兼容 Jev 的服务为智能体 Skill 排序,并支持拒答、Hook 和本地反馈。
读取《宝可梦 红》的合法游戏状态,让 Jev 决定移动、对话、队伍和战斗操作,全程不改写游戏内存。
浏览器扩展示例,把网页通过 WebMCP 暴露的工具与 Jev 的选择能力结合起来。
macOS 电脑操作 Harness:读取无障碍界面状态,由 Jev 选择操作,无需视觉模型。
原生 Swift 6 桥接库,把 Apple Foundation Models 与 Jev 结合起来,输出带概率的类型化决策。
智能体评测与护栏工具,把运行轨迹和评分标准转成 Jev 判断,也可运行兼容的本地模型。
一个 CLI 和本地 MCP 服务,把已授权的代码片段交给 Jev 判断相关性,再返回带路径和行号的原始代码。
本地运行的只读 Gmail 分拣工具,用 Jev 把邮件归入预设文件夹和标签。
代码仓库检查工具:结合本地结构分析与 Jev 判断,优先找出高风险文件和最值得先做的重构。
把 Jev 的选项、评分和概率结果接入 Home Assistant 的实体与自动化动作。
一套 MCP 服务和命令行工具,爬取网站时用 Jev 筛选链接与段落,再把带来源的原文片段交给智能体阅读。
用 Jev 决策模型为编程智能体的每一步选择快速或高能力模型,通过 OpenAI 兼容代理接入,并公开可复现的 Terminal-Bench 结果。
Chrome 扩展:通过规则、请求解析和 Jev 判断,拦截浏览器智能体可能改动服务器数据的请求。
一款桌面浏览器:规划模型设定目标,Jev 从页面上已识别的操作中做选择,本地受控代码负责执行并记录结果。
一份循序渐进的 Jev 指南,包含 Playground 练习、API 调用、编码智能体配置,以及经 Jev 1.14 验证的可运行模型路由示例。
本地网关和可视化工具,将 Jev 请求与响应记录到 SQLite,并在应用运行时实时展示调用关系。
面向 TypeSafe Jev API 的社区 Java 客户端和 Spring AI 集成。
Android 微信模块,把对话上下文交给 Jev,分析情绪、潜台词并提供回复建议。
本地工作台,将 OpenCV 测量、数值硬规则与 Laya 或 Jev 判断结合,用于农业与视觉质检。
在 GraphRAG 流程中切换本地 Laya 或云端 Jev,用于判断图关系、遍历路径和筛选结果。
可自托管的多机器人群聊;Jev 决定由哪个机器人回复,本地 Pi 守护进程负责执行每轮对话。
一个 Rails 搜索层,把 Jev 用于入库打标、查询意图识别和流式重排,并结合关键词与向量搜索。
一个 MCP 服务器,提供由 Jev 驱动的验证、筛选、排序和审查工具,并根据概率决定继续、复核或升级处理。
从一个已确认的恶意实体出发,沿遥测关联扩展,并用 Jev 还原事件时间线、执行链和证据表。
用于在 Go 应用或 UNIX 管道中调用 Jev Choice、Score 和 Noul 决策的 SDK 与命令行工具。
Rust 命令行客户端,可把 Jev 结果转成终端输出、JSON、退出码和 MCP 工具,供脚本、CI 与智能体调用。
面向 Jev 的 Python 接口,支持判断、打标、分类和评分,以及同步、异步、批处理和基于 Schema 的工作流。
用于比较决策模型的本地评测实验室,提供可检查的测试用例、记录指标、工作流重放和便携报告。
先由 Jev 判断转录片段,再用确定性代码剪出高光版和精简版视频,并生成可跳回时间点的摘要。
用 Jev 概率判断新 arXiv 论文是否符合自然语言兴趣,并生成排序页面和 RSS。
15 个经过实测的 Jev 示例,涵盖客服分流、文件整理、个人信息检测、搜索重排、浏览器操作等场景。
Claude Code 权限门禁,将 Shell 感知检查与 Jev 判断结合,对自动模式的工具调用执行放行、拒绝或转交。
用带标注的调优集和留出集测试 Jev 问题,报告错误与校准结果,并判断问题适合自动决策还是仅用于排序。
让本地模型 Laya 与 Jev 在贪吃蛇竞速和格斗擂台中对战,每一步都由模型实时决策。
