【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点击查看免费下载本篇技术指南基于 Jevgrep 官方基准评测报告 speed-2026-09-28.md 及其配套的机器可读数据 speed-2026-09-28.json完整还原一次以在不损失任务解决能力的前提下缩短检索耗时为目标的受控实验候选版本如何保留全部 8/10 官方解、将含检索在内的 Agent 墙钟时间缩短 29.16%并对比分析七项局部优化策略的实测取舍。读完本文你将掌握 Jevgrep 检索管线中源校验时机、忽略规则缓存、provider 并发度、原生二进制扫描、原生 TypeSafe 路由等关键旋钮的实测效果与取舍逻辑以及如何读懂该评测体系下的证据边界。一次不牺牲任务结果的速度对比实验Jevgrep 是一个面向编码 Agent 的 CLI通过 Jev 模型按功能描述发现相关文件与源码上下文。速度评测的意义在于——检索快了Agent 花在等待检索上的时间就少了但这绝不能以丢失官方测试解为代价。本次实验speed-2026-09-28.md沿用了评测体系 evals/README.md 确立的原则使用 SWE-bench 官方行为评分器、复用冻结的安装包评测脚手架 installed.md、基线不可重跑。实验在十个调校过的 Python 任务上各执行一次首次尝试编码 Agent 为openai/gpt-5.6-solmedium 努力档Jev 检索走 TypeSafe 原生端点Sol 仍经 Vercel Gateway检索技能为冻结的公开版技能public skill SHA-256 为04d4d7b59d12...见 speed-2026-09-28.json。核心结果同样的 8/10更快的墙钟、更省的 Sol 开销冻结的候选版本保留了上一轮评测中十个任务中的八个官方解且整体完成时间显著缩短十任务合计候选版本上一轮 Jevgrep无 Jev 基线官方解数量8/108/108/10Agent 墙钟时间含检索1,947.24 s2,748.89 s2,230.46 sSol 输入 输出 tokens5,810,2845,866,9299,933,430Sol 成本$5.3379574$5.4396530$7.6220690换算为相对变化相对上一轮 Jevgrep 队列整体快29.16%Sol tokens 少 0.97%Sol 成本低 1.87%相对固定无 Jev 基线快12.70%便宜29.97%Sol tokens 少41.51%。需要强调的是口径细节原文明确列出的边界所有首次尝试都计入统计包括未解决的 Matplotlib 与 Pylint 任务编码 Agent 基线no-Jev没有重跑复用保存的固定基线Jev 的 tokens 与成本不计入得分检索返回的上下文依然计入 Sol 账单原生 Jev 响应不提供价格元数据因此其 API 成本是未知而非为零speed-2026-09-28.json 的jev_api_cost字段明确记录了这一口径。逐任务明细可从 speed-2026-09-28.json 的rows中读取每个任务都附有 archive identity、receipt hashes 与匹配指标。例如 Sphinx 任务墙钟从 545.29 s 降至 172.57 sDjango 从 408.78 s 降至 311.91 sSymPy 的 Sol tokens 从 621,998 降至 263,652而 Requests 与 Matplotlib 则比上一轮更贵详见后文限制与任务差异。候选版本到底改了什么报告开篇即说明变更内容这些改动与 packages/core/src/retrieve.ts 等源码实现一一对应源校验改为每次 HTTP attempt / 缓存命中返回前校验一次检索仍然串行化这些校验重试仍然检查 freshness。移除一次冗余的初始读取减少本地工作同时不允许缓存结果绕过源已变更或忽略规则的检查。二进制检测改用原生正则扫描与原有的字节排除规则保持一致。忽略规则身份缓存早期版本已随 v0.4.2 单独发布本次候选版本包含该能力。Jev 走 TypeSafe 原生端点候选版本使用 TypeSafe 原生接口调用 JevSol 仍走 Vercel Gateway。现有用户保存的 provider 选择不变公开检索技能完全不变。源码层面的一次校验实现在 packages/core/src/retrieve.ts 中freshEvaluation通过beforeAttempt钩子把所有 source 的未变更校验串行排入一条验证队列let validationQueue: Promisevoid Promise.resolve(); async function freshEvaluation(request, sources, navigation false) { const validate async () { for (const source of new Map(sources.map((source) [source.path, source])).values()) { if (!