Jev: дешёвая классификация, которая держит AI-агентов в рамках

Среди агентных инженеров последние недели обсуждают Jev — сервис от Typesafe, который разработчик канала IndyDevDan назвал инструментом, «кардинально меняющим подход к разработке с агентами». Звучит громко, но суть простая: Jev — это дешёвая LLM-классификация для AI-агентов, упакованная в JSON-интерфейс. Не творческая модель, не агент с памятью и инструментами, а узкий специалист по быстрым решениям — да/нет, выбор из списка, оценка по шкале. И именно эта узость делает его интересным.

Что такое Jev и почему это не ещё одна LLM

IndyDevDan сознательно разбирает заявленную маркетингом аналогию «Jev против языковых моделей» и показывает: сравнение нечестное, но полезное. Jev не конкурирует с Opus или Fable — он решает задачи, для которых фронтирная модель избыточна. Классический пример — детекция prompt injection: входящий текст пытается подменить системный промпт и спровоцировать возврат средств. Jev классифицирует это как инъекцию с доверительным интервалом 99% за доли секунды и доли цента. Для сравнения тех же вызовов через топовую модель autor показывает разницу в сотни раз по цене — и это ключевой аргумент: разговор не про единичный запрос, а про миллионы обращений в продакшене.

Дешёвая LLM-классификация для AI-агентов: от да/нет до составных оценок

Видео выстроено как лестница уровней сложности. Базовый — бинарное решение (использовать Jev как «умный if»). Дальше — множественный выбор (приоритизация тикетов техподдержки без привлечения языковой модели вовсе) и составная оценка с настраиваемыми весами: риск код-ревью, например, собирается из нескольких факторов (обработка пользовательского ввода, соответствие существующим шаблонам, масштаб изменений), и тюнинг сводится к правке чисел, а не промпта. Отдельный уровень — проверка достоверности перед необратимыми шагами, когда ошибка агента стоит дороже, чем лишнее обращение к человеку.

Guardrails: как Jev блокирует опасные bash-команды

Самая наглядная демонстрация — встраивание Jev прямо в pre-hook вызова инструментов. Агенту на Gemini Flash дают команду rm -rf node_modules или git push --force origin main, и Jev до выполнения помечает их как необратимые и деструктивные — вызов блокируется на уровне системы управления агентом, а не полагаясь на осторожность самой модели. Автор прямо называет bash-инструмент самым опасным местом агентской инфраструктуры: именно там рано или поздно «что-то пойдёт не так», и дешёвый классификатор-страж снижает этот риск почти без дополнительных затрат.

Маршрутизация, сжатие контекста и файлы в масштабе

Дальше Jev берёт на себя маршрутизацию между агентами и моделями (браузерный агент против быстрого агента на основе характера задачи), решения о самокомпактировании контекста при росте истории диалога и — что особенно практично — ответы на вопросы о содержимом файлов без их чтения дорогой моделью. Агент спрашивает «содержит ли этот файл учётные данные» или «в каком слое архитектуры лежит этот модуль» параллельно по десяткам файлов, экономя контекстное окно и токены. На вершине — agentic Jev: агент сам решает, когда делегировать проверку классификатору, а не инженер жёстко прописывает точки вызова.

Кому это пригодится

Для команд, строящих агентные пайплайны с частыми повторяющимися микро-решениями — маршрутизацией, валидацией, контролем рисковых команд — вынесение таких решений в отдельный дешёвый слой выглядит логичным следующим шагом, а не хайпом. Важна и оговорка самого автора: Jev не предназначен для долгих агентских сессий, управления интерфейсами или физическими устройствами — это инструмент для узких, чётко определённых точек принятия решений. Главный сдвиг, который фиксирует видео, не в самом продукте, а в архитектурном принципе: агентная система всё меньше похожа на одну универсальную модель и всё больше — на набор специализированных слоёв, каждый для своего класса задач.