Jev 用法与案例：Browser Use、Agent 工作流

作者给 Opus 5.5、Grok bot、REA、Jev、Dots、Obsidian 组成的 agent 团队一个 15 美元预算的过夜目标，Jev 负责写代码、部署和落地页，早餐时拿到 261 注册、31 付费。

一个科研 agent 平台接入 294 个连接器和 200+ 技能，用本体化组织和类 Jev 决策模型选择工具，token 成本减半且调用准确率提升。

一小时课程演示 loops/graphs/harness 三层结构，配合 Opus 5.5 与 Jev 让 agent 离线也能规划、验证并持续交付。

帖子把 agent 记忆分为工作、情景、语义、程序与遗忘五层，引 Mem0 和 Snowflake 数据，并提出 JEV 可降低决策成本。

把 Jev 放在每次昂贵操作前，用 goal、任务类型、上次错误等小状态返回 proceed、reuse_cache、stop_retry、research_capped、ask_human 五选一。

检索照旧出 8 个候选，开源 Clef 决策模型按 0–3 分打分重排，专门识别「主题对但不答题」的近似命中。

在 ~/.claude/settings.json 里固定 model、advisorModel 和子代理模型，省去每天重敲 flag；帖中称 JEV 用同样思路在毫秒级分掉微决策。

30 分钟 workshop 讲如何让 agent 保留目标、验证结果、记住失败并自选下一步，其中用 Jev 把模型判断和确定性逻辑分开。

汇总 150+ 仓库，含用 Jev 预筛文件给 Claude 短名单、按消息选快慢模型、压缩上下文、拦截危险命令，并附成本与已知短板。

把目标编译成 workflow.js，Haiku 并行扫全仓、Sonnet 在独立 worktree 修，Jev 毫秒级处理无需思考的分支，Opus 只看存活结果。

开发者把 Claude Code、Workspace CLI、Playwright MCP、graphify 和 jev-guard 串成六步工作流，每次写入按 0–3 打分，2.5 拒绝、1.5 询问，约每千次调用 4 美分。

作者展示一种架构：LLM 只负责生成文本，JEV 返回选择、分数或概率并附置信度，代码执行硬规则，低于阈值才回到大模型；附分类论文、分邮件等成本数据。