从「只做选择题」到删差评、筛电影、接管电脑Jev 能力边界盘点fast-jev-compaction 只用了 1%【免费下载链接】fast-jev-compactionClaude Code plugin that replaces the compaction summary with Jev decisions: every tool call and result is scored in one fast request, stale ones are dropped or truncated, everything kept stays verbatim.项目地址: https://gitcode.com/gh_mirrors/fa/fast-jev-compaction2026 年 9 月中旬一家结束两年隐身期的初创公司 TypeSafe AI 在 Hacker News 上发布了一个「不生成一个字」的模型 Jev单日冲到 1863 分、491 条评论。此后两周围绕它的开源生态迅速膨胀到 28 个项目有人拿它打宝可梦对战有人让它接管浏览器有人让它分类邮件、给商品打标、筛选电影甚至有人让它「删差评」——这些玩法听起来一个比一个离谱而其中真正拿到 4.7k star、被大量开发者装上生产环境反复验证的是本文要拆解的 fast-jev-compaction一个用 Jev 逐条决策替代 LLM 摘要、给 Claude Code 做上下文压缩的插件。这个巧合很有信息量。Jev 的能力边界到底画在哪里为什么「删差评、筛电影、接管电脑」这种热闹玩法热度远不如一个老老实实做压缩的工具本文结合社区实测与仓库源码把 Jev 的玩法版图铺开再回到 src/ 与 hooks/ 里逐行核对这个「爆款落地」到底做对了什么——以及它为何只算是 Jev 能力的一小角。Jev 已公开的玩法版图从上下文压缩到浏览器 Agent先把 Jev 是什么说清楚。它不是「加了输出限制的 LLM」而是一类新的模型形态不生成文本只对给定的问题输出带类型、带概率的答案。官方定义三种原语primitivesboolean是/否返回 P(true)、choice选哪个返回全分布 置信度、score打几分返回分数 分布。一次请求里所有问题并行评估官方实测 13 个问题合并成一次调用比拆 13 次便宜 11.5 倍、快 9.6 倍。名字取自《思考快与慢》LLM 是 System 2慢、深、逐 token 推理Jev 想做 System 1快、直觉、直接给判断。过去两周社区用这套原语长出来的玩法大致可以分成四类判断型 Agent 控制。最出圈的是 Browser Use 官方集成 jev-ultrafast把浏览器的动作空间做成「操作 目标」两组 choice 问题一次网络往返出两个决策全程无截图Google Flights 搜一趟苏黎世→伦敦机票只要 7.1 秒。官方 demo 还有用结构化游戏状态驱动 Doom每秒问 10 次「往哪走、开不开枪」成本约 $7/小时。HN 评论区为此吵了一架「游戏 QA 要变天了」对阵「你们 reinvent 了外挂」。内容分类与打分。删差评、筛电影属于这一类把待处理内容丢进 state问「这条评论该删吗」「这部电影打几分」一次请求批量扫完之后整张表可以直接用 SQL 查。这类玩法门槛最低也最接近 Jev 的「语义列」定位——一句话个性化分类器、评论属性抽取、简历初筛都是同一路线。模型路由与护栏。用 Jev 分类意图、估算难度把简单请求路由给便宜模型、难的升级给贵模型或者用它审 LLM 输出、查引用、测越狱。HN 上的共识是这类前置层能替掉 pipeline 里 40~70% 的 LLM 调用是公认最稳的用法。上下文压缩。也就是 fast-jev-compaction 所在的位置不生成摘要而是对整个会话历史里的每条工具调用逐条做「留不留」的二元判断。这四类玩法的共同特征是高频、窄域、可回退。它们都没有让模型「自由发挥」而是把判断逻辑留在代码里让模型只负责在封闭空间内给出带概率的选择。fast-jev-compaction 为何出圈决策模型的第一个爆款落地在 Jev 的所有落地里fast-jev-compaction 拿到的是最快的 star 增长曲线发布当天即 1500 星后续到 4.7k。