浏览器扩展:用自然语言规则筛选 X 信息流,可使用 Jev 或用户选择的其他兼容模型。
一组围绕 Choice、Noul 和 Score 的 Jupyter Notebook 示例,明确区分已完成的在线或录制案例与规划中的内容。
为 OmO 和 senpi 智能体接入 Jev,用于挑选 Skill 与工具、检查进展、识别循环,并可执行受控操作。
面向 DeepSeek Harness 的 Jev 优先代理循环,提供可复用的类型化动作、置信度阈值、重试和执行追踪。
一套 CLI、包管理器和 SDK:Jev 根据自然语言请求选择已安装的小程序,并按置信度决定执行、确认或询问。
用于浏览器和 macOS 任务的本地 MCP 服务器;Jev 选择有限操作,本地代码负责执行、验收和记录轨迹。
Jev 实战课程,通过 Notebook 讲解智能体、路由、安全检查等快慢脑协作模式。
面向教学工作坊的 CLM-8B 复现,公开训练代码、实测复现结果、已知差距和可交互演示。
开放的 4B 视觉决策模型,公开权重、训练与校准代码,并通过 TypeSafe System One API 提供服务。
带 Python 和 JavaScript 客户端的批处理代理,并发评估多个 Jev 状态并返回有序的 Apache Arrow 数据流。
面向地球观测的开源决策模型,公开权重、训练和评测代码、校准概率及卫星影像基准结果。
浏览器测试工具:编写测试时由 Jev 找到控件,后续使用录制结果重放,是否通过则由应用代码判断。
面向 OpenCode Magpie 的插件,可读取 OpenCode Zen 和 Kilo Gateway 的免费模型目录,并加入原生 Jev System One 路由。
把图片、视频和 RGB-D 输入接入 Jev,将检测到的对象与场景信息转成结构化视觉决策。
一个可复现的多智能体实验与协同内核:由 Jev 判断多个 Claude Code 智能体同时写代码时是否冲突,再决定放行、等待或交给较慢的模型处理。
零样本命名实体识别工具,让 Jev 选择、核验并标注文本片段,附带概率、决策轨迹和多语言基准结果。
一个对比应用,分别询问 Jev 和 AnyJev 某条标题是讽刺新闻还是真实新闻,并展示两边的判断和概率。
通过一套命令行工具,在 8 组基准上评测 20 个 Jev 类模型系列,并提供整理好的数据集、概率指标和可下载排行榜。
面向智能体的 Android 控制层:Jev 可先选择下一步界面操作,再由原生自动化校验并执行。
在超高分辨率遥感图像中搜索并评估候选视图,再从模型记忆与图像证据支持的答案中做选择。
一款潜行游戏:Jev 给出守卫的行动建议,再由遵循固定规则的游戏代码验证并执行。
运行于 DGX Spark 的决策服务,通过兼容 Jev 的 API 提供校准后的 d3-ultra 判断,并公开 JevBench 结果。
兼容 OpenAI 的本地服务,将小型 llama.cpp 模型与 Jev 决策结合,同时让文本生成留在用户设备上。
面向 macOS 编码智能体的统一操作界面,用 Jev 把请求分配到正在运行的会话、项目目录或历史对话。
全双工语音交互管线:Jev 负责等待、让话和打断等轮次控制,其他语音与语言模型处理识别和回复。
兼容 OpenAI 接口的网关,通过 Jev 把请求路由到合适的模型、智能体或工具,并保留决策记录与回退机制。
React 调试工具,可在开发 Node、Vite 或 Next.js 应用时追踪 TypeSafe Jev 请求、响应和多次调用组成的决策流程。
把页面中的可见控件整理成索引,让 Jev 选择合法的 Playwright 操作,并保存证据和可重复执行的测试。
Python Jev 工具包,包含同步与异步客户端、批处理、校准、置信度门控、图模型工具、命令行和 MCP 服务。
仅用 CPU 的代理服务,从 Jev、Rune 或 Clef 学习重复的窄域问题,达到设定的一致性后才改为本地回答。
八个 Python 工程示例,涵盖 CAD 任务分流、有限元问题初筛和物料清单匹配等决策。
