这个 Skill 能做什么，适合哪些场景？
jev-use 是 trycua/cua 仓库（MIT 许可）中 skills/jev-use/SKILL.md 定义的一份操作配方。它的核心设计是把决策层完全放在 Cua Driver 之上：Driver 提供观察结果并执行动作，应用方构造完整的候选表，TypeSafe Jev 只返回一个候选 ID，绝不自行发明工具名、坐标或参数。配方规定了对观察时效性、视觉证据校验、原生无障碍候选构造以及凭证处理的严格要求，并提供确定性的 mock 路径以便在没有模型 API 密钥的情况下开发。可运行的参考示例位于仓库的 libs/cua-driver/examples/jev-use/。
- 通过一个持久的 CLI 或 MCP 会话获取 Cua Driver 的最新观察（浏览器 DOM、原生无障碍树或视觉区域）。
- 构造上限 24 个动作的候选表（外加 reobserve 和 abstain），每个候选包含完整的 Driver 工具与参数。
- 以 cua.jev_choice_request_v1/v2 协议经 stdin/stdout 与 TypeSafe Jev 通信，只传输目标、紧凑观察、历史和候选 ID。
- 校验返回的选择：拒绝未知、重复、过期、capture_id 不匹配或低于置信度策略的结果。
- 每次最多执行一个 Driver 动作，默认后台投递，执行后重新观察并以独立后置条件验证完成。
- 正在为桌面自动化任务搭建自己的 Agent 团队（Agent Squad）的工程师，希望模型只能从应用方白名单的动作中选择，而不是自由生成坐标和工具调用。
- 需要在表单类界面上做选择决策的团队，想复用 CUA-S1/TypeSafe 风格的 System 1 决策模型，但把执行权牢牢锁在驱动层。
- 在 macOS、Windows 或 Linux 上驱动原生桌面应用、并需要通过无障碍树（AX/UIA/AT-SPI）构造候选的开发者。
- 需要浏览器 DOM 与可选视觉 grounding 混合使用、并要求每个视觉点击都绑定 capture_id 的自动化场景。
- 想在无 API 密钥的 mock 模式下先行开发，再平滑切换到 live Jev 的团队。
- 想让模型直接生成坐标、ref 或完整工具调用、自由操控桌面的场景——本配方明确禁止 Jev 发明任何参数。
- 没有 Cua Driver 运行环境（macOS/Windows/Linux 桌面）或不愿意接入 TypeSafe Jev 适配器的用户。
- 任务规格不允许删除、发送、购买、关闭等高风险动作之外的放宽——默认这些动作被排除，除非任务规格明确允许。
如何安装这个 Skill？
- 本评估为静态源码审查，未执行任何测试；关键路径可复现性基于文件自洽性与 CI 配置推断。
- 技能依赖外部 Cua Driver 与扩展契约（含 AGPL 授权的 cua-perception 资产），部署或再分发前请核实相应授权与信任边界。
- 核心依赖（cua.ai 安装脚本、GitHub、Hugging Face 等）在中国大陆的可达性未声明，中文用户可能需额外网络配置。
- 前台投递与无限制模式（CI 中 CUA_DRIVER_PERMISSION_MODE: unrestricted）存在真实桌面操作风险，生产使用应启用审批与授权流程。
- 发布方未经验证，身份未知；技能文件本身缺少版本号与更新路径。
- Shell / 命令行
- 网络访问
- 本地文件系统
- MCP Server
Cua DriverTypeSafe Jev adapter (mock path runs without TYPESAFE_API_KEY)
来源未提供把该 skill 单独安装到某个宿主的命令。仓库 README 提到 cua 安装脚本可以把 cua skills 安装进 AI 编码代理：
curl -fsSL https://cua.ai/install.sh | sh
cua auth login安装器会提供将 cua skills 和 cua MCP server 装入 Claude Code、Codex、Cursor 等代理的选项；技能文件本身位于仓库 skills/jev-use/SKILL.md。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 按照 jev-use 配方，用 mock 模式搭建一个在 Calculator 中点击按钮并验证结果的受限操作循环。
- 为我的桌面自动化 Agent 构造一个候选表，让模型只能从应用方提供的候选 ID 中选择，不允许生成坐标。
- 参考 libs/cua-driver/examples/jev-use/，为原生桌面应用接入 NativeAccessibilitySource 和 cua.jev_choice_request_v2。
- 在视觉证据与无障碍证据冲突时，如何按 jev-use 规则触发 reobserve 或 abstain？