原因很朴素它解决的是一个所有 Coding Agent 用户每天都会遇到的痛而不是一个 demo 式的新奇场景。痛点本身在 README.md 里说得很直白传统上下文压缩是让 LLM 把旧对话「总结」成一段话。摘要是有损的——一个文件路径、一条精确报错、一个约束、一条命令可能正好在关键时刻消失。fast-jev-compaction 的立场是从不改写任何东西只删除。用户和助手的文本保持原文、保持顺序Jev 只对「这条工具调用还要不要、这条工具结果还要不要原文」做出判断。这个思路在社区里被反复概括成一句话把压缩从「生成题」变成「选择题」。CSDN 上多篇热评都抓住了同一个核心——「摒弃传统 LLM 有损摘要」「杜绝摘要式改写确保用户/助手文本与保留内容零失真」。而这正是 Jev 这类决策模型唯一擅长的能力形态。仓库源码把「选择题」做得相当扎实。整个压缩管线在 src/compact.ts 里清晰可见配对src/state.ts 的collectToolCalls用tool_use_id把每条tool_use和它的tool_result配对第一条消息和最新preserveRecentMessages条消息里的调用被「钉住」pinned永不参与决策。state 构建发给 Jev 的 state 是完整对话最旧在前每条工具结果被替换成一行简短标注——ok, 4213 chars (omitted)工具输入和文本全量保留什么都不总结。两问一决策对每条未钉住的调用Jev 收到两个 noul 问题——call_t1「知道这条调用发生过、带着它的输入对后续还重要吗」和result_t1「这条调用的完整输出还需要原文保留吗」。见 src/compact.ts 的questionsFor。阈值裁决src/compact.ts 的decideCall按keepThreshold默认 0.5决定三种动作keepResult ≥ 阈值→ 调用和结果都保留否则keepCall ≥ 阈值→ 保留调用、结果截断到truncateHeadChars默认 300 字符加一行说明否则调用连同结果一起删除。关键在于第 5 步之后的重建applyDecisions被判定删除的调用连结果一起消失被截断的结果保留一个头部和说明——[fast-jev-compaction truncated 1700 chars of this tool result; re-run the tool if needed]任何结果都不会脱离它的调用单独存在未触碰的消息以原对象原样返回。「1%」的说法也来自这里Jev 官方能力远不止 noul 一种原语——choice 可以做浏览器动作选择、score 可以做内容打分——而 fast-jev-compaction 全程只用了一个 boolean 原语把「判断」做得足够好。它验证的正是那句「带概率的智能 if 语句」一个足够可靠、足够便宜的二元判断就足以重构一个高频基础设施。能力边界的本质System-1 判断型任务的适用面为什么 fast-jev-compaction 用 1% 的能力就立住了因为它精准踩在 Jev 的能力边界之内。这个边界可以从两个维度刻画。第一维度任务的封闭性。Jev 的「零幻觉」是有严格适用范围的——它不可能输出选项集合之外的值因为分布永远定义在你给的 criteria 上这是数学保证但它可以在选项之内高置信度地选错。所以它适合的是「判断有标准答案、错误可回退」的任务。上下文压缩恰好如此删错了助手随时可以重跑工具、重读文件。README 的 Limitations 部分白纸黑字写着The assistant can always re-run the tool——这不是免责声明而是这套方案的回退前提。第二维度任务的推理深度。社区泼冷水的实测给出了清晰的负样本。有人用德州扑克求解器做地面真值测了 150 个决策点Jev 与最优解吻合率只有 63%手持天顺时 16 次运行 16 次全下正确动作是 check而且置信度倒挂——错得最离谱的地方给出 0.86 的最高置信度。结论是它没法从原始牌面自己推理出「我输了」得有人把答案嚼碎喂到嘴边。迷宫单步也解不稳推测训练分布里压根没有空间推理。换句话说Jev 是「判断器」不是「推理器」——它不生成、不推理链、没有测试时计算智能上限被锁在「非推理」水平。