Jev

io.github.Aitejiu由 GitHub 账号 Aitejiu 发布v0.1.2更新于 Oct 24, 2026

Jev judgments for agents: injection scanning, shell risk gating, ranking

已验证STDIO仅桌面开发者工具安全与监控AI 与机器学习

概览

AI 生成的概览

Jev 是一个本地 MCP 服务器，为助手提供三项判断工具：提示注入扫描、shell 命令风险评分和候选片段重排。

可以做什么
扫描工具、网页或邮件输出中的注入指令，返回 block、review 或 pass 结论及概率分数。对 shell 命令从破坏性、触密、外发、不可逆四个维度打分，返回 deny、review 或 allow。按与查询的相关性对最多十个候选片段重新排序，用于检索精排。
适用场景
适用于助手读取不可信的工具或网页输出、需要先筛查注入指令时；需要执行 shell 命令、希望先做风险门控时；或需要对检索到的片段做轻量重排时。
运行要求
以 stdio 方式在本地运行，从 PyPI 安装为 jev-mcp，通常用 uvx 启动，因此需要带 uv 的 Python 环境。需要 TypeSafe API 密钥，通过环境变量 TYPESAFE_API_KEY 提供。使用该密钥意味着需要访问 TypeSafe 服务的网络连接。
安装前请注意
必须提供 TYPESAFE_API_KEY 密钥，且不应写入共享配置。工具输出、shell 命令和候选文本会发送到外部 TypeSafe 服务进行判断，请避免传入密钥或敏感数据。判断结果只是模型建议而非保证；README 指出仅支持文本输入、选项上限 255 个、以英语为主等限制。

安装

在 SourceWeft 中

  1. 打开 控制台中的 Jev，将其添加到工作区。
  2. 为需要使用其工具的对话启用该服务。

Desktop only，通过 STDIO。 STDIO 服务会启动本地进程，因此需要 SourceWeft 桌面宿主。

其他 MCP 客户端

参照 仓库 中的启动说明。

README

jev-harness-lab

用 TypeSafe Jev（System One 决策模型）做 agent harness 工程实验的技术仓库：评测框架、基准报告、可运行的集成工具（MCP server、skill router）。

[skills.sh]

安装

① MCP server（给 agent 加三个 Jev 工具）

用 uv 一条命令，无需克隆：

bash
# 从 PyPIuvx jev-mcp
# 直接从 GitHub 源码运行uvx --from git+https://github.com/Aitejiu/jev-harness-lab jev-mcp

配置到任意 MCP 客户端（opencode / Claude Desktop 等）：

json
{  "mcp": {    "jev": {      "type": "local",      "command": ["uvx", "--from", "git+https://github.com/Aitejiu/jev-harness-lab", "jev-mcp"],      "environment": { "TYPESAFE_API_KEY": "your-key" },      "enabled": true    }  }}

提供的工具：

工具作用
scan_injection扫描工具/网页/邮件输出里的注入指令，返回 block / review / pass
bash_riskshell 命令四维风险打分（破坏性 / 触密 / 外发 / 不可逆），返回 deny / review / allow
rank_candidates候选片段按相关性打分排序（RAG 精排）

MCP Registry 归属标记（勿改格式）：

mcp-name: io.github.Aitejiu/jev

② Agent skill（让 Jev 帮主模型选 skill）

bash
npx skills add Aitejiu/jev-harness-lab --skill jev-skill-router

用 Jev 把任务路由到已安装的 skill，并且只加载选中那一个的完整指令，避免把整个 skill 目录塞进主模型上下文。技能页：https://www.skills.sh/aitejiu/jev-harness-lab/jev-skill-router

环境变量

两个集成都需要：

bash
export TYPESAFE_API_KEY=<your-key>

目录

.├── examples/            # 最小可运行示例（三原语、state、路由、护栏、抽取）├── eval/                # 评测框架：11 个基准脚本 + 24 份报告 + 原始结果│   └── datasets/        # 手工构造的数据集（如 130 条 shell 命令风险集）├── integrations/│   └── opencode/        # opencode 插件：jev_route_skill（skill 门控）├── skills/│   └── jev-skill-router/  # 可安装的 agent skill（SKILL.md + 独立脚本，skills.sh）├── docs/│   └── REPORT.md        # 技术评估报告（数据与结论）├── src/jev_mcp/         # MCP server 包（PyPI: jev-mcp）├── pyproject.toml       # Python 打包配置（console script: jev-mcp）├── server.json          # MCP Registry 元数据（mcp-name: io.github.Aitejiu/jev）├── mcp_server.py        # 兼容 shim：不安装也可 python mcp_server.py 运行├── skill_router.py      # 本地 skill 目录路由（Jev 选择并加载 SKILL.md）├── common.py            # .env 加载 + 共享 client└── requirements.txt

