它是什么
基于自己 X 收藏的私人搜索引擎：描述图片、抓取链接标题、为每条帖子写一句摘要，在本地生成向量，再用 Jev 重排。
它做什么： 余弦相似度先挑出 120 个候选；每个候选用一次 Jev Score 判断与查询的相关度；另一个 Jev「内容分量」分把有料的长帖和低价值帖子区分开；结果分成「强匹配」和「可能相关」两组。只有模型调用会离开本机。
为什么收进案例库： 在个人数据上采用「先粗筛、再用 Jev 重排」的形态，并结合可调的综合评分。
注意： 个人工具；成本由作者自报；摘要和图片描述使用另一个大模型。
证据
公开的 MIT 许可 README 与代码（`tweet_index/jev.py` 固定 Jev 模型版本，拒绝会变动的 `latest` 别名）；作者在约 6,000 条帖子上测量了各步骤成本；附评测脚本。
注意
- 个人工具；采集依赖一个用户脚本，复制 X 页面本身已经收到的响应
- 成本由作者自报（每次搜索约 0.003 美元，完整建索引约几美元）；图片描述和摘要使用另一个大模型
- 收录时星标信号很弱（2 星，仓库创建于 2026-10-06）
非官方案例页。热度用观察到的 stars / 列表位次；热度不是质量 SLA。依赖前请阅读上游 README。