这是一个可以自己部署的 RAG 搜索服务，用大白话讲就是把「联网搜索 + 网页正文提取 + 向量化 + 大模型生成答案」打包成一个 API，你给它一个问题，它先去 Google 等搜索引擎抓取相关内容，再抽取正文、算相关度、可选地做重排序，最后让 LLM 基于这些资料生成带引用的答案。相比直接调用各家搜索 API 再自己拼 RAG 管道，它省去了把这些环节串起来的工程量，参数里能控制检索条数、是否重排、过滤阈值等。适合想给内部知识库或产品快速加一个「能查网并回答」能力的后端和 AI 应用开发者，尤其是对数据出网敏感、希望全链路自托管的团队。如果你只是用现成的搜索产品或不涉及检索增强的开发工作，跟它的关系不大。

这是一个 Zsh 插件，让你在终端里用一句中文或英文注释直接生成对应的 shell 命令，类似把 GitHub Copilot 的补全体验搬进命令行。你只需要写下想做什么，比如「把所有文件按修改时间排序」或「根据 git diff 生成一条描述性提交信息并推送」，按下快捷键后 AI 就会把完整命令填到输入行，支持 OpenAI、Gemini、Groq、Mistral 以及本地 Ollama 等多种后端切换。它还提供一个可选功能：执行前先跑一遍命令收集上下文，让生成结果更贴合当前仓库状态，但要注意这可能在你确认前就改动系统。适合经常在终端里敲复杂命令、记不住 git 或 find 各种参数的运维、后端和 DevOps 工程师，能省去反复查手册的时间；如果你平时很少用命令行，或者不打算配置 API key，这个项目和你关系不大。

SelfJev 是一个可自托管的「决策模型」，你可以把它理解成一个不开源、跑在自己 GPU 上的 Jev 替代品：给它一段文本和你定义好的问题，它不生成文字回答，而是直接输出带概率的结构化结论，比如「是否需要退款」的 yes 概率、「该转给哪个团队」的选项分布、「紧急程度」的量表位置，以及多标签话题勾选。底层是 Qwen3.5-4B 加 rank-64 LoRA，通过共享前缀树复用文档计算，一次读文档就能批量回答多个问题，官方基准上文本决策准确率 95.7%，与 Jev 的 97.2% 接近。典型场景包括客服消息意图路由与分单、AI 回复的事实性与合规审查、按政策判断文档中的资格与例外。适合需要在自有基础设施上做分类、审核、规则判定的后端与算法工程师，尤其是数据不能出内网、又不想为每次判断调用付费 API 的团队；如果你的工作与结构化决策无关，那基本用不上。