THE JEV GUIDE · CURATED EDITION
Launch News, Erklärungen, Demos und Community Projekte rund um TypeSafe Jev, nach Themen geordnet. Jeder Eintrag verweist auf die Quelle bei X.
Kuratierte Auswahl · Nicht vollständig · Manuell aktualisiert
Sponsors
Diese Produkte finanzieren das Verzeichnis. Ihres auch hier?
Der Autor kombiniert die Denkfähigkeit von Claude mit der Geschwindigkeit von Jev in einer einzigen Codierungspipeline und schafft so einen nahtlosen Ablauf von Prompt über Planung bis Ausführung. Seiner Ansicht nach wirken herkömmliche KI-Codierungsagenten dadurch langsam und teuer.
Jonathan Ellis teilt sein ANN-basiertes Deduplizierungsexperiment, bei dem Jev Top-k-Kandidaten klassifiziert. Vorteile: etwa 10k Zeilen Code entfernt und 30 subtile Fehler behoben, die durch fast identische Duplikate verursacht wurden. Nachteile: weder günstig noch schnell; ca. 166 $ API-Kosten für 207M Opus-Tokens und fast 8B Luna-Subagenten-Tokens (über mjolnir).
Tessl führte etwa 2.725 Verifier-Prüfungen am eigenen Produktionscode aus: GPT Luna 6 benötigte 436 s, Jev nur 32 s bei 2,7-fach geringeren Kosten. Beide Modelle stimmten bei 85,9 % der Entscheidungen überein. Methode und Befehle sind verfügbar. Link
Dieser Artikel untersucht die potenzielle Rolle des TypeSafe-Jev-Modells bei Programmieraufgaben und analysiert seine Fähigkeiten und Anwendungsrichtungen als KI-Coding-Agent. Link
Der Autor diskutiert Modulverträge und strukturierte Rückgaben, weist darauf hin, dass Freitext Interpretationen erzwingt, Tools wie Jev helfen, aber der eigentliche Punkt ist, strukturierte Schemata in eigenen Abläufen zu verlangen.
One card in the feed, every sixteen, on every page of it. $50 a week, cancel any week.
Der Autor erklärt, wie er Jev nutzt, um zu erkennen, welche HTML-DOM-Elemente übersetzt werden müssen, nur sichtbare Bereiche verarbeitet, Anfragen bündelt und beim Scrollen nach Bedarf lädt – token-sparend mit einem evot-Modell.
Der Autor kombinierte Jev mit Claude Opus 5.5 und Sonnet 5.5 und führte drei Vergleichsrunden über 47 Tickets in einem Repository durch. Das Ergebnis zeigt, dass ein Workflow mit Jev erhebliche Entwicklungsarbeit zu sehr geringen Kosten erledigen kann.
Der Beitrag argumentiert, dass das beste Codierungsmodell nicht auch die Workflow-Scheduling übernehmen sollte. Stattdessen erhält ein Backend-Workflow Repo, Anforderungen und Codebeispiele, und das teure Schreibmodell erstellt den Code — ein zentraler JEV-Anwendungsfall.
Der Nutzer ließ 15.000 GitHub-Issues durch Jev prüfen (Reproduktionsschritte, klarer Fehler, begrenzter Umfang, ob Code gelesen werden muss) und übergab schließlich 360 an Claude Sonnet 5.5.
Der Autor merkt an, dass etwa zwei Wochen nach Jev auch OpenAI, Cloudflare und AWS mit ähnlichen Ideen kamen. Er hat für weniger als einen Cent rund 50 Fragen gesendet und während der Warteliste ein Open-Source-Modell lokal ausgeführt. Der verlinkte Artikel stellt vor, Entscheidungsmodelle bei 8 DevOps-Aufgaben auszuprobieren, mit Themen wie ContextLayer, AnyAgentSameContext und AgenticAI. Link
Der Autor erwähnt, dass neuere Jev-Themen überschattet wurden, teilt aber eine Zusammenfassung der Erprobung in der Agentic Software Factory, einschließlich des Hinzufügens von Sensoren zur Überprüfung von Vorschriften.
dotpals integriert Jev, um die tatsächliche Ausgabe zu überprüfen, wenn der KI-Agent behauptet, alle Tests bestanden zu haben, und kennzeichnet Fehlschläge mit 92 % Konfidenz – eine unabhängige Prüfung für jeden Testlauf.