快速开始

bash
uv venv --python 3.12 .venvuv pip install -r requirements.txtecho "TYPESAFE_API_KEY=<your-key>" > .env
bash
# 最小示例.venv/bin/python examples/quickstart.py.venv/bin/python examples/noul.py          # criteria 对判断的影响.venv/bin/python examples/routing.py       # 阈值路由
# 跑评测（示例：skill router，501 个真实 skills）.venv/bin/python eval/run_skillretbench.py --variant hybrid --per-setting 100

评测结果缓存在 eval/results/*.jsonl（已随仓库提交，可 --report-only 直接出报告）；原始数据集在 eval/data/，需按 eval/README.md 的说明下载（已 gitignore）。

集成工具

MCP server

bash
.venv/bin/python mcp_server.py   # stdio
工具作用输入 → 输出
scan_injection扫描工具输出中的注入指令tool_output → action(block/review/pass) + 概率
bash_riskshell 命令四维风险打分command → action(deny/review/allow) + 破坏性/触密/外发/不可逆分数
rank_candidates候选片段相关性重排query + candidates(≤10) → 排序后的 index/score

接入 opencode 的配置示例（项目 .opencode/opencode.json）：

json
{  "mcp": {    "jev": {      "type": "local",      "command": ["/absolute/path/to/jev-harness-lab/.venv/bin/python", "/absolute/path/to/jev-harness-lab/mcp_server.py"],      "enabled": true    }  }}

Skill router

bash
.venv/bin/python skill_router.py --query "帮我查飞书文档" --load

opencode 插件在 integrations/opencode/jev-skill-router.ts：注册 jev_route_skill(task) 工具，请求进来时用 Jev 从本地 skill 目录选出最合适的一个并返回其完整指令。参考做法是配合 agent.build.tools.skill = false 关闭内置 skill 工具，使主模型上下文不再携带整个 skill 目录。

主要基准结果（详见 docs/REPORT.md）

任务数据结果
间接注入检测InjecAgent 1,105 条阈值 0.10：P/R 100%，良性误报 0%
检索重排BEIR SciFact 900 对BM25 → Jev：MRR 0.622 → 0.843，Hit@1 50% → 78.3%
意图分类SNIPS / Banking777 类 97.9% / 77 类 80.3%
工具目录路由MetaTool 199 工具相似干扰 k=5 96.5%
Skill routerSkillRetBench 501 库hybrid 架构 R@1 75.8%（最强基线 38.0%）
命令风险门控自建 130 条危险拦截 100%、正常放行 98.2%
模型难度路由RouterBench51%（无信号，负结果）
轨迹失败归因Who&When 1,403 步AUROC 0.56（负结果）

总计约 22,500 次 API 调用、52.2M input tokens、$2.19。

说明

  • 所有 benchmark 使用公开数据集；原始结果 JSONL 已提交，报告可复现。
  • 部分官方基线为模拟实现（在报告中已标注）。
  • Jev 已知限制：choice 最多 255 个选项、仅文本输入、state+questions 共享约 32k tokens、英语为主。
  • 版本：jev-1.13.0，模型升级后建议重新评测。

来源：README.md，提交 29ddf82

工具

0
SourceWeft 尚未在沙箱中启动过该软件包，因此其工具未知。

版本历史

1
  1. v0.1.2最新Sep 21, 2026

评分

已满足适用检查项的 40%

该评分衡量此收录条目的完整程度，依据注册中心条目、端点与公开来源计算得出。它不是对服务器本身的评价，也不表示服务器安全或当前可用：可连通性是带日期的检查结果，评分也不包含安装量或用户评价。

  • 近 30 天内可连通25 分

    请保持端点能够响应 MCP 握手；SourceWeft 每 30 天探测一次。

  • 已声明认证方式10 分

    请在注册中心条目中声明凭据请求头，或保持端点能够响应探测，以便判定其认证方式。

  • 已列出工具15 分

    请让服务器在无凭据时响应 tools/list，或发布可在沙箱中无凭据启动的软件包。

  • 描述必需15 分
  • 图标10 分
  • 文档15 分
  • 许可证10 分

    请在仓库或注册中心条目中声明许可证。