别让 agent 瞎翻代码库：一个新 CLI 把找文件的成本砍了三成

coding agent 接到任务后的第一件事，往往是在陌生代码库里瞎翻：grep 一把抓、读十个文件、token 烧掉一大截，才算摸到该改哪儿。一个上线才三天的开源 CLI 想把这一步的开销明码标价地省下来——jevgrep 让 agent 用"提问"代替"翻找"，官方实测在同样的解题率下，把编码任务的总成本降了约四分之一。项目 9 月 26 日才建仓， star 已破千，发布帖在 X 上拿了四千多个赞。

项目简介

jevgrep（命令名 jg）的定位是"给 coding agent 用的代码检索器"：你用一句自然语言问"数据库连接是在哪里创建、池化和关闭的"，它不返回一堆关键词命中，而是调用 Jev 逐层判断相关性——先看文件夹、再看文件、最后看声明级别——把相关文件、阅读线索和带行号的源码摘录一次性打到 stdout，后面怎么改、怎么测，仍由你的 agent（Claude Code、Codex、OpenCode 都行）接管。

它是 TypeScript 写的，MIT 协议，npm 一条命令安装，不依赖 Python、Bun 或 ripgrep；模型侧接 Vercel AI Gateway、TypeSafe、OpenRouter 或 OpenCode Zen 的 key，本站此前深扒过的 Jev 模型正是它的判断核心。

它怎么省钱

作者做了一组对照实验：十个调优过的 Python SWE-bench 任务，带 jevgrep 和不带各跑一遍——两边都解出 8/10，但 9 月 28 日的总成本复测（含 Jev 调用本身）显示总成本下降 25.8%；更早按 Sol 单模型口径算是从 $7.62 降到 $5.44（约 28.6%）。每道题的成本明细和方法论都公开在仓库的 evals 目录里，可复查。

要注意口径：这测的是"任务成功率和成本"，不是速度，也不保证在每个仓库上都省；当你已经精确知道符号或路径时，直接 rg 仍然更快。jevgrep 的价值在跨文件、不熟悉的问题域——输出定位为"给 agent 的证据"，而不是生成答案。

快速上手

需要 Node.js 22+，macOS 或 Linux：

npm install -g @dzhng/jevgrep
jg auth        # 选择 provider 并保存 key（Vercel AI Gateway / TypeSafe / OpenRouter / OpenCode Zen）
jg skill       # 给你的 agent 装 skill，自动识别 Claude Code / Codex / OpenCode
jg "How are telemetry events recorded and sent?" ./my-project

第三步就是日常用法：一句问题加一个目录，返回摘要、文件清单、带行号的源码摘录和声明/调用位置。Python 和 TypeScript/JavaScript 有声明级解析，其他语言走通用回退。装 CLI 不等于 agent 会用它——jg skill（或 npx skills add dzhng/jevgrep --skill jevgrep）这步别省，它会检测你机器上的编码 agent 并装好对应的技能文件。

适合谁用

重度 agent 用户：如果你的 Claude Code / Codex 账单里有一大块是"读文件读出来的"，这套提问式检索直接对准了这块成本；skill 装好后 agent 会在合适时机自己调用。

大仓库接手的工程师：跨文件的行为级问题（"重试逻辑在哪些测试里覆盖？"）正是它的主场，比人肉顺藤摸瓜省时间。

要管隐私的团队：有一点必须提醒——检索时符合条件的源码内容会发送给你所选的 Jev 接入商，默认过滤会跳过 ignore 文件、隐藏目录、依赖、构建产物和明显的凭证文件，但官方明确说这不是敏感信息的保证，搜索根目录要自己选好。内网代码慎用，或者先小范围试。

一个三天大的项目，数据要打折扣看，但"把 agent 找文件的成本变成可测量、可优化的一环"这个思路，值得每个被 token 账单刺过的人盯一眼。