Modyfikacja Jev dla Claude Code: Oszczędność tokenów i przyspieszenie obsługi umiejętności
Programiści zaprezentowali modyfikację Jev dla Claude Code, która optymalizuje wykorzystanie okna kontekstowego AI poprzez ładowanie umiejętności na żądanie, co wielokrotnie przyspiesza przetwarzanie zapytań.
Pojawiła się nowa modyfikacja dla Claude Code, znacząco redukująca zużycie tokenów. Kluczową cechą rozwiązania Jev jest to, że zamiast natychmiastowego ładowania wszystkich dostępnych umiejętności do okna kontekstowego modelu, pozostają one poza nim aż do momentu faktycznego zapotrzebowania.
Jev analizuje dostępne umiejętności i wybiera tę odpowiednią dla każdego zapytania, dynamicznie dodając ją do kontekstu. Pozwala to uniknąć niepotrzebnego obciążenia okna kontekstowego asystenta AI.
Wyniki testów
Zespół przetestował funkcję sugestii umiejętności (Jev Skill Suggestion) na różnych modelach Claude. Eksperyment obejmował 26 umiejętności, 10 promptów oraz 3 powtórzenia dla każdego promptu. Uzyskane dane:
- Jev: 90% dokładności, medianowy czas odpowiedzi — 330 ms
- Claude Haiku: 80% dokładności, 1,24 s
- Claude Sonnet / Opus / Fable: 100% dokładności, 2,2–4,5 s
Wnioski
Jev nieco rezygnuje z absolutnej dokładności (90% w porównaniu ze 100% w modelach flagowych), ale podejmuje decyzje 4–14 razy szybciej. Główną przewagą jest fakt, że lista umiejętności w ogóle nie zajmuje cennej przestrzeni w oknie kontekstowym, co czyni pracę z dużą liczbą narzędzi bardziej efektywną.
Dlaczego to ważne
AnalizaOptymalizacja okna kontekstowego jest kluczowa dla złożonych systemów agentowych, gdzie liczba dostępnych narzędzi stale rośnie. Rozwiązanie Jev demonstruje, jak zrównoważyć szybkość i dokładność bez przeciążania sztucznej inteligencji zbędnymi danymi.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
Jev i System One AI: Kompletny praktyczny przewodnik po modelu decyzyjnym od TypeSafe
Głęboka analiza inżynieryjna flagowego modelu Jev: architektura System One w kontraście do LLM, prymitywy Choice/Score/Noul, równoległość zapytań, matematyka pewności, przypadki użycia wideo, kod oraz przegląd lokalnych alternatyw open-weight (Laya, GLiNER2.5, CLM-8B).
Model decyzyjny Jev
Jev to komercyjny, nieautoregresyjny model System 1 od TypeSafe AI, przeznaczony do szybkich, typowanych decyzji w pętlach agentowych. Zwraca zwalidowany obiekt decyzyjny w czasie 70–500 ms przy koszcie około $0,042 za 1 mln tokenów wejściowych, eliminując halucynacje składni JSON oraz opóźnienia routingu w stosach ReAct/Tool Calling.
OpenAI zwraca kilka gigabajtów RAM w ChatGPT
Aktualizacja aplikacji ChatGPT obniża zużycie RAM podczas długich lokalnych sesji: po 32 tysiącach odpowiedzi wynosi około 1,7 GB zamiast do 6 GB.
Migracja z Claude Code do Codex: przenoszenie pliku CLAUDE.md, MCP, umiejętności, komend slash i konfiguracji
Kompletny przewodnik po migracji z Claude Code do OpenAI Codex CLI: konwersja pliku CLAUDE.md na AGENTS.md, konfiguracja MCP, ustawienia uprawnień dostępu, hooków oraz zachowanie modeli Claude.