Jev Filter：AI agent 工具结果的语义筛选

Jev Filter 是由 Apixly 独立维护、采用 MIT 许可证的工具。它根据任务与明确提供的上下文筛选搜索结果、代码候选、日志和命令输出，返回包含来源 ID 与待复核项的精简、类型化证据包；保留的完整原文仍可按 ID 回查。官方 npm 包为 @apixly/jev-filter，也可通过 Python、JavaScript / TypeScript 与只读 MCP 接入。

适用于大量记录需要按同一明确标准做语义判断：哪些检索段落符合证据要求，哪段代码实现某种行为，哪些关联日志表明当前故障。程序负责采集与验证，Jev 做重复判断，主模型规划、推理与写作。安装说明 · 常见问题。

返回工具上下文减少 91.6–97.2%。 2026-10-04 付费 A/B：24 次真实 agent 运行、三个合成场景、两个主模型、每臂重复两次。把相关证据交给 AI，完整原文仍可按 ID 回查。

快速开始 →接入你的 AI核对实测证据

96 条记录，同样精确的选中结果，1.31 秒。

更快的语义筛选，用相同答案核验。 最新付费同输出测试按两个语义条件筛选 96 条合成记录，全部 9/9 次都精确返回同样的 48 个匹配 ID。

这里对比执行路径：CLI 包含启动与主模型回合，模型原生延迟未分离，Jev 后面没有主模型续跑；主模型路径均为 medium 推理、不使用工具。每条路径三次是 smoke 样本，不是整轮 agent 提速或跨任务保证。逐次数据 · 方法与复现。

合批处理重复判断。 另一组 Jev 合批测试从 96 个请求变成 2 个，输入 tokens 减少 56.5%，筛选速度为单条并发 Jev 调用的 2.58 倍（3.215 → 1.246 秒，耗时减少 61.2%）；全部 12/12 次结果精确，不依赖结果缓存。合批阶段证据。

用更少噪声，支撑更多推理

返回工具上下文减少 91.6–97.2%。2026-10-04 实测 24 次真实 agent 运行：三个合成场景、两个主模型、每个实验臂重复两次。过滤后的 agent 12/12 次完整完成任务，原文臂 11/12；全部 24/24 次返回正确 ID 集。

找回更多相关代码。 可选召回结合原生筛选，正确匹配 10/12，精确候选为 4/12，误报为零。查对真正要查的变更。 有界 diff 筛查在两次重复中都选对四个目标变更，相比保留全部文件，返回上下文减少 23.9%。真实调用数据与增加的工作。

同一核心接入 CLI、Python、JavaScript / TypeScript 与只读 MCP，并提供可移植的 agent skill。自动合批、最多 30 个并发请求、不缓存推理结果，把重复判断留在程序里。接入你的 AI。

展示收益，也保留代价

整段任务最强的实测结果是上下文缩减。 六个单元中五个慢了 0.1–18.4%；冷输入 API 等价费用从下降 23.2% 到增加 1.1%。Codex 订阅实际账单未知。小型合成样本不保证你的任务更快或更省。

浏览器的已验证进展： 补充观察到的滚动容器证据后，嵌套滚动夹具在同一严格 0.55 / 0.10 策略下，完成 0/3 → 3/3。六次普通目标运行仍需复核；模型返回 DONE，还必须通过独立终态检查。当前浏览器证据、失败变体与接管研究。

完整测试 · 安装并运行 · 合成流程录制

实用教程

每篇包含合成输入、由调用方定义的契约、预期结果与离线准备步骤。推理需要 TypeSafe Jev API key 并消耗提供方用量；这些示例不构成新的实测结果。

从实际任务开始

参考与项目

CLI 参考 · 架构 · 本地用量看板 · 发行包 · 开发与发布 · 首页设计

推理输入会发送到 TypeSafe。exec 执行你的可信命令；托管执行只允许程序枚举的动作。身份、授权、新鲜度与结果验证仍由现有流程负责。信任边界。

Jev Filter 由 Apixly / JIA-ss 独立维护，采用 MIT 许可证。GitHub 仓库 · English