Repo context selection
Rank which files are actually relevant to a task before spending context (and tokens) on them.
"Repository retrieval and context selection" is a core coding-agent pattern: an agent shouldn't stuff every candidate file into the model's context — it's slow, expensive, and dilutes attention. Instead, score each retrieved file for how relevant it is to the task and keep only the ones that clear a bar. A Jev score is ideal here because it's a compact, calibrated judgment you can threshold and audit, run over many files in parallel for a fraction of a cent each — so the agent reads the three files that matter, not the thirty the retriever returned.
Live ausprobieren
Das ist echt, kein Mockup. Bearbeite die Eingabe, klicke auf Ausführen, und Jev liefert jede typisierte Antwort in einem einzigen Roundtrip — kostenlos, ohne Anmeldung. Stell dir nun denselben Aufruf vor, parallel über Tausende von Elementen ausgelöst.
Wähle ein Demo, passe die Eingabe an und klicke auf Jev ausführen.
Die Entscheidungen, die Jev trifft
In einem einzigen Aufruf wertet Jev jede davon aus — parallel, gegen dieselbe Eingabe:
How relevant is this file to completing the task?
bewertet es auf einer geordneten Skala:
- irrelevant
- loosely related
- relevant
- central to the fix
Should this file be included in the agent's working context for this task?
gibt eine kalibrierte Ja/Nein-Wahrscheinlichkeit zurück.
Is this file a likely place the fix will need to be made?
gibt eine kalibrierte Ja/Nein-Wahrscheinlichkeit zurück.
Die exakte Anfrage
Dies ist der echte Payload hinter der Live-Demo — kopiere ihn, ändere den state, und du baust schon:
{
"model": "jev-latest",
"state": "Task: \"Fix the bug where refunds over the order total are silently accepted.\"\n\nCandidate file surfaced by retrieval: `services/billing/refund.py`\n\nSnippet:\n\n def process_refund(order, amount):\n # TODO: validate against remaining balance\n gateway.refund(order.id, amount)\n record_refund(order, amount)",
"questions": {
"relevance": {
"type": "score",
"instructions": "How relevant is this file to completing the task?",
"criteria": [
"irrelevant",
"loosely related",
"relevant",
"central to the fix"
]
},
"include": {
"type": "noul",
"instructions": "Should this file be included in the agent's working context for this task?"
},
"likely_edit_site": {
"type": "noul",
"instructions": "Is this file a likely place the fix will need to be made?"
}
}
}Binde es in deinen Code ein
Lies die typisierten Antworten und verzweige in einfachem Code — ohne Parsing. Bearbeite die hochkonfidenten Fälle automatisch und leite die unsicheren an ein größeres Modell oder einen Menschen weiter. Es ist ein einziger API-Aufruf und Output ist kostenlos, stelle also alle Fragen, die du brauchst, auf einmal.
Bau dein eigenes
Jedes Szenario oben ist ein einziger API-Aufruf. Teste jedes davon kostenlos im Playground und hol dir dann einen gehosteten Key, um es in Minuten auszuliefern.