Jev 用法与案例：Browser Use、Agent 工作流

OpenBMB 介绍社区项目 ReJev，通过 LoRA 微调 2B 小模型做「状态+问题+候选选项→一个决策」，准确率从 51% 升到 80.5%。

Claude 只写实现，Jev 负责选文件、剪上下文、拦 shell 命令并按置信度决定自动合并或人工复核。

作者称写了用 Grok 加 Jev 从零寻找盈利策略的研究报告，并放出完整 Rust 代码库，自称已实盘跑了三天。

模拟交易台让 scout/quant/risk/router/ledger 逐层过滤，Jev 只输