浏览器扩展,用 Jev 按清晰度、写作质量和页面 SEO 等十项标准为正文区块评分。
把异步 Jev Box 检测与光流、卡尔曼滤波结合,在不让每一帧等待网络的情况下持续进行实时目标跟踪。
Android 求职辅助工具,用 Jev 判断结合本地规则,标出薪资、福利和需要核实的条款。
一项可复现的 Jev 黑盒红队研究,公开代码、数据集和实验结果,用于测试通用对抗后缀对结构化决策的影响。
在 52,199 个类型化决策请求和闭环环境中评测 System One 模型与生成式 LLM,并公开数据集、运行工具和排行榜。
面向 Claude、Codex 和 Grok 的跨平台桌面工作台,可选择用 Jev 处理快速语音判断和智能体控制决策。
Google Apps Script 工具,用 Jev 为 Gmail 邮件打标签、排优先级和归档,并创建截止任务、标记钓鱼邮件和生成每日摘要。
在 31 个类别、1,342 道文本决策题上评测 20 个专用决策模型和 3 个关闭推理的 LLM 参照,并报告准确率、费用及延迟中位数与 p95。
一个 SeleniumBase 示例:先从网页 HTML 中提取相关证据,再让 Jev 判断是否存在 CAPTCHA 以及具体类型。
可自托管的决策模型格斗擂台,支持自定义选手、成对锦标赛、确定性回放,并附带 21 个模型的基准结果。
面向 OpenCode 的插件,把兼容 Jev 的 System One 判断作为智能体工具,并可自动审核指定的工作流事件。
本地 MCP 网关:编码智能体访问敏感文件前,先经过确定性的 PII/PHI 控制和边界明确的 Jev 判断。
一项可复现的反事实偏差审计,分析 134,772 个 Jev 答案,衡量仅改变身份信息会如何影响结构化决策。
为递归语言模型加入由 Jev 驱动的分类、是非判断和段落定位子调用,并提供费用上限、离线测试和可复现实验。
面向 Jev 与 Cloudflare Clef 的类型化 Go 封装,支持 Choice、Noul、Score、供应商对比、显式策略和测试替身。
面向 pi 编码智能体的治理扩展,用 Jev 辅助规划、模型分流、权限审核和结果验收。
通过 OpenRouter 运行的 Python 示例,包括客服工单分流和离线测试。
多语言语音 AI 基准,在英语、印地语和印地英语的四类实时通话决策中比较 Jev、另一款决策 API 与三个 LLM。
一个目标驱动的 Playwright 智能体:用 Jev 选择界面操作并检查进度,自动录制操作视频并生成用户指南。
社区维护的 n8n 节点,可通过 TypeSafe Jev、Venice 或其他 /v1/systemone 接口执行是非、单选和评分判断。
这些社区模型和接口实验受到 Jev 启发,或探索相近的结构化决策方式。它们不是 TypeSafe 官方发布的 Jev 版本,也不参与上方的 GitHub 项目排名。
阅读 System One 开发者指南Qwen3.5-9B + diffusion drafter9B Jev 风格决策模型,可选择先推理再决策,并公开模型权重、训练代码、数据及兼容的本地 API。
Qwen3.5-4B4B 开放词表概率决策模型,公开模型权重、两阶段训练代码、本地推理和 HTTP 服务。
Qwen3.5-9B受 Jev 启发的 LoRA 适配器和训练方法,处理选项题及是非题;支持本地运行,目前只接受文本。
Qwen3-0.6B小型决策模型,公开了训练代码,并提供游戏演示来测试动作选择。
Qwen3.5-2B微调模型,一次计算即可返回多个结构化问题的概率分布;当前版本只支持英语。
ModernBERT 151M / Verdict 2.0基于小型编码器的决策模型,公开了权重,并提供浏览器内的 WebGPU 演示。
Qwen3.5-0.8B公开权重、训练代码与评测的 0.8B 多模态决策模型;可在单次计算中处理文本和图片,权重仅限非商业研究。
DiffusionGemma 26B-A4B基于现有的 DiffusionGemma 模型,提供类似 Jev 的结构化问答接口;没有发布新的模型权重。