(await unchanged(source))) throw new EvaluationFailure(source-invalid); } }; const beforeAttempt () { const pending validationQueue.then(validate); validationQueue pending.catch(() {}); return pending; }; return evaluator.evaluate(request, { navigation, beforeAttempt }); }关键点beforeAttempt由 packages/core/src/evaluator.ts 在两条路径上执行——既在每次真实 HTTP attempt 之前await policy?.beforeAttempt?.()见 evaluator.ts 第 159 行也在缓存命中返回之前第 134 行。也就是说源的新鲜度校验被精确地绑定在每次对外发生副作用的边界上而不是在管线入口做一次性的全局预校验。这样既删除了重复的初始读取又保证了缓存的答案不会在源文件已变更或忽略规则已更新时被错误复用。unchanged本身retrieve.ts通过重读快照并比对contentHash判断源是否仍与进入检索时的版本一致一旦发现变化会把该文件的角色、优先级、摘录等状态清空并标记sourceOmitted确保后续阶段不再基于过期内容给出上下文。原生 TypeSafe 路由的配置依据packages/core/src/providers.ts 中注册了四种 provider本次实验切换的是typesafe: { label: TypeSafe, baseURL: https://api.typesafe.ai/v1, model: jev-1.13.0, },而 Sol 继续走vercel的 Vercel AI Gatewayhttps://ai-gateway.vercel.sh/typesafe/v1。评测数据 speed-2026-09-28.json 中jev_provider: typesafe记录了这一选择该 JSON 同时注明候选版本描述为v0.4.2 plus native binary scan and one source validation per transport attempt/cache return; no lazy-preview change即本次候选 v0.4.2 原生二进制扫描 每次传输 attempt/缓存返回前的单次源校验不含延迟富预览改动。七项策略的实验发现与取舍报告以一张证据表给出了各项局部优化的实测结论这是整篇文档最富实战价值的部分逐项解读如下策略证据与决策复用未变更的忽略规则记录回放从 82.6 s 降至 16.7 s输出一致fresh identity 检查与 mutation 测试保证忽略规则的变更仍被感知。已随 v0.4.2 单独发布。重读后复用编译后的规则单次隔离回放反而更慢108.3 s 对比 82.6 s。未采纳。provider 并发从 32 降到 8HTTP 失败更少但更慢29.0 s 对比 24.2 s且两次诊断运行中目录发现都不完整。维持 32。将富预览推迟到准入之后回放输出一致但实时任务没有明显的增量收益。保留为待办实验本次候选不含此改动。原生二进制扫描扫描微基准约快 6.3 倍交替整文件读取场景约快 5%。采纳但不在整体任务层面宣称微基准收益。每次 attempt/缓存返回前校验一次匹配的 365 请求回放 10.46 s 完成缓存篡改反证与队列/重试 freshness 测试全部通过。采纳。原生 TypeSafe 路由同查询诊断中位数 140 ms 对比 Gateway 的 330 ms检索 34.3 s 对比 43.4 s。原生零错误Gateway 恢复了 64 次内部 503。用于确认。从源码理解并发 32与重试的相互作用并发度 32 是 packages/core/src/evaluator.ts 中concurrency的默认值options.concurrency ?? 32也是 retrieve.ts 中stageWorkers的取值。实验尝试降到 8 之所以失败从实现上可以解释score阶段的批处理队列retrieve.ts依赖多个 worker 并行泵出待评分组并发降低会拉长整棵导航树navigation tree的评分时间同时 8 并发下目录发现不完整说明该任务负载下 32 并发是吞吐与稳定性之间的平衡点。重试逻辑同样值得注意evaluator.ts导航类且含多个问题的请求 attempt 上限为 1其余为 2429 时会依据retry-after头设置冷却窗口第 83-94 行并将导航请求的 attempt 上限提升到 2第 213 行。实验中原生路由零错误、Gateway 恢复 64 次内部 503的对比正是在这一重试/冷却机制下得到的——原生端点把 503 类故障从源头消除避免了重试与冷却带来的额外等待。缓存策略为何能与单次校验共存packages/core/src/cache.ts 的评估缓存以请求内容 命名空间model / provider / endpoint / protocol / policyVersion / parserVersion / promptVersion的 SHA-256 摘要为键默认 TTL 7 天、容量上限 256 MB、单条目上限 1 MB。