做 Agent 工作流或自主智能体循环时，一个极度影响体验的瓶颈在于：每一个细小的分支判断、工具路由、任务完成度检查或安全拦截，如果全部塞给昂贵的推理大模型（Reasoning LLM），不仅每次调用带来数秒的延迟，Token 成本也会呈指数级膨胀。

一点放纵

做 Agent 工作流或自主智能体循环时，一个极度影响体验的瓶颈在于：每一个细小的分支判断、工具路由、任务完成度检查或安全拦截，如果全部塞给昂贵的推理大模型（Reasoning LLM），不仅每次调用带来数秒的延迟，Token 成本也会呈指数级膨胀。

近期在 Hacker News 引发广泛讨论的开源清单 awesome-jev-projects，其核心正是围绕“系统 1（快思考）与系统 2（慢思考）”的架构解耦模式：将那些边界明确的定态选择、布尔打分和快速拦截，下放给响应仅需约 100ms、成本极低的轻量化类型决策模型（Typed-Decision Model），而将慢速的大模型严格限定在全局规划与复杂内容生成上。

该目录收录了 17 个分类、近 600 个开源项目（覆盖浏览器与系统自动化、CLI 流水线、模型路由、安全护栏、代码导航等），其最大的工程参考价值在于严谨性：

源码级精准锚定：不同于传统的概念列表，它对每个条目都精确关联到了具体 Commit 和做出决策的真实代码行，能直接看到决策模型在逻辑闭环中是如何嵌入的。

决策与业务解耦：清晰区分了项目本身的业务能力与决策模型的接入点，同时提供了可直接在终端调用的 Agent Skill 与多语言支持。

不过从架构选型角度看，也需要保持客观审视：该项目完全基于 TypeSafe 的 Jev API 生态展开，本质上是特定厂商的技术生态映射，并非通用的中立评测；且项目多为初期探索性质的原型演示，在复杂推理场景下依然需要严格设置边界与降级策略。

对于正在调优 Agent Loop 吞吐延迟、探索轻重模型分流落地的开发者来说，深入参考其代码层面的分支设计与调用模式，能带来非常具体的工程启发。

https://github.com/logicrw/awesome-jev-projects