SmartDigest.ai Tworzone przez AI, żeby nadążyć za AI
Zapisz się

Zapisz się do newslettera

Co tydzień najważniejsze newsy AI prosto na Twój e-mail. Wybierz tematy, które Cię interesują.

Premiera / Narzędzie

Jevgrep szuka kodu za agenta. Ile naprawdę na tym oszczędzasz?

Jevgrep, narzędzie wiersza poleceń wypuszczone przez Davida Zhanga 26 września, szuka kodu po opisie jego zachowania, a o trafności wyników decyduje osobno płatny model Jev firmy TypeSafe AI. Obiecane 40% oszczędności okupiono gorszym wynikiem na SWE-bench, więc uczciwą liczbą jest 25,8% z powtórki na wersji 0.4.3, liczone razem z opłatami za Jev, choć tylko na dziesięciu zadaniach. Wersja 0.5 przerzuca część pracy z powrotem na agenta, przez co przy rozliczaniu za tokeny wychodzi o 2 do 3% drożej, a fragmenty kodu i tak trafiają do zewnętrznego modelu.

Napisała AI, żeby oszczędzić Ci czytania setek źródeł.  ·  Jak to działa

Premiera / Narzędzie  ·  4 min  · 

Jevgrep szuka kodu za agenta. Ile naprawdę na tym oszczędzasz?
Ilustrację przygotowała AI.

Agent programistyczny w nieznanym repozytorium zachowuje się jak nowy pracownik w pierwszym tygodniu: zanim cokolwiek poprawi, długo otwiera pliki, szuka po nazwach funkcji i czyta kod, który okaże się zbędny. Każdy taki krok kosztuje tokeny. David Zhang, programista budujący narzędzia pod agenty, szacuje, że na samo zbieranie kontekstu idzie od 30 do 60% tokenów agenta, choć RuntimeWire zaznacza, że to jego własna ocena, a nie pomiar. Odpowiedzią Zhanga jest jevgrep, narzędzie wiersza poleceń, które wypuścił 26 września.

Zamiast szukać dokładnego ciągu znaków, jak robi grep czy ripgrep, zadajesz pytanie o zachowanie kodu, na przykład gdzie sprawdzane jest logowanie, zanim żądanie trafi do właściwej obsługi. Komenda jg przechodzi wtedy przez katalogi, pliki i deklaracje, a w odpowiedzi wypisuje listę pasujących plików, wskazówki, co przeczytać dalej, i dosłowne fragmenty kodu z numerami linii (README projektu). Rozbiór na deklaracje obejmuje też kod w Go i Ruście, choć tę obsługę narzędzie dostało dopiero niedawno. To nie jest gotowa odpowiedź, tylko materiał dla agenta, który dalej sam wprowadza zmianę i ją testuje. Żeby Claude Code, Codex czy OpenCode w ogóle wiedziały, kiedy po narzędzie sięgnąć, trzeba w projekcie doinstalować osobny opis umiejętności komendą jg skill, bo sama instalacja z npm agenta niczego nie uczy.

O tym, co jest trafne, decyduje Jev, model firmy TypeSafe AI, który zamiast pisać akapity odpowiada na pytania typu tak lub nie i wybiera z listy. Tutaj ocenia, czy dany folder albo funkcja ma związek z twoim pytaniem. Płacisz za niego osobno, przez klucz do Vercel AI Gateway, OpenRouter albo bezpośrednio do TypeSafe. Od tego, jak płacisz za agenta i za Jev, zależy moim zdaniem, czy obiecana oszczędność w ogóle do ciebie trafi, a z kilku liczb, które Zhang dotąd podał, uczciwa jest tylko jedna.

Czytaj dalej za darmo

Podaj e-mail, aby odblokować pełną treść i cały serwis. Zapiszemy Cię do newslettera.

Powiązane

73% trafnych fragmentów zamiast 46%: Jev jako filtr w agencie badawczym Model / Badania

73% trafnych fragmentów zamiast 46%: Jev jako filtr w agencie badawczym

4 min

GPT Researcher domyślnie przepuszcza pobrane fragmenty przez Jev od TypeSafe, model, który zamiast pisać tekst zwraca prawdopodobieństwa z góry ustalonych odpowiedzi, i trafnych okazało się 73% zachowanych fragmentów wobec 46% przy embeddingach, przy tym samym koszcie raportu. Całą różnicę robi próg, bo zmuszony do wypełnienia wszystkich dziesięciu miejsc Jev spadł do 50%. Model kosztuje 0,042 dolara za milion tokenów wejściowych, a reklamowe mnożniki 193,6 i 444,6 pochodzą z testów samej firmy, więc traktuję je jako obietnicę, nie pomiar.

Ponad 20% drożej i ani jednego zadania więcej Analiza / Opinia

Ponad 20% drożej i ani jednego zadania więcej

3 min

Zespół z laboratorium SRI na ETH w Zurychu sprawdził, czy pliki kontekstowe w repozytorium, jak AGENTS.md, realnie pomagają agentom do programowania, i wyszło, że nie: skuteczność mierzona odsetkiem ukończonych zadań ani drgnęła, a rachunek za pracę agenta urósł o ponad 20%. Wynik trzyma się także wtedy, gdy kontekst pisali ręcznie sami deweloperzy, nie tylko model. Pliki zmieniają zachowanie agenta: więcej testuje i dokładniej przegląda repozytorium, co spala tokeny, ale nie zamyka więcej zgłoszeń. Autorzy nie każą wyrzucać AGENTS.md, tylko skrócić go do rzeczy, których agent sam nie zgadnie.

Kev: model decyzyjny w stylu Jev, który postawisz na własnym serwerze Premiera / Narzędzie

Kev: model decyzyjny w stylu Jev, który postawisz na własnym serwerze

4 min

Jared Palmer, pracując z agentem Devin, odtworzył w otwartym projekcie Kev model decyzyjny w stylu płatnego Jev od TypeSafe, który zamiast akapitu tekstu zwraca prawdopodobieństwa dla pytań typu tak lub nie albo wyboru z listy. Kev-9B trafia w 82,2% przypadków, o 3,5 punktu mniej niż Jev, a przy dopuszczalnych 5% błędów automatyzuje od 45 do 57% decyzji wobec 70% u Jev. Jego przewaga leży gdzie indziej, bo model można douczyć na własnej historii decyzji bez utraty dawnej sprawności, czego zamknięty Jev nie pozwala zrobić.