Open-model logits用现有开源模型给候选答案打分,提供类似 Jev 的接口;没有发布新的模型权重。
Spark-X2.5-4B本地运行的 Jev 兼容服务,通过 Spark-X2.5 的答案概率完成决策;多个问题共享一次状态预填充,并附带演示界面与基准测试。
Any causal LLM无需训练即可把因果语言模型接成结构化决策模型,提供选项顺序去偏、可选校准和可复现评测。
Qwen3.5 / DeBERTa可离线运行的 Jev 兼容服务,支持 Qwen 和 DeBERTa,并已用官方 SDK 验证接口及发布 JevBench 结果。
Qwen3-0.6B面向智能体轨迹等结构化问题的 Qwen3-0.6B 决策模型,公开权重和类型化 HTTP API,无需逐词生成。
Causal LMs / SGLang通过仅预填充的评分,把本地因果语言模型接成兼容 Jev 的 Choice、Score 和 Noul 服务;支持 SGLang、Transformers 与多模态输入。
Laya / ONNX Runtime通过 ONNX Runtime 在 Node.js 中运行开源 Laya System One 模型,采用兼容 Jev 的请求格式,并公开模型权重。
Qwen3.5-0.8B面向泰语和英语的 Qwen3.5-0.8B 决策模型,公开权重、训练代码和兼容 Jev 的 HTTP API。
Qwen3.5-0.8B / 2B受 Jev 启发的多模态决策模型,支持文本、图片和视频,并公开模型权重、训练代码和评测命令。
Qwen3.5-4B基于 Qwen3.5 微调的开源 4B 决策模型,提供模型权重、可复现训练方法和数据来源说明。
Open decision models一个本地 Rust 服务,可下载并运行多种开源决策模型,同时提供原生接口和兼容 TypeSafe 的 API。
Qwen3.5-0.8B / 2B / 4BQwen3.5 多模态决策模型系列,提供 0.8B、2B 和 4B 权重,并公开训练、推理和校准评测代码以及兼容 Jev 的 API。
Qwen3.5-4B面向英语和韩语的 4B 决策模型,公开权重及多种量化版本,提供校准概率和兼容 TypeSafe 的本地服务。
Qwen3.5-0.8B / 2B可本地运行的 0.8B 和 2B 决策模型系列,公开权重,支持长上下文,并提供兼容 API、智能体 Skill、MCP 工具和评测命令。
Qwen3.5-2B / 9B · Qwen3.8-27BJev 的独立开源复现,发布了 2B、9B 和 27B 权重、训练代码、兼容的本地服务与可复现评测。
Qwen3.5-VL 2B / 4B / 9B面向文本和图片的开源 2B、4B 与 9B 多模态决策模型系列,提供校准概率、拒答机制、公开权重和兼容的本地 API。
0.6B / 0.8B / 4B decision models面向 Choice、Score 和 Noul 决策的小型开源模型,公开权重,可在 CPU、NVIDIA GPU 和 Apple 芯片上本地推理。
Qwen3.5-0.8B / 4B开放的 0.8B 和 4B Qwen3.5 判断模型,提供权重、训练代码、Jev 兼容本地 API 和可复现的 Decision Index 结果。
Qwen3.5-0.8B / 4B面向搜索代理决策训练的开放 0.8B 和 4B Qwen3.5 模型,公开数据、权重、训练日志和校准代码。
Cloudflare Clef 27B / 9B在 Apple Silicon 上运行 Cloudflare Clef 与 Clef-Flash 的原生 C 和 Metal 推理引擎,通过 Jev 兼容 API 处理文本、图片和视频判断。
mmBERT 144.3M面向本地类型化判断的双语 144.3M 编码器模型,提供权重、校准工具、评测和 Jev 兼容服务。
Multilingual Laya checkpoints多语言非自回归决策引擎,公开模型权重、训练与微调代码,支持结构化判断和兼容的本地 API。
