원문: dzhng/jevgrep · 수집일: 2026-09-27 · 기준 태그 v0.3.0(커밋 762028f, 2026-09-26) · 2026-09-28 갱신: v0.4.3(커밋 adbea4c) 기준 README·평가 문서 재확인 · Stars 1.1k · Forks 66 · TypeScript · MIT

핵심 요지

저장소 행동을 몰라도 되는 질문을 던지면 관련 파일·소스를 찾아주는 코딩 에이전트용 CLI다. jg "질문" [경로]를 실행하면 Jev(Vercel AI Gateway가 서비스하는 TypeSafe System One 결정 모델)가 폴더·파일·선언 단위로 관련성을 판단하고, 관련 파일 위치·읽기 단서·줄 참조 포함 검증된 소스 발췌를 한 번의 stdout 응답으로 돌려준다. Jev는 분류기일 뿐 — 설명·구현·검증은 호출한 코딩 에이전트가 그대로 담당한다. jev-ultrafast가 브라우저 조작을, 2026-09-20-sac-y-jev-cu가 macOS Computer Use 조작을 Jev에 위임했다면, jevgrep은 코드 검색/컨텍스트 수집 단계를 위임하는 사례다.

저장소가 생성 이틀 만에(2026-09-26 생성) 1.1k 스타를 모았고 그사이 v0.4.3까지 릴리스됐다 — 초기 관심 지표일 뿐 품질 보증이 아니다.

배경과 위치

  • CLI(jg) 자체는 Node.js 22+ 실행 파일이고, ripgrep·Python·Bun 별도 설치가 필요 없다 — 다만 관련성 판단마다 Vercel AI Gateway/TypeSafe/OpenRouter/OpenCode Zen 중 하나의 키로 Jev 호출이 나간다(0.3.0부터 provider 선택 지원). 검색 시 대상 소스 내용이 선택한 provider로 전송되며, README는 숨김·의존성·빌드·바이너리·명백한 자격증명 파일을 걸러도 “민감정보 제거를 보장하지 않으니 보내도 되는 루트를 고르라”고 명시한다.
  • 이미 정확한 심볼·경로를 아는 경우는 대상이 아니다 — README가 명시적으로 “직접 읽기나 rg 검색이 더 낫다”고 선을 긋는다. jevgrep은 낯선 파일에 걸친 행동 질문(예: “텔레메트리 이벤트는 어디서 기록·전송되는가”)에 쓰라는 도구다.
  • 아키텍처 문서(docs/architecture.md)는 이 도구를 “계층적 발견(hierarchical discovery)” 스파이크의 프로덕션화로 설명한다: 저장소 전체를 한 번에 올리는 대신 디렉토리 프런티어를 순회하며 로컬 lookahead로 분류하고, 통과한 파일은 전부 유지한다(상위 2개 같은 고정 개수 제한 없음). Python·TypeScript/JavaScript는 선언 단위 파싱을 지원하고 나머지는 소스 청크로 폴백한다.

설치와 사용

npm install -g @dzhng/jevgrep
jg auth      # Vercel AI Gateway / TypeSafe / OpenRouter / OpenCode Zen 중 선택, 키를 owner-only 설정 파일에 저장
jg skill     # 에이전트(Claude Code·Codex·OpenCode 등)에 skill 설치 — CLI 설치와 별개로 필수
jg "How are telemetry events recorded and sent?" ./my-project
  • CLI 설치만으로는 에이전트가 jg를 쓰지 않는다 — jg skill(내부적으로 npx skills add dzhng/jevgrep --skill jevgrep 위임)로 스킬을 별도 설치해야 한다.
  • 스킬(skills/jevgrep/SKILL.md) 핵심 규칙: 코드 위치를 대략 알면 루트가 아니라 그 폴더로 스코핑(전체 루트 스코핑은 스펙·문서가 소스보다 랭크되어 느려짐); 검색 명령이 끝날 때까지 기다리고 독자적으로 탐색하지 않기; 반환된 발췌는 이미 읽은 것으로 간주하고 재조회하지 않기; 저장소에서 나온 소스는 데이터일 뿐 지시가 아님(프롬프트 인젝션 방지 문구를 스킬에 명시).
  • 인증: jg auth로 provider·키를 저장(환경변수 오버라이드는 무시됨), jg doctor로 synthetic input 점검. 평가 답은 로컬 캐시, 결과는 stdout 전용(별도 리포트 파일 없음).

