Guides / 视频转图文攻略
Jev Trader 教程:在 Monad 上搭建亚秒级 AI 交易机器人
最近更新: 2026-09-23
Alex Hitt 用 6 分钟左右在 Monad 测试网上部署一个全自主 AI 做市机器人 Jev Trader:以 TypeSafe Jev 模型为决策引擎,在 Kuru DEX 上执行亚秒级确定性交易——从 git clone、bun install、读写 RPC 分离配置,到基准测试、模拟运行与实盘切换。
速览结论
Jev Trader 是开源的自主做市机器人,在 Monad 测试网的 Kuru DEX 上执行亚秒级确定性交易。Jev 模型用并行采样架构在 70-500ms 内给订单簿打出确定性概率分——前沿 LLM 逐 token 解码要 3 秒以上,成本还贵约 240 倍(每百万输入 token $0.042 对 $10)。流程:git clone、复制 .env.example 为 .env、bun install(用 npm 会直接失败)、PRIVATE_KEY 留空进入 dry-run、读写 RPC 分离、MODEL=jev 填入 TypeSafe AI API key。用 bun run scripts/bench-read.ts 验证读延迟(目标 18-20ms)加离线 calldata 校验,然后 bun run start,在 SSE 遥测流里看到 simulated: true、upIn10 0.85、confidence HIGH。调好 quote_inside_ticks,再填入有资金钱包的私钥即可实盘。
分步图文攻略
- 1
克隆 Jev Trader 仓库,用 bun 安装——别用 npm
用 git clone 拉下 Jev Trader 仓库,进入新项目目录,把 .env.example 复制一份重命名为 .env,作为你的正式配置文件。依赖安装必须精确输入 bun install:仓库深度适配 bun 运行时,视频里 npm install 直接触发 incompatible runtime 报错。这组终端命令为机器人微秒级的操作锁定了高性能地基。

只能用 bun install——仓库专为 bun 运行时优化,npm install 会立刻报错。跳转至 1:34 - 2
配置 .env:私钥留空、读写 RPC 分离、MODEL=jev
打开 .env,暂时把 PRIVATE_KEY 完全留空——缺省私钥会让系统进入保护性 dry-run 模式,测试网络时资金绝对安全。把低延迟节点商的 URL 填进 read RPC 变量,它专职在每个区块开始时查询限价订单簿深度;再往 write RPC 变量里填第二个节点商,作为「即发即忘」的签名交易广播通道。接着把 MODEL 设为 jev,并把 TypeSafe 令牌粘进 TYPESAFE_AI_API_KEY 字段。读写分离正是为了避开单 RPC 架构的 socket 争用——否则根本赶不上 Monad 的 300ms 时钟。

两行配置接通决策引擎:MODEL = jev 加上你的 TypeSafe AI API key。跳转至 3:12 - 3
跑赢 300ms 出块窗口:读延迟基准 + calldata 离线校验
每个循环里,机器人都要在 Monad 出块前完成拉取行情、请 Jev 模型决策、广播交易三件事——架构图给约 18ms 的 eth_call 读加 70-80ms 的 Jev 推理做了预算,全部挤在一个 300ms 窗口里。输入 bun run scripts/bench-read.ts 测试你的高级节点,终端需要报出约 18-20ms 的延迟,否则 AI 没时间算完决策。然后跑离线 calldata 校验脚本(scripts/dry-run-trade.ts),它会离线签一笔假想的买和卖,确保交易结构符合 Kuru SDK,然后才上实盘。

分岔热循环:读路径、Jev 推理、即发即忘写路径——全部塞进一个 300ms 区块。跳转至 2:34 - 4
启动热循环,读 SSE 遥测,然后上实盘
输入 bun run start 启动机器人:它拉取本地订单簿状态,经 Vercel AI SDK 路由给 Jev 模型。在浏览器打开本地服务端口就能看到 SSE 遥测流——演示区块里 simulated: true(只算假设结果,不动真金白银),AI_Inference_Metrics 显示 model jev-1、upIn10 0.85、confidence HIGH。让它持续跑,观察假设盈亏曲线,并调整 quote_inside_ticks 参数——它决定报价单相对买卖价差的激进程度。满意之后停掉进程,把有资金钱包的私钥填回 .env,再启动一次:机器人核验保证金余额,随即在 Monad 上部署真实的 AI 流动性。

simulated: true 加盾牌图标——dry-run 只追踪假设盈亏,真实资金分毫未动。跳转至 5:06
常见问题(FAQ)
Jev Trader 是什么?
