Datawhale开源Jev Cookbook：System One决策模型实战教程

当我们谈论大模型时，大多聚焦在它的生成能力——写文案、改代码、续写对话，但当真正搭建自动化Agent或是在工程流程中嵌入决策逻辑时，我们需要的往往不是大段的生成内容，而是快速、精准的判断：在有限的候选动作中选择其一，或是判断当前操作是否安全。这类高频的决策需求，催生了System One决策模型，但想要上手这类模型并不容易：相关资料极度分散，核心论文散落在海外学术平台，技术讨论分布在境外社区，演示代码更是散落于各个第三方仓库，很多人即便看过演示效果，也不清楚该如何写出第一行代码、配置运行环境，更不知道如何将模型输出接入现有的工程链路。

为了让更多开发者能够轻松掌握这类决策模型的开发方法，我们整理了适配国内学习者的Jev入门教程《Jev Cookbook》。这套教程包含11个系统讲解章节和18份可直接运行的Jupyter Notebook，从最基础的核心原语起步，逐步带你掌握从基础应用到本地决策模型微调的全流程。

系统学习路径

我们将11章内容整理为五个循序渐进的学习阶段，帮助你构建清晰的决策模型开发认知：

1. 基础原语入门：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，而具体的校验和执行则由业务规则与程序控制流完成，帮你快速学会如何向模型提出精准的判断请求。

2. 实战场景落地：第四、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业务场景。教程还搭建了语音控制的3D智能家居演练场，带你完整拆解从语音识别、意图判定到动作派发的全链路流程。

3. 效果横向评测：第六章设计了统一的测试基准，横向对比Jev与多款主流模型的表现，除了观察准确率之外，还会详细记录有效回答率、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，演示模型动作如何在即时反馈中完成决策与执行。

4. 前沿技术探索：进入第八、九章的学习，你将深入了解Jev-Mem与JevHarness。在数百轮对话的压力测试中，这套方案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，同时还会展示如何将决策模型稳妥嵌入到复杂Agent的工具网关之中。

5. 本地实战部署：除了云端API交互之外，第十、十一章以开源权重模型Laya为切入点，带你在本地搭建推理服务，体验零Token输出与毫秒级的轻量推理，还可以进一步尝试SFT、LoRA与RLCD-style等训练实验。

真实场景中的决策需求

在真实的软件工程中，我们常常会遇到这类需要确定性判断的时刻：

• 线上突发异常告警时，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时，再长的Prompt也难以保证选择稳定
• 面对海量结构化意图时，需要避免厚重的parser逻辑导致格式崩溃
• 业务流程推进到关键节点时，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，而《Jev Cookbook》正是为解决这类需求而生。

你可以通过以下地址获取和阅读这套教程：

开源地址：https://github.com/open-ai-learn/jev-cookbook

在线阅读地址：https://open-ai-learn.github.io/jev-cookbook/

希望这套《Jev Cookbook》能成为你学习决策模型的参考，跟着Notebook动手跑起来，更欢迎各位开发者一起参与贡献有关Jev的一切！