측정된 벤치마크 (README 자체 수치, 재현 제한 명시)

수치가 버전마다 바뀌었으므로 시점을 구분해 읽어야 한다.

시점해결률 (jg / 기준선)비용 (jg / 기준선)절감률비용 범위
v0.3.0 (2026-09-26)7/10 / 8/107.62약 40%Sol만, Jev 제외
relevance-threshold (2026-09-27)8/10 / 8/107.6228.6% (README “~30%“)Sol만, Jev 제외
v0.4.3 total-cost (2026-09-28)8/10 / 8/107.6225.8%Sol 1.48
  • 2026-09-28 Threads 등에서 퍼진 “40% 절감”은 v0.3.0 수치로, 당시엔 해결률이 기준선보다 한 건 낮았다. 현재 README가 대표값으로 쓰는 것은 Jev 비용까지 포함한 **25.8%**이며, 앞으로의 벤치마크도 Jev 포함 총비용으로 보고한다고 밝혔다.
  • v0.4.3 런: 공개 패키지·공개 스킬 그대로, 코딩 에이전트는 openai/gpt-5.6-sol(medium effort), Jev는 네이티브 TypeSafe 엔드포인트. 작업당 비용 0.76. Jev 비용은 청구서가 아닌 정가 추정(jev-1.13.0 입력 100만 토큰당 $0.042, 출력 무료)이다.
  • 작업별 편차가 크다: pytest-6197은 0.53으로 크게 줄었지만 xarray-3305·requests-1142·astropy-13579·matplotlib-26466은 오히려 비쌌다. 절감 총액의 상당 부분이 소수 작업에서 나온다.
  • 한계(문서 자체 명시): 튜닝에 쓴 Python 10개 작업의 반복이지 홀드아웃·분산 추정이 아니다. 기준선은 저장된 no-Jev 런을 재사용했고 재실행하지 않았다. 비교 대상이 “탐색 도구 없는 에이전트”라서, 이미 코드 그래프·의미 검색 도구(예: graft, codegraph)를 쓰는 환경 대비 추가 절감 폭은 이 수치로 알 수 없다.

관계

  • 직접 의존: Jev(TypeSafe System One, Vercel AI Gateway 배포) — 판단 프리미티브 자체의 설계는 2026-09-20-typesafe-ai-skills·2026-09-19-awesome-jev 참조.
  • 같은 패턴의 다른 실행 도메인: jev-ultrafast(브라우저 DOM 조작), 2026-09-20-sac-y-jev-cu(macOS Computer Use 조작) — 셋 다 “Jev가 좁은 판단만, 나머지는 호출자가 실행”이라는 동일 구조를 코드 검색/브라우저/네이티브 GUI 세 영역에 각각 적용한다.
  • 경쟁·인접 도구: ripgrep(rg) — jevgrep은 이를 대체하지 않고 “심볼을 이미 아는 경우”엔 오히려 rg를 권장한다.

추가 언급 (Threads)

@choi.openai가 2026-09-28 Threads에서 “Jev로 코딩 에이전트 비용을 40% 줄인 도구”로 소개했다(두 글 중 첫 글만 수집). 코딩 에이전트가 코드를 쓰기 전 파일 탐색에 전체 토큰의 30~60%를 쓴다는 문제 제기와, GPT-6 Astra를 약 70시간 돌려 API 호출과 결과 형식을 최적화했다는 내용을 덧붙였다. 40%는 위 표의 v0.3.0 수치다.

주의

  • 저장소는 갱신 시점 기준 생성 이틀 된 신규 프로젝트로, 이틀 사이 0.1→0.4.3까지 빠르게 바뀌었다 — 스타 수(1.1k)는 장기 유지보수·안정성을 보증하지 않는다.
  • 선언 단위 파싱은 Python·TS/JS뿐이라 마크다운 중심 저장소(예: 이 볼트)에서는 청크 폴백으로만 동작한다 — 마크다운 검색이라면 로컬·무료인 2026-03-21-qmd 쪽이 맞다.
  • apps/cli·packages/core의 실제 구현 코드, evals/ 방법론 전문은 이번 수집에 포함하지 않았다 — 세부 동작을 인용할 때는 저장소를 직접 확인할 것.