缓存命中本身不重发 HTTP 请求但如前所述命中路径同样会先经过beforeAttempt的源校验——这正是移除冗余初始读取但不允许缓存绕过变更检测的实现保证缓存减少的是模型往返不是本地的新鲜度检查。原生二进制扫描的上下文二进制检测的原生正则扫描对应 packages/core/src/source.ts 中inspect/splitSource等基于字节偏移的切片逻辑sourceText用Buffer.byteLength计算行偏移textUnits在 UTF-8 字节边界上切分单元见 source.ts。这类逐字节的判定从 Python 辅助python-worker.mjs迁移到原生正则后省去了进程往返从而在扫描微基准中带来约 6.3 倍的提升但报告谨慎地声明这一微基准收益不被当作整体任务加速的证明——本地扫描只是整条检索链路的一环。原始 trace、回放输入与保留的实验补丁存于被 git 忽略的evals/runs/swebench/speed-research/目录作为研究证据而非替代性的产品实现。限制与任务差异这份报告证明了什么、没证明什么报告对自己的证据边界有非常清晰的自述引用时务必一并说明任务集与抽样这是十个调校过的 Python 任务、每任务一次首次尝试。聚合层面很小的 token 与成本差异0.97%、1.87%可能只是抽样波动。结论支持本次测量的这个队列不承诺对任意任务、语言、provider 或机器都必然改善。运行时重建重建的 Docker 运行环境固定了官方源镜像与经校验的归档工具链主机模拟也会影响绝对耗时。因果不隔离provider 选择、本地优化与采样共同作用于测量结果本次队列不隔离它们的单独贡献。任务间的非均匀表现Requests 与 Matplotlib 比上一轮更贵Requests 虽然先检索到了实现与测试Sol 仍做了大范围搜索与额外验证Matplotlib 的全部 815 次原生请求成功中位 267 ms、p95 500 ms但耗时几乎不变——其官方input-copying测试仍未解决且无官方 pass-to-pass 失败。报告由此总结健康的上游延迟本身并不能消除本地工作或依赖发现轮次。SymPy 与 Pylint 大幅减少时间与 tokensPylint 虽快143.47 s 对比 326.41 s但依旧未解出任务。结论速度比较就此收官报告明确给出停止决策本次速度对比已完成采纳的候选版本在该次运行中保留了此前全部解与聚合 token 节省无需再为汇报这一结果追加付费试验。与上一轮以成本为核心的评测 relevance-threshold-2026-09-27.md同样 8/10、Sol 成本 $5.4396530 对比基线 $7.6220690配合阅读可以完整看到 Jevgrep 从成本优化到速度优化两阶段的证据链前者确立 source-first 检索与准入阈值0.5等参数后者在不动任务结果的前提下把检索等待压了下来。对想要复现或继续优化检索管线的读者建议按以下顺序深入源码retrieve.ts整条检索管线freshEvaluation的验证队列、score批处理与 32 并发泵、目录发现与锚点重评evaluator.tsattempt/重试/冷却/缓存命中路径beforeAttempt的执行时机cache.ts缓存键、TTL、容量上限与篡改防护providers.ts四种 provider 的 baseURL 与模型名installed.md评测脚手架的运行与记账口径工作时钟、Jev 与 Sol 分开记账、总成本未知则不算成本胜利。最后再次强调报告的自我约束速度优化是测量出的队列结果不是对每类任务的保证引用本文数据时请连同上述限制与任务差异一并说明避免把聚合收益误读为通用结论。赞分享【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点击查看免费下载相关推荐Jevgrep Source-First 检索实验SWE-bench 十任务队列中 33.53% 的编码 Agent 成本降幅评估Jevgrep Source First 检索实验SWE bench 十任务队列中 33.53% 的编码 Agent 成本降幅评估 Jevgrep 是一套面向Pwndbg kmem-trace 实战用断点追踪内核 SLUB 与 Buddy 内存的分配/释放Pwndbg kmem trace 实战用断点追踪内核 SLUB 与 Buddy 内存的分配/释放 kmem trace 是 pwndbg 内核Kernel10倍提速Scrapy异步任务队列深度优化指南10倍提速Scrapy异步任务队列深度优化指南 Scrapy是一个快速的高级Python网络爬虫框架通过优化异步任务队列配置可以显著提升爬取效率。本文将分享网页爬虫后端上一篇vanilla-extract与CSS变量的类型安全避免运行时错误下一篇从表单到云端jQuery Validation实现Apple Music Mobile支付安全验证创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考