Datawhale开源 ****开源贡献：Datawhale团队

一、开源初心

每个人都在讨论大模型。但在大多数时候，我们让模型做的事情是生成，写一段文案、改一段代码，或者续写对话。 可当你着手构建一个真正的自动化 Agent，或者需要在代码流程里嵌入决策逻辑时，就会遇到另一种场景。很多时候系统并不需要大段长篇大论，只需要在几个有限的候选动作里选一个，或者判断当下的操作是否安全。 为了解决这类高频的判断需求，System One 决策模型应运而生。但真正想要上手时，大家会发现相关资料相当分散。核心论文在 arXiv，技术讨论散落在海外社区，零散的演示代码分布在各个第三方仓库。很多人看完演示效果，依然不清楚第一行代码怎么写、运行环境怎样配置，更不知道如何把模型输出接入现有的工程链路。 做决策这件事，不应该只属于看得懂英文长篇论文的人。 为此，我们梳理并整理了适合中国宝宝的Jev入门教程——《Jev Cookbook》。全书包含 11 章系统讲解与 18 篇可运行的 Jupyter Notebook，带大家从核心原语起步，一步步走向前沿应用与本地决策模型微调。

        开源地址：https://github.com/datawhalechina/jev-cookbook`在线阅读地址：https://datawhalechina.github.io/jev-cookbook/`

二、学习指南 我们把 11 章内容整理成五个循序渐进的阶段，帮助大家构建清晰的决策模型开发认知。

1. 基础原语，学会向模型提出一道判断题 教程前三章从 System One 的分工逻辑讲起，拆解 State 状态表示与三种核心问题原语。无论是 Choice 候选单选、Score 序数打分，还是 Noul 是非判断，模型专注于输出选项概率，而业务规则与程序控制流负责校验和执行。

2. 实战配方，把决策接入端到端流程 第四章与第五章准备了 18 篇实战 Notebook，覆盖 RAG 引用过滤、动态工具路由与风险拦截等典型场景。教程还进一步搭建了语音控制的 3D 智能家居演练场，带你拆解从语音识别、意图判定到动作派发的完整耗时链路。

3. 横向评测与交互案例，在真实场景中检验模型 第六章设计了统一的测试基准，横向对比 Jev 与 DeepSeek、豆包、GLM、Kimi 等主流模型。除了观察准确率，更细致记录有效回答率、响应延迟与成本开销。第七章则精选了扫雷、贪吃蛇等 12 个游戏与应用案例，观察模型动作如何在即时反馈中完成决策与执行。

4. 前沿探索，长程记忆与 Agent 显式架构 进入第八章与第九章，教程深入 Jev-Mem 与 JevHarness。在数百轮对话的压力测试中，依靠轻量级的概率判断实现低开销、高准确度的长程记忆检索，并展示如何将决策模型稳妥地嵌入到复杂 Agent 的工具网关之中。

5. 本地实战，从开源权重走向微调与训练 除了云端 API 交互，第十章与第十一章以开源权重模型 Laya 为切入点，带大家在本地搭建推理服务，体验 0 Token 输出与毫秒级的轻量推理，并进一步尝试 SFT、LoRA 与 RLCD-style 训练实验。

三、写在最后

在真实的软件工程里，我们常常会面对这类确定性的决策时刻： * 线上突发异常告警，系统需要毫秒级判断是否立刻切断流量 * Agent 在多个工具分支前徘徊，Prompt 写得再长依然难以保证选择稳定 * 面对海量结构化意图，每次都得写厚重的 parser 逻辑来防止格式崩溃 * 业务流推进到关键节点，只需要一次快速的是非定性或风险打分

在这些场景下，程序需要的是快速、稳定且可验证的结构化判断。

希望这套《Jev Cookbook》能成为你的参考，带你系统上手 System One 决策模型。跟着 Notebook 动手跑起来，更欢迎大佬们来一起贡献有关 Jev 的一切！ *

        开源地址 https://github.com/datawhalechina/jev-cookbook