ENPT

jevgrep: CLI usa Jev para cortar custos de coding agents em 40%

Última atualização:

Fonte · Ficha do modelo: Jev

Em 26 de setembro de 2026, David Zhang (fundador do Duet, ex-NASA JPL) lançou o jevgrep — uma CLI que usa o Jev para ajudar coding agents a encontrar arquivos relevantes antes de implementar mudanças.

A ferramenta responde perguntas sobre repositórios como “Onde a autenticação é verificada?” explorando a hierarquia do codebase, usando o Jev para julgar relevância de arquivos, e retornando localizações com trechos de código. Ela expõe um sistema de skills que ensina coding agents (Claude Code, Codex, OpenCode) quando chamar jg para coletar contexto.

O claim

Zhang reporta ~40% menos custo de coding agent em uma repetição de dez tasks do SWE-bench: $4.52 com jevgrep vs $7.62 baseline (usando o agent Sol).

O porém: solve rate caiu de 8/10 para 7/10. Zhang enquadra isso explicitamente como “redução de custo com tradeoff de qualidade, não evidência de qualidade igual ou melhor.” A amostra é um subset Python tunado, não o SWE-bench completo.

Métrica Com jevgrep Baseline
Custo $4.52 $7.62
Solve rate 7/10 8/10

Todos os números são self-reported e específicos das tasks. Trate como UnverifiedClaim.

Como funciona

npm install -g @dzhng/jevgrep
jg auth          # configura provider (Vercel AI Gateway, TypeSafe, OpenRouter, OpenCode Zen)
jg skill         # instala a skill do agent
jg "Como eventos de telemetria são gravados?" ./meu-projeto

A CLI envia conteúdo de código elegível para o Jev através do provider selecionado. Respeita .gitignore, exclui pastas de dependências/build, e pula arquivos óbvios de credenciais — mas esses filtros não são garantia de segurança.

Por que importa

jevgrep é um harness de produção validando o pattern “Jev como juiz de relevância” para workflows agentic. A divulgação explícita do tradeoff qualidade vs custo é incomumente honesta para um post de lançamento. A abordagem de skill system — ensinar agents quando usar ferramentas especializadas — pode ser mais interessante que os números de benchmark.

Engajamento alto no lançamento: 244k views, 3,5k likes, ~5k bookmarks em menos de 24 horas.