该技能以配方/指南形式被触发，描述如何组织 jev-use 循环：目标是先通过一个持久 CLI 或 MCP 会话获取 Driver 观察；优先使用新鲜的无障碍或浏览器 DOM 证据；如需视觉 grounding，则通过 MCP 工具清单发现 parse_visual_regions 并校验其版本化结果与 capture_id；构造有界候选表后发送给 Jev，只回传一个 ID；执行至多一个动作并重新验证。浏览器任务使用 v1 协议，原生桌面应用使用 NativeAccessibilitySource 与 v2 协议。可运行示例在 libs/cua-driver/examples/jev-use/，开发时使用仓库内检入的 fixtures，mock 路径不需要 TYPESAFE_API_KEY；live 模式的密钥只从环境变量或安全交互提示读取。
这个 Skill 有哪些优点和局限？
- 决策边界非常清晰：模型只能从应用方构造的候选 ID 中选择，杜绝幻觉参数和不绑定的坐标点击。
- 确定性 mock 路径无需任何模型 API 密钥即可开发，Python 和 TypeScript 适配器行为等价。
- 对时效性、视觉证据校验、原生角色映射和凭证处理都有明确、可执行的规则。
- 随仓库提供可运行示例和检入的 fixtures，宿主仓库为 MIT 许可。
- 强依赖 Cua Driver 与 TypeSafe Jev 生态，脱离该栈无法使用。
- 候选表上限 24 个动作、默认排除删除/发送/购买/关闭等动作，灵活性受限。
- 视觉适配器只有在 Driver 同时声明 parse_visual_regions 和绑定 capture_id 的 click.capture_id 输入时才可用。
- 来源未提供独立的测试套件或基准数据来证明该配方本身的成功率。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| jev-use — Cua Driver 之上的受限计算机操作循环 本页 | 58 · 推荐 | ★ 29k | 今天 | MIT |
| 桌面应用操作技能（Computer Use） | 61 · 推荐 | ★ 6.4k | 3 天前 | Apache-2.0 |
| squirrelscan 网站审计与修复循环 | 49 · 谨慎使用 | ★ 97 | 3 天前 | MIT |
| Angular 开发者技能 | 63 · 推荐 | ★ 674 | 3 天前 | — |
| SwiftUI WCAG 无障碍审计技能 | 58 · 推荐 | ★ 13 | 7 个月前 | — |
同一仓库的 README 面向整套 Cua 产品（Driver、Spaces、Lume、CUA-S1、Bench）；jev-use 是其中一种把 TypeSafe Jev 决策模型与 Cua Driver 集成的特定配方，区别于直接让通用 Agent 自由调用 Driver 工具的用法。来源未提及其他第三方竞争方案。
FollowSkills 如何评估这个 Skill？
SKILL.md 明确最小权限与安全边界：Jev 只能从应用构造的候选 ID 中选择，禁止发明工具名/坐标；捕获 ID 绑定防止陈旧坐标点击；排除删除/发送/购买等高风险动作；密钥仅从环境或安全交互提示读取，禁止写入源码、日志、参数；前台投递需显式授权。扣分：依赖外部 Driver 与扩展契约（如 cua-perception 来自签名 release 资产、AGPL 授权注意），本文件自身不提供回滚与用户确认流程细节，部分信任依赖未在文件中完整展开的契约。
决策循环、新鲜度规则、失败模式（reobserve/abstain、拒绝未知/重复/过期选择）定义清晰且自洽；mock 路径无需 API key，仓库存在 dedicated CI 工作流（authorized-live-jev-use.yml）跑 mock 检查。扣分：静态审查未执行，示例目录 libs/cua-driver/examples/jev-use/ 内容未提供，无法确认关键路径可复现与错误反馈质量，故不超过 10。
触发条件在 description 中明确（jev-use 配方或类似 Jev 集成，且明确不用于加模型逻辑/凭据），声明了浏览器 v1 / 原生 v2 边界与非适用范围。扣分：面向有 TypeSafe Jev 与 Cua Driver 的开发者，受众较窄；文档无中文说明；核心依赖（cua.ai 安装脚本、Hugging Face、GitHub）在中国大陆可达性未声明。
结构分层良好（决策循环、新鲜度、原生候选、凭据与验证分节），许可 MIT 明确，仓库有版本锚定与变更治理信号。扣分：技能文件本身无版本号/更新日志/维护责任人声明，安装与依赖说明散落在仓库其他 README 而非技能内。
提供可运行的参考示例与确定性 mock 路径，独立 oracle 验证任务完成，价值主张（把决策层与执行层解耦）清晰。扣分：静态审查无法确认输出可直接使用；示例与测试细节未在提供材料中完整可见，比较收益证据有限。
有可审计的一手材料：SKILL.md 中的具体契约与仓库内 CI 工作流（含 mock 断言、凭据泄漏检查、审计脚本）交叉印证。扣分：未执行任何测试，覆盖范围有限，无法达到多重独立可复现。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →