Jevgrep瞄准 Coding Agent 找码环节，SWE-bench 实验成本降约 29%

开发者 David 基于 Jev 开源了一个面向 Coding Agent 的代码检索研究工具 Jevgrep，目标是压缩 Agent 在代码库里「找代码」这一步的 token 消耗。

按项目描述，用户只要提出类似「登录校验写在哪里」这样的问题，Jevgrep 就会借助 TypeSafe 的决策模型 Jev，对代码仓库做逐层搜索，找出相关文件和源码片段，再把结果交给 Claude Code、Codex 等 Agent 继续修改和测试。

不把整个仓库直接塞给模型

Jevgrep 主要处理的是 Coding Agent 最费 token 的代码定位环节。它不是先把整个仓库交给模型，也不是只做一次语义搜索。

这套工具会先判断哪些目录值得继续搜索，再检查相关文件和代码声明，最后返回源码片段、对应行号，以及后续阅读线索。仓库里还提供了 Skill，用来提示 Agent 何时调用 jg 收集上下文。

SWE-bench 实验完成数相同，Sol 费用下降 28.63%

最新 SWE-bench 实验使用了 10 个 Python 任务。结果显示，使用 Jevgrep 和不使用 Jevgrep 的两组实验都完成了 8 个任务。

不过，在 GPT-5.6 Sol 的总成本上，使用 Jevgrep 的方案从 7.62 美元降到 5.44 美元，减少 28.63%。作者最初在 X 上写的是 40%，代码仓库随后更新了实验结果，目前表述已经改为「约 30%」。

未计入 Jev 费用，实际总额未知

这组数字只统计了 Sol 的费用，没有把 Jev 算进去。根据实验日志，能够确认的 Jev 调用费用至少有 1.57 美元，另有部分调用缺少完整计费记录，因此实际总成本仍未披露。

另外，这组实验只覆盖 10 个任务，而且每道题只运行了一次。