开源中文教程项目《JevCookbook》大模型多数时候用于“生成”（写文
开源中文教程项目《JevCookbook》大模型多数时候用于“生成”（写文案、改代码），但构建自动化Agent时，很多场景只需要在有限候选动作中做选择、打分或判断，而非长篇输出。为此诞生的SystemOne决策模型（Jev）专攻这类高频判断需求，但相关资料分散在arXiv论文、海外社区和零散仓库中，上手门槛高。Datawhale因此整理了这套面向中文用户的入门教程。全书包含11章系统讲解+18篇可运行的JupyterNotebook，分为五个阶段：1.基础原语：讲解State状态表示与三种核心问题原语——Choice候选单选、Score序数打分、Noul是非判断；模型只输出选项概率，校验与执行交给业务规则。2.实战配方：18篇Notebook覆盖RAG引用过滤、动态工具路由、风险拦截等场景，并搭建语音控制的3D智能家居演练场。3.横向评测与交互案例：统一基准对比Jev与DeepSeek、豆包、GLM、Kimi等主流模型（准确率、响应延迟、成本）；另含扫雷、贪吃蛇等12个游戏案例。4.前沿探索：深入Jev-Mem长程记忆（数百轮对话压力测试下低开销高准确检索）与JevHarnessAgent显式架构。5.本地实战：基于开源权重模型Laya搭建本地推理，体验0Token输出与毫秒级推理，并实践SFT、LoRA、RLCD-style微调训练。晒图笔记大赛