把两个维度叠起来看Jev 的能力边界就非常清晰System-1 判断型任务——封闭选项、可回退、不需要从原始信息推出隐含结论。分类、打分、路由、护栏、压缩全在这个象限里扑克、迷宫、需要推理链的任何任务都在边界之外。fast-jev-compaction 的高明之处在于它甚至没有让 Jev 做「整段对话值不值得留」这种大判断而是把它拆成每一条工具调用的小判断。compact函数里batchCalls把问题分批、Promise.all并发请求、答案合并——把「判断逻辑放在代码里而不是模型里」这个原则执行到了极致。这是 Jev 生态里公认的最佳实践speculative fan-out一次发全部问题 composite scoring多个简单判断加权合成复杂判断fast-jev-compaction 是 fan-out 的教科书级示范。哪些「看着好玩」的应用其实不靠谱Jev 的传播热度主要靠「好玩」但好玩和靠谱之间隔着一条明确的线。把社区实测和源码对照着看可以给三类热门玩法各贴一个结论。「删差评」类内容审核——可用但有校准前提。这类任务在 Jev 的适用象限内封闭判断、可回退、标准相对明确。但社区实测反复强调一个前提置信度是针对预测群体校准的不保证单个答案正确。CSDN 的一篇热评也点出了同样的顾虑——「置信度不可控」正是传统 LLM 做压缩的老毛病Jev 通过校准改善了它但阈值必须在自己业务的数据上调。直接全自动删差评是把「概率」当「证明」用。fast-jev-compaction 的处理方式值得抄作业minReductionRatio默认 0.25压缩收益不够就回退到内置摘要见 hooks/fast-jev.ts 的registerJev 失败、响应畸形、缺 key、历史装不进 state全部走同一个 fallback 路径——这是「决策模型 确定性回退」的工程范式。「接管电脑」类动作选择——方向对但还远。Browser Use 官方集成证明了浏览器 Agent 的可行性7.1 秒搜完机票但注意它的实现细节动作空间被做成 choice 问题一次网络往返出两个决策全程无截图。它把「看屏幕」这个感知问题整个绕过了——感知仍然在代码侧完成Jev 只做动作选择。Doom demo 同理游戏状态是代码喂进去的结构化数据不是 Jev 自己「看」出来的。所以「接管电脑」的真相是Jev 是动作选择器不是环境理解器真正的智能感知仍然要靠外部系统。任何宣传「Jev 自己看懂屏幕然后操作」的说法都越过了实测边界。「筛电影」类批量打分——性价比最高但别当推荐系统。这类是 Jev 的甜点区$0.042/百万 token 的输入价扫库才扫得起一个 score 原语整张表几分钟几美元扫完。但同样有边界它是「语义列」不是「推荐引擎」打分标准完全由你的 criteria 定义模型不会自己建立用户画像。HN 上那句总结很准确——它适合「大语料 map-reduce」不适合需要推理链的个性化推荐。最后回到那个 1%。fast-jev-compaction 的启示不在于 Jev 有多强而在于一个 100ms、一厘钱的判断原语如何重构了一个每天被上亿次执行的基础设施。它只用了 boolean 一个原语就替代了 LLM 摘要式压缩——不是因为它聪明而是因为「这个调用还要不要」恰好是 Jev 能给出可信答案的那类问题。判断型 AI 的工程化路径从来不是让模型做更多而是把任务拆到模型能可靠回答的最小粒度再把回退逻辑写进代码。理解了这条线你就能从「看着好玩」的 demo 里分辨出哪些是真正的生产级落地。【免费下载链接】fast-jev-compactionClaude Code plugin that replaces the compaction summary with Jev decisions: every tool call and result is scored in one fast request, stale ones are dropped or truncated, everything kept stays verbatim.项目地址: https://gitcode.com/gh_mirrors/fa/fast-jev-compaction创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考