用途:jev-context 用于在上下文压缩前审查大型工具结果的相关性,先提出保留/丢弃建议;也可针对压缩检查点提供建议。它强调保留原始可检索内容,并区分“压缩时机”与“保留什么”两个问题。
主要能力:逐命名块提出相关性审查,保留不确定或未判断块;以建议/影子模式报告“将会隐藏什么、何处可召回、为何与当前任务相关”;支持批量提交共享任务背景下的独立问题。不直接修改 transcript 文件,只有宿主原生操作且获授权才能压缩。
使用方式:需用户先选择路由。A 真实 Jev:使用 OpenRouter 密钥(https://openrouter.ai/settings/keys)或 TypeSafe 密钥(https://console.typesafe.ai),在本地配置。B 模拟:使用当前代理或明确选定的模型,返回 mode: agent_simulation 或 model_simulation,且 jev_called: false。命令示例:jev-decide decide <skill-dir>/assets/example.json --dry-run;确认后可去掉 --dry-run 发送。官方 TypeSafe 路由追加 --provider typesafe。CLI 需 Python 3.10+,来自已审查的 jev-skill 包。
限制:不静默改目标、发数据、建账号或换宿主模型;API 错误不代表可切换提供方;模拟不等同于 Jev 或校准概率;缺失证据用 null/review;阈值需在用户任务上测试;宿主负责调度调用,CLI 无并行调度器;Jev 不继承代理历史。