上下文压缩
判断哪些工具调用和结果仍然相关，从而丢弃过期上下文。
共有 38 行归在这个模式下，其中 38 行带代码。顺序与目录相同：官方的在前，然后是带代码的，再按星标排。
标有「并非 Jev 本身」或「仅影子运行」的条目照样列出，但它们不是用 Jev 做决策的示例。
-
Hermes Agent: Jev compaction evaluation
把 Jev 压缩方案移植过来，与自家在用的摘要器对比实测，最后公开结论：不采用。
-
jcode: memory recall without embeddings
把记忆召回的整套检索栈替换掉 —— 不用 embedding、不用 BM25、不用重排器 —— 改为对每条候选记忆批量问一个 Noul。
-
fast-jev-compaction
一个 Claude Code 插件，用逐条决策取代压缩式摘要：过期的工具调用被丢弃或截断，保留下来的全部逐字不变。
-
jevgrep (dzhng)
一个命令行工具和 Agent 技能，用“这段代码做什么”来找代码：`jg "遥测事件是如何记录的？" ./repo` 让 Jev 在目录、文件和声明层面判断相关性，返回相关文件、阅读线索和原文摘录。作者报告在 10 个 SWE-bench 任务上同样解决 8 个，成本约低 30%。模型撰写机翻
-
hermes-jev-skills
九个 agent 技能加一个 CLI，覆盖模型路由、记忆过滤、对话轮保留、多选一技能选择和下一步动作决策。
-
mu
基于 pi 的编程 Agent（命令行和桌面端），在 38 个决策点上问 Jev：工具输出的哪些片段进上下文、哪些过期的工具结果可以丢掉、被规则拦下的命令是不是用户要的、抓取的网页和 MCP 输出里有没有注入的指令。机翻
-
compact-adviser
只回答一个问题的插件：现在该不该 /compact。一次 Jev 请求问两个 choice（最近一段工作是否已完成；是亲手干活还是在协调他人），由代码合成一个分数，随着上下文变满，门槛从 0.90 放宽到 0.50。它给出提示；在 Pi 和 Claude Code 上若你开启，也可以自动压缩。模型撰写机翻
-
jev-pruner
在模型看到之前先修剪冗长的 shell 输出，每个片段问一个 Noul。
-
Quicksilver
一个 Claude Code 技能，把“是否相关”的判断交给 Jev：对每个文件、每行日志或每张工单问一个 noul（例如“这些文件里哪些处理鉴权？”），并行询问并按概率排序，于是 Claude 拿到的是带置信度的候选清单，而不必通读全部内容。模型撰写机翻
-
Winnow
给 Claude Code 做上下文垃圾回收。Read / Bash / Grep 吐一大堆时，Jev 先判断哪些真和当前任务有关。
-
save-token-jev-clean
为编码智能体提供可移植的、由 Jev 引导的上下文压缩：不让另一个 LLM 把旧上下文改写成有损摘要，而是由 Jev 判断哪些工具调用和结果仍然重要，用户与助手的文字保持原样。机翻
-
yoshi
给 Claude Code 和 Codex 做的上下文裁剪代理：由 Jev 判断哪些历史还需要 —— 实测而非宣称。项目自述机翻
-
claude-jev
Claude Code 与 Pi 插件，把智能体的小判断交给 Jev：一次编辑是否违反 CLAUDE.md 中的规则（违反则拦下并给出 file:line 引用）、压缩时逐字保留哪些上下文块、为每个子智能体选模型档位并用 noul 检查其任务说明，以及为每条提示给出路由提示。所有钩子都失败即放行。模型撰写机翻
-
lcc
本地上下文编译器（lcc）：在提示上下文送达模型之前清洗、去重并压缩，并报告每一处改动。项目旧自述机翻
-
dsh-jev-tools
DeepSeek Harness 插件，在工具输出进入上下文之前先问 Jev：长篇读取或抓取结果里哪些段落相关（按排序保留，不卡阈值）；抓回的页面里有没有针对 AI 的指令（概率达到 0.75 时附提醒，内容原样保留）；推荐哪一个技能；以及每条“完成”声明有没有证据。模型撰写机翻