Qwen3.5-0.8B / 4B基于冻结的 Qwen3.5 底座与小型可训练物理模块的本地多模态决策引擎,公开 0.8B 和 4B 权重。
Laya / ONNX Runtime JavaLaya 模型的纯 Java 运行时,提供 Spring Boot、Gradle 集成以及兼容 Jev 和 OpenAI 的决策接口。
Qwen3.5-4B / Qwen3.8-27B面向 Qwen3.5 与 Qwen3.8 的 Jev 风格决策模型蒸馏和训练框架,包含校准、评测及兼容的服务代码。
LLM-jp 4.1 8B / encoder 310M面向日语的类型化决策模型系列,公开 8B 和 310M 权重、训练与评测代码、GGUF 服务以及兼容 System One 的 API。
Any llama.cpp GGUF为现有 llama.cpp 对话模型增加 System One API 和独立分类通道,可选校准与有限推理,无需额外加载第二个模型。
Qwen3-VL-4B基于 Qwen3-VL-4B 的多模态决策模型,支持动态候选评分、与候选顺序无关的选择,并公开校准代码和技术报告;模型权重仍待开放下载。
BitNet b1.58 2B基于 2B 三值 BitNet 的决策模型,采用指针头输出类型化概率,公开可复现训练记录和校准结果;已发布权重目前仍为私有访问。
Open ONNX decision models通过 ONNX 在本地 CPU 运行经过筛选的开放决策模型,并提供统一的类型化 Python 库、命令行、REST 和兼容 System One 的 API。
Qwen3-VL-4B开放的 4B 视觉决策模型,公开权重、训练与校准代码,并通过 TypeSafe System One API 提供服务。
Open decision model families本地决策模型运行时,利用精确状态分叉加速推理,并通过统一接口运行多种文本和多模态模型。
Multilingual encoder 57M / ONNX57M 多语言编码器决策模型,支持 Choice、Noul 和 Score,提供 ONNX 推理、浏览器与树莓派演示,以及兼容 System One 的 API。
Qwen3.5-9B LoRA / GGUF面向 CPU 的 9B 多模态决策模型,以 GGUF 发布,支持 Choice、Score 和 Noul,并提供兼容 TypeSafe 的 API 与 LoRA 微调工具。
Qwen3.5-9B / d3-flash面向地球观测的开源决策模型,公开权重、训练和评测代码、校准概率及卫星影像基准结果。
Qwen3.5-9B / Qwen3-VL-8B在超高分辨率遥感图像中搜索并评估候选视图,再从模型记忆与图像证据支持的答案中做选择。
d3-ultra 27B / NVIDIA DGX Spark运行于 DGX Spark 的决策服务,通过兼容 Jev 的 API 提供校准后的 d3-ultra 判断,并公开 JevBench 结果。
CPU proxy / learned narrow models仅用 CPU 的代理服务,从 Jev、Rune 或 Clef 学习重复的窄域问题,达到设定的一致性后才改为本地回答。
CLM-8B面向教学工作坊的 CLM-8B 复现,公开训练代码、实测复现结果、已知差距和可交互演示。
这些是社区独立项目,并非 Jev 官方版本。
无论是已经上线的产品、独立网站、App、游戏、自动化工具,还是一个新奇的实验,只要 Jev 真正参与其中,我们都期待看到。分享你的作品,它可能会进入项目目录、社区专题或未来榜单。
正在检查登录状态…
收录前,我们会核对仓库用途和来源。简介转述项目自身的说明,不代表本站对性能或安全性作出独立背书。Star 数、语言、许可证和最近提交时间来自某次 GitHub 数据快照,此后可能已变化。
Star 数只用于排列这份小规模精选目录,不等于质量评分。使用代码前,请查看仓库最新的 README、许可证和维护情况。