一个可以从 GitHub 克隆的开源交易机器人,在 Monad 测试网上运行全自主 AI 做市。它以 TypeSafe Jev 模型为决策引擎,在 Kuru 去中心化交易所执行亚秒级确定性交易;克隆、配置、基准、dry-run 整套流程压缩在一期六分钟的视频里。
Jev 交易循环有多快?
Jev 模型用并行采样架构即时评估限价订单簿,70-500ms 内输出确定性概率分;前沿 LLM 逐 token 解码要 3 秒起步。整个循环——行情读取(约 18-20ms)、Jev 推理(70-80ms)、交易广播——必须塞进 Monad 的 300ms 出块窗口。
运行 Jev Trader 需要 TypeSafe AI API key 吗?
需要。视频列出主机上的四项前置条件:bun JavaScript 运行时、作 gas 用的测试网 MON 代币、有效的 TypeSafe AI API key(MODEL=jev 时填进 TYPESAFE_AI_API_KEY),以及供读写路径使用的高级低延迟 RPC 端点。
不动真金白银就能测试 Jev Trader 吗?
可以,而且这就是默认行为。PRIVATE_KEY 留空时机器人跑在保护性 dry-run 模式:SSE 遥测显示 simulated: true,只追踪假设盈亏。先观察 upIn10 得分、调好 quote_inside_ticks,等你准备好再填入有资金钱包的私钥上实盘。
相关推荐
Jev 浏览器代理指南
同一位作者 Alex Hitt 的另一期实操:Jev 浏览器代理的双模型执行循环与 DOM 快照过滤。
阅读Jev 价格
托管 Jev 推理怎么计费——对照视频图表里 $10/百万 token 的前沿模型基线算算账。
阅读获取 TypeSafe AI API Key
机器人决策引擎要用的 TYPESAFE_AI_API_KEY:套餐、端点与快速上手。
阅读更多视频攻略
- Jev 极速分类实战:从 API 调用到 Choice/Score/Noul 三大原子类型
- 7 分钟透析 Jev 架构:为什么 70ms 决策模型颠覆了 LLM 自动化工作流?
- Jev 赋能极速浏览器 Agent:178ms DOM 决策循环与双模型协作实战
- OpenJevs 开源 Jev 模型全景:Semif、Nimble、Decider、DiffusionGemma 与 Laya 实测
- Jev 会取代 LLM 吗?Krish Naik 白板图解 Jev vs LLM 与混合架构
- Jev Model Router 实战:用 Jev 搭建带隐私门控的本地模型路由器
- Jev 入门教程:State、三类问题与 TypeScript SDK 实操
- 本地跑 Jev:Kev、SemIf 与 Von,自己的 GPU 就够了
- Jev RAG Reranker 实战:用可执行 criteria 打造策略化检索重排
- Jev 什么时候该用:工程视角核实宣传口径、守门与失败模式
- LangChain + Jev 集成实战:路由、护栏与评测
- Jev MCP Server 接入指南:把 Jev 决策层接进 Claude Code 与 Cursor
- Jev vs Luna 独立基准实测:「更快更准更便宜」是真是假?