-
omp-jev-compaction
给 omp 做的逐字保留式 Jev 打分上下文削减。项目自述机翻
-
fast-dev-compaction
Codex 插件：在会话压缩前后，由 Jev 引导逐字恢复上下文。移植自 tamaratran/fast-jev-compaction，适配 Codex 的生命周期钩子。项目自述机翻
-
jev-compact
为 OpenAI Codex CLI 提供由 Jev 打分的上下文压缩——在压缩前为每个工具调用打分，并恢复关键内容。项目自述机翻
-
pi-jev
由 Jev 驱动的 Pi 扩展套件：选择性上下文压缩与模型路由。项目自述机翻
-
pi-jev-context
一个 Pi 扩展：感知新鲜度的读取去重、Jev 日志过滤，模型表现优先、省 token 其次。项目自述机翻
-
jit-context
JIT-JEV 上下文操作系统：面向 AI 智能体的认知运行时与 JEV System 1 上下文关卡。项目自述机翻
-
dsh-jev-prune
给 DeepSeek Harness 的 Jev 判定式上下文压缩：语义化的工具结果裁剪。项目自述机翻
-
jev-docs
社区维护的 Jev／System One API、SDK 与智能体指南的变更史。项目自述机翻
-
pi-jev-context-curator
基于 Jev 的 pi 上下文整理器。项目自述机翻
-
deepseek-harness-jev-pre-compaction
给 DeepSeek Harness 的压缩前顾问，在标准压缩流程之前运行。机翻
-
fast-compaction-dsh
给 DeepSeek Harness 的判定式上下文压缩，取代有损的 LLM 摘要。项目自述机翻
-
jev-compaction
只能打分、不能写作的上下文压缩器——因此智能体的记忆里不可能出现对话记录中从未有过的事实。项目自述机翻
-
pi-jev-compaction
为 Pi 自动清理 Jev 上下文：保留对话，修剪过期的工具输出，无需重跑命令即可取回原始内容。项目自述机翻
-
Jev by Example
十个可运行的 JavaScript 智能体决策，一个文件一个：新记忆与旧记忆冲突时该改还是该留、工具返回 200 是否真的完成了任务、写入超时后该重试还是该对账、上下文分块在预算内如何取舍、压缩后的交接是否丢掉了某条禁令。Jev 只回答带类型的问题，阈值和最终提案由普通代码决定。
-
jev-compaction
从不做摘要的 Hermes 会话上下文压缩：每次工具调用都被打分。项目自述机翻
-
jselect
在 token 预算内给 AI 挑出有用证据：快速、带来源链接的上下文选择器。项目自述机翻
-
pi-fast-jev-compaction
为 pi 编码智能体提供逐字的上下文修剪，由 TypeSafe Jev 打分：过期的工具调用和结果被丢弃或截短。项目自述机翻
-
jevprune
根据任务描述为编码智能体过滤命令输出。项目自述机翻
-
pi-fast-jev-compaction
给 pi 的快速 JEV 压缩扩展。项目自述机翻
-
pi-jev-context
为 Pi 提供可逆的上下文修剪，由 TypeSafe Jev 驱动：保留有用的上下文，同时不删除会话历史。项目自述机翻
-
deepseek-harness-jev (luobosibing2)
DeepSeek Harness 插件，提供 12 项需手动开启的功能，用 Jev 作为判断模型：技能选择和 glob 结果排序（每个候选一个 `noul`）、完成度与目标检查、偏离提醒、插话路由、工具输出和测试日志过滤，以及对单个工作区操作的审批。模型撰写机翻
-
pi-jev-compact
为 Pi 提供选择性的逐字上下文压缩：Jev 为每个工具调用及其结果打分，不再需要的被丢弃，其余原样保留，不让 LLM 写摘要。机翻
-
smoking-extraction-benchmark
合成的吸烟史抽取基准：对比 Jev 与 OpenAI 结构化输出。项目自述机翻