Codex 装上 Jev 决策快 200 倍Jev 系第一个出圈的 CLI 是它【免费下载链接】jevgrepFind code by asking what it does. A CLI for coding agents that uses Jev to discover relevant files and source context.项目地址: https://gitcode.com/gh_mirrors/je/jevgrep2026 年 9 月AI 圈被一个不说话的模型刷屏前 OpenAI InstructGPT 核心作者 Diogo Almeida 创立的 TypeSafe AI 发布 Jev只输出选择 概率不生成一个字。紧接着开发者社区里流传开一组实测数据——给 Codex 装上 Jev 判断模型后Agent 决策比 LLM 快 40–200 倍便宜 40–400 倍输出 Token 免费。就在这波热潮里一个叫jevgrep的开源 CLI 悄悄成了 Jev 系第一个出圈的工程化产物它把 Jev 的选择 概率能力翻译成一条命令让编码 Agent 用一句话找到仓库里真正相关的文件与源码上下文。本文不写Jev 有多神的观感文章而是把两件事对齐一是社区实测数据背后的模型定价与延迟逻辑二是 jevgrep 仓库里真实存在的检索架构与成本审计证据。哪些数字可信、哪些数字需要区分口径看完你心里会有数。判断模型的数据从哪来40–200 倍与 40–400 倍背后是定价结构先说社区流传最广的两组数字。9 月下旬有开发者实测在 Codex 中接入 Jev 判断模型报告Agent 决策比 LLM 快 40–200 倍、便宜 40–400 倍输出 Token 免费同一时期Jev 的定价被多个渠道反复引用输入 0.042 美元 / 百万 token输出免费。这个价格结构是理解快 200 倍、便宜 400 倍的关键——Jev 不是不生成文本的哑巴卖点而是一个把成本从生成换成判断的定价模型它只对喂进去的上下文计费判断结果本身不产生输出 token。快来自它放弃自回归生成、直接输出离散选项概率的推理路径便宜来自输出免费 极低的输入单价。但这里必须把口径说清楚40–200 倍 / 40–400 倍是Jev 判断本身 vs LLM 生成的单项对比不是端到端 Agent 任务的总成本对比。仓库里 jevgrep 自己的 SWE-bench 审计数据用的是另一种口径同样值得看。evals/results/total-cost-2026-09-28.md 记录了含 Jev 在内的十任务总成本审计使用发布版dzhng/jevgrep0.4.3保留与无 Jev 基线相同的8/10 官方 SWE-bench 解决数总成本从$7.6221 降至 $5.6564下降 25.8%含两次未解决任务的失败成本。其中 Sol 侧 $4.1780Jev 侧 $1.4784。Jev 成本按列表价jev-1.13.0输入 $0.042/M 估算输出免费——这正是判断模型便宜的记账体现。配图更早一轮只计 Sol 成本的审计evals/results/relevance-threshold-2026-09-27.md显示 28.63% 的编码 Agent 成本下降README 里对外宣称的约 30%即源于此而含 Jev 的 25.8% 是后续补上的全口径数字。速度方面evals/results/speed-2026-09-28.md 记录了一组同查询诊断对比Jev 原生 TypeSafe 端点中位延迟 140ms而经 Vercel Gateway 中转为 330ms整个搜索流程从 43.4 秒降到 34.3 秒且原生端点无错误、Gateway 则恢复了 64 次内部 503。这就是为什么 jevgrep 在 0.3.0 之后把 Provider 路由做成可选项——见 packages/core/src/providers.ts内置 Vercel AI Gateway、TypeSafe、OpenRouter、OpenCode Zen 四个预设端点加自定义端点jg auth交互式选择后保存凭据搜索全程走同一条 Provider。jevgrep 如何把选择 概率变成文件定位Jev 的 API 一次返回多个布尔问题的概率。jevgrep 的核心工程就是设计一套怎么问、问什么、拿概率后做什么的检索协议把一次次的判断题串成一条从目录到代码行的定位流水线。架构文档 docs/architecture.md 把它概括为分层遍历 内容采样预算不先把整棵树上传给模型而是用目录元数据与内容预览决定探索方向。落地到 packages/core/src/retrieve.ts是三层渐进式筛选目录级试读对每个目录先发送最多 64 个条目的文件名与扩展名分布previewDirectory让 Jev 判断这个目录值不值得探索——对应 packages/core/src/requests.ts 中navigationRequest的目录问题。文件级预览对候选文件发送开头 16KB 的采样内容previewFile让 Jev 判断这个文件是否提供实现、调用方、测试或配置证据。