Le mod Jev pour Claude Code : Économie de tokens et accélération du traitement des compétences
Les développeurs ont introduit le mod Jev pour Claude Code, optimisant l'utilisation de la fenêtre de contexte de l'IA en chargeant les compétences à la demande et en accélérant le traitement des requêtes par plusieurs facteurs.
Un nouveau mod pour Claude Code est apparu, permettant d'économiser considérablement des tokens. La fonctionnalité clé de Jev réside dans le fait que, au lieu de charger immédiatement toutes les compétences disponibles dans la fenêtre de contexte du modèle, celles-ci restent hors de celle-ci jusqu'à ce qu'elles soient réellement nécessaires.
Jev analyse les compétences disponibles et sélectionne celle qui convient à chaque requête, l'ajoutant dynamiquement au contexte. Cela permet d'éviter une surcharge inutile de la fenêtre de contexte de l'assistant IA.
Résultats des tests
L'équipe a testé la suggestion de compétence Jev contre divers modèles Claude. L'expérience comprenait 26 compétences, 10 prompts et 3 exécutions par prompt. Les données obtenues sont les suivantes :
- Jev : Précision de 90 %, temps de réponse médian — 330 ms
- Claude Haiku : Précision de 80 %, 1,24 s
- Claude Sonnet / Opus / Fable : Précision de 100 %, 2,2–4,5 s
Conclusions
Jev sacrifie légèrement la précision absolue (90 % contre 100 % pour les modèles phares), mais prend ses décisions 4 à 14 fois plus rapidement. Le principal avantage est que la liste des compétences n'occupe pas du tout un espace précieux dans la fenêtre de contexte, rendant le travail avec un grand nombre d'outils plus efficace.
Pourquoi c'est important
AnalyseL'optimisation de la fenêtre de contexte est cruciale pour les systèmes agentiques complexes où le nombre d'outils disponibles ne cesse de croître. Jev démontre comment équilibrer vitesse et précision sans surcharger l'IA avec des données inutiles.
Discuter dans la communauté
Partagez vos questions et vos idées avec les développeurs
Lié dans l'écosystème
Guides pratiques, terminologie clé et compétences d'agents
Jev et System One AI : guide pratique complet du modèle de décision TypeSafe
Analyse technique approfondie du modèle phare Jev : architecture System One vs LLM, primitives Choice/Score/Noul, parallélisme des requêtes, mathématiques de la confiance, études de cas vidéo, code et aperçu des alternatives open-weight locales (Laya, GLiNER2.5, CLM-8B).
Modèle de décision Jev
Jev est un modèle System 1 commercial, non autorégressif, développé par TypeSafe AI pour des décisions typées rapides dans les boucles agentiques. Il retourne un objet de décision validé en 70 à 500 ms pour environ 0,042 $/1M tokens d'entrée, éliminant ainsi les hallucinations de syntaxe JSON et le routage à haute latence dans les stacks ReAct/Tool Calling.
OpenAI rend plusieurs gigaoctets de RAM à ChatGPT
Une mise à jour de ChatGPT réduit la consommation de RAM dans les longues sessions locales : après 32 000 réponses, l’application utilise environ 1,7 Go au lieu de jusqu’à 6 Go.
15 prompts pour la création d'agents dans Claude Code
Claude Code ne se limite pas au dialogue principal ; il permet également de travailler via des sous-agents — des configurations distinctes disposant de leur propre prompt système, d'un ensemble d'outils restreint et, si nécessaire, d'une...