THE JEV GUIDE · CURATED EDITION
Annonces, explications, démos et projets communautaires autour de TypeSafe Jev, organisés par thème. Chaque entrée renvoie à sa source sur X.
Sélection curée · Non exhaustive · Mise à jour manuelle
Sponsors
Ces produits financent l’annuaire. Envie d’y voir le vôtre ?
L'auteur combine le raisonnement de Claude avec la vitesse de Jev dans un pipeline de codage unique, créant un flux fluide du prompt à la planification puis à l'exécution, et estime que cela rend les agents de codage IA traditionnels lents et coûteux.
Jonathan Ellis partage son expérience de déduplication basée sur ANN, avec Jev pour classer les candidats top-k. Résultats : environ 10k lignes de code supprimées et 30 bugs subtils corrigés liés aux quasi-doublons. Inconvénients : coût élevé et lenteur, ~166 $ en tarification API pour 207M tokens Opus et près de 8B tokens subagents Luna (via mjolnir).
Tessl a exécuté environ 2 725 vérifications sur son code de production : GPT Luna 6 a pris 436 s, Jev seulement 32 s, avec un coût 2,7 fois inférieur. Les deux juges étaient d'accord sur 85,9 % des décisions. Méthode et commandes disponibles. Link
Cet article explore le rôle potentiel du modèle Jev de TypeSafe dans les tâches de programmation et analyse ses capacités et orientations d'application en tant qu'agent de codage IA. Link
L'auteur discute des contrats de module et des retours structurés, soulignant que le texte libre force l'interprétation, que des outils comme Jev aident, mais que l'essentiel est d'exiger un schéma structuré dans vos propres flux.
One card in the feed, every sixteen, on every page of it. $50 a week, cancel any week.
L'auteur partage comment il utilise Jev pour identifier les éléments DOM à traduire, ne traiter que les zones visibles, regrouper les requêtes et charger à la demande au défilement, tout en économisant les tokens avec un modèle evot.
L'auteur a combiné Jev avec Claude Opus 5.5 et Sonnet 5.5, menant trois séries de tests comparatifs sur 47 tickets dans un même dépôt, montrant qu'un pipeline intégrant Jev peut traiter un gros volume de travail de développement à très faible coût.
Le post explique qu'il ne faut pas laisser le meilleur modèle de codage gérer l'ordonnancement. On fournit dépôt, exigences et exemples à un workflow backend, et le modèle d'écriture onéreux génère le code — c'est un cas d'utilisation clé de JEV.
L'utilisateur a passé 15 000 issues GitHub via Jev, qui a vérifié quatre critères (étapes de reproduction, échec clair, périmètre limité, nécessité de lire le code), pour finalement transmettre 360 issues à Claude Sonnet 5.5.
L'auteur indique qu'environ deux semaines après Jev, OpenAI, Cloudflare et AWS ont présenté des idées similaires. Il a envoyé environ 50 questions pour moins d'un centime et a exécuté un modèle open source en local pendant la liste d'attente. L'article lié propose d'essayer des modèles de décision sur 8 tâches DevOps, avec des thèmes comme ContextLayer, AnyAgentSameContext et AgenticAI. Link
L'auteur mentionne que les récents sujets sur Jev ont été éclipsés, mais partage un résumé des essais dans Agentic Software Factory, notamment l'ajout de capteurs pour vérifier les réglementations.
dotpals intègre Jev pour vérifier la sortie réelle lorsque l'agent IA prétend que tous les tests passent, signalant les échecs avec une confiance de 92 % et ajoutant un contrôle indépendant à chaque exécution de test.