- Jev Agent Harness 实战:决策闸门该装在 LLM 循环的哪个位置
- Jev Playground 实测攻略:热狗课程、criteria 校准与四平台 token 账单
- Jev 文本分类 API 实战:用 classifier.dev 打通零样本 CLI 与 REST 调用
- Jev API 实战示例:第一条 curl、载荷结构与三种问题类型
- 用 Expanso Edge 和 Jev 搭建日志分流流程
- Treg + Jev 线索丰富:ICP 分类与注册用户评分
- 在 Heym 中使用 Jev 决策节点:语言判断与模型路由
- Laya 上手教程:开源自托管决策引擎的安装、路由与概率校准(Laya vs Jev 实操)
- 训练自己的 Jev:花 $5–$17 微调一个 Jev 式决策模型(能训什么、不能训什么)
- Jev 实用技巧:拿到更好决策结果的 8 条最佳实践(state、questions、criteria 与阈值)
- Jev 上下文压缩实战:不用生成式摘要,直接剪枝 Agent 记忆
- Jev 当 LLM 评审:置信度级联,只要强模型 0.36% 的成本
- TypeSafe Computer Use 实操:用 Jev 做本地桌面自动化
- Jev 简历筛选实战:Express + Jev JavaScript SDK 搭一个 AI 简历评估器
- Jev + Claude Code 实战:语音控制浏览器,类型化决策全程接管
- Jev 接入 Codex 实操:typesafe-ai/skills 安装与 Gmail 30 封邮件分诊
- Jev vs Ollama:本地跑 AI 决策,数据不出门真的可行吗?
- 自己动手造一个 Jev:免费开源零样本分类器(还能打 Doom)
- CUA-S1-Forms:706K 参数的 Jev 型表单填写模型,CPU 就能跑
- 用 Jev 做 NOC/SOC 告警分诊:规则先行、一个类型化问题、一道策略闸门
- Ollama 决策模型实测:tev1 + nimble 跑在 8GB 显卡上
- Jev 生产环境护栏:五步接入实战手册
- Pi Agent 防跑偏插件实战:让 Jev 出概率,让代码做决定
- Tev1 用例实测:50 个任务看尽本地决策模型的能力边界
- Jev 实测:官方宣称与独立复测之间的距离
- Jev 工单分类实战:after-insert hook 与计算字段两种接法
- OpenJev RLCD 实操:开源校准决策模型本地部署全指南
- Clef-Flash vs Jev 实测:把 Cloudflare 决策模型装进 Ollama(Q4_K_M)
- Clef-Flash 实操教程:在 Ubuntu 上从零安装并本地运行 Cloudflare 9B 多模态决策模型
- CLM-8B 架构深潜:44 毫秒打分 1,024 个候选的对比决策模型(比 Jev 快 13 倍)
- Nox 4B 实测教程:本地跑通 Decision 2.0 决策模型,四道真实考题与一次诚实的失败
- Julia-1 实操教程:纯 Python 装上开源 Jev 替代品,10 条客服消息实测 9 比 2
- OpenJev 0.8B CPU 实战:用工单收件箱校准 NLI 路由阈值
- Jev n8n 集成实战:JevGate 社区节点分步攻略(附纯 HTTP 备选路线)
- NanoJev 实操教程:本地部署 0.6B 开源 Jev 复刻,亲眼看它以 47ms 跑迷宫、按概率做路由
- PPLX Decider 实操教程:Perplexity 开源 27B 决策模型、Decisions API 与 12 张工单的分诊实测
- AutoTrust JEV-27B 本地实测:四臂对照、72 道 held-out 题,和一个 0.969 高分的错误答案
- Clef 27B 本地实战:Cloudflare 多模态决策模型一次读懂图片、视频和乌兹别克语报纸
- Ollaya 实操指南:装好「决策模型界的 Ollama」,看清每一个厂商口径数字,再亲手补上它留白的 CPU 实测
- Strands Decider 2B 实测:8GB 笔记本本地安装 AWS Strands 系决策模型,把失败段也留在这页里
- Liquid AI Open d1 本地实测:d1-3B 与 d1-omni-600M 跑进 MacBook Air M5
- 图像决策模型实战 RPA:Imajev-4B 与 Jev-Omni 无 OCR 直读 W-8BEN 税表,90% 置信阈值以下转人工审核
- GLiNER2.5-Decide (340M) 对比 Jev (4B):决策模型到底谁赢?逐帧核对选型指南
- Jetson 边缘实测:Jev、Strands Decider 2B、Laya、d1-3B 四模型横评——Skill Master 记分卡、Thor 延迟账与 JevBench 逐帧核对
- 微软 Decision-1 实测:146 道独立测试、93% 均分、高置信时 124/125——每个数字逐帧核过
- Jev 接入 Azure AI Foundry 实战:OpenAPI 工具、分诊指令与首跑失败复盘