声明级精确定位对通过的文件用 Tree-sitterPython/Go/Rust或 TypeScript 编译器解析出函数/类声明packages/core/src/source.ts 的inspect按批次把这段声明是否直接实现或控制目标行为以及这段声明是否在目标 API 的作用域内作为独立布尔题提交。每次提问返回的都是一组概率q0..qn对应每个条目的相关性。jevgrep 用三层阈值消化这些概率——packages/core/src/retrieve.ts 中relevanceBoundary 0.5准入门槛、weakScoreCeiling 0.6强信号、packages/core/src/selection.ts 中sourceConfidenceBoundary 0.7可展示摘录门槛。值得注意的是同一请求里 Jev 一次回答多条判断题所以目录批次 128 条、字节上限 38KB 的批量策略见score函数能把每次决策的往返成本摊薄。这套协议里有几个细节值得单独说反悔机制上下文跟进阶段selectFile里的 contextual rejection只有有效证据明确否定时才收回先前选中区间失败或未处理的组保留原有证据packages/core/src/selection.ts。这保证一次失败判断不会抹掉已获得的证据。内容哈希校验每次请求发出前freshEvaluation会重新校验源文件的 contentHash防止文件刚被编辑过模型判断的却是旧内容packages/core/src/retrieve.ts 的unchanged。导航字节预算navigationByteBudget 8_000_000在确认到高置信度源码之前探索阶段的序列化字节数超过预算就停止并如实上报发现不完整apps/cli/src/render.ts 中对应low_confidence_budget提示而不是假装搜全了。本地答案缓存判断结果按请求命名空间做 SHA-256 键缓存七天packages/core/src/cache.ts重复提问不重复付费。最终 stdout 输出格式见 specs/done/jevgrep/assets/stdout-example.txt先是文件清单与角色标注接着是带行号的逐字源码摘录最后是声明与调用位置表。README 的定位很克制输出是给 Agent 的证据不是生成好的答案也不保证找到每个相关文件。Codex 生态里还有多少 Jev 系工具在路上jevgrep 是 Jev 出圈的受益者也是最早的工程化样本之一。它的集成方式很能说明 Jev 系工具的分工思路CLI 只负责发现证据实现与测试全交给调用它的 Agent。jg skill命令通过 skills CLI 把 skills/jevgrep/SKILL.md 装进 Claude Code、Codex、OpenCode 等 Agent 的工作目录skill 内容严格限定在何时调用 jg、如何读输出、不完全结果如何处理不掺入调试或实现建议——apps/cli/src/skill.ts 里甚至会在安装时自动检测当前环境里的 Agent 类型。为什么文件发现成了 Jev 系第一个出圈的应用场景因为编码 Agent 的痛点恰好是 Jev 的强项Agent 面对陌生仓库时最常犯的错是关键词搜不到、盲猜文件位置、把叙事性文档当实现。这正是一个高置信度的选择题——这个文件夹/文件/声明是否直接承载查询描述的行为——而非需要生成能力的开放题。Jev 系的其他方向也在同步铺开基于 Jev 的浏览器 Agent 插件已在 GitHub 狂揽 21k star把决策快、延迟低用到页面操作路由上本地可部署的 Laya 等判断模型也在做 Agent 路由与 RAG 排序。Jev 生态的路径已经清晰——判断模型负责把要做什么翻译成选哪个而 jevgrep 证明了这条路径在代码仓库检索上能先跑通、能量化、能省钱。回到开头的问题Jev 系第一个出圈的 CLI 为什么是它因为 jevgrep 没有去蹭判断模型很聪明的叙事而是把 Jev 的概率输出、定价结构与工程预算管理组装成一个可复现的检索协议并用 SWE-bench 十任务审计给出了同解决率下约 26%–30% 的成本下降。数据口径不同40–400 倍是单点决策对比30% 是端到端任务对比但两者指向同一个结论当决策从生成变成选择Agent 的工作流确实变快、变便宜了——而 jevgrep 是这个转变里第一个能拿出手的代码侧落地案例。【免费下载链接】jevgrepFind code by asking what it does. A CLI for coding agents that uses Jev to discover relevant files and source context.项目地址: https://gitcode.com/gh_mirrors/je/jevgrep创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考