2170个GitHub项目显示：Jev决策模型一周内被1865个新仓库采用，但63%的关注度只集中在路由与界面代理

研究给出了Jev公开生态的规模与增长画像：截至2026年9月22日共2170个经核验的公开Jev项目，其中1865个在Jev于2026年9月15日发布后的一周内新建，305个为既有仓库的集成，同期新仓库获得43750个星标。 此前关于Jev的文献多为单任务或单系统的应用与评测，本文首次以全生态普查的方式量化其增长与采用形态。 基于GitHub仓库与代码检索、按仓库ID去重，并由GPT-6 Luna Max代理逐仓库核验“Jev被用于具体任务”后才纳入，关键纳入判断与领域标签由第二个代理独立复核、分歧回看原始仓库材料。

使用模式上，Jev被当作可复用的决策组件：属性判断出现在77%的项目、打分或排序52%、动作选择31%；接口方面Choice出现在81.0%、Noul 72.2%、Score 45.4%的项目，36.8%的项目同时使用三种接口，69.7%的项目用于两种及以上决策目的。 把“Jev怎么被用”从个案描述提升为跨领域的分布统计，并显示接口常被组合而非单独使用。 统计口径明确：每个项目在每个目的/接口上计一次，因此份额可重叠；结论来自2170个项目的标注结果。

Jev的角色随领域变化：动作选择在Simulation & Control占52%的目的标签、在Interface Agents占47%；模型与工具选择在Routing & Automation占27%而在Software Engineering仅6%；内容过滤在Search & Memory占21%，结果判断在Safety & Governance占24%；但属性判断在八类中的六类仍是首要目的。 说明同一决策模型在不同工作流中承担不同职能，而非固定用于某一类判断。 基于按应用领域切分的目的一致性统计，作者据此提出Jev是“可复用判断组件”，其功能随应用输入与下游动作而变。

项目供给与公众关注度不匹配：Routing & Automation有250个项目、平均每项目364星，Interface Agents有175个、平均271星，两者合计仅占19.6%的项目却获得63.0%的星标；而项目数最多的Content & Expert Tasks（387个）与Search & Memory（381个）平均仅31星和37星；Routing & Automation与Simulation & Control项目数接近（250对252），平均星标却为364对8。 把“关注度”与“项目数量”作为两个独立维度对照，指出可见度分布高度不均。 以项目数为供给、平均星标为需求代理，两类指标各自归一化；作者明确说明星标衡量的是对整个仓库的兴趣、可能集中在少数项目上，因此结果反映的是可见度不均而非需求未被满足。

这项工作面向研究通用决策模型设计与评测的人：它提供了一套数据集与分类法，用来挑选评测场景、并研究决策模型如何被集成进更大的系统。结论适用于2026年9月22日之前的公开GitHub生态，作者也把分析范围限定在公开仓库，私人仓库与商业应用不在其中。对开发者而言，附录B的七个代表性项目（浏览器动作选择、代码评审分诊、工具历史压缩、工具调用风险闸门、逐轮模型选择、游戏控制、税表页面分类）展示了把类型化决策转成程序动作的集成模式，其图示总结的是源码路径而非实际执行记录。

作者列出的局限是：分析是2026年9月22日的快照，生态演化后项目数、使用模式与关注度都可能变化；数据仅含公开GitHub仓库，无法给出Jev采用的完整图景。此外，星标衡量的是对整个仓库的兴趣、可能集中在少数项目上，因此关注度结论应读作可见度差异。本文为全文阅读，但图表以文字与表格形式呈现，具体图形细节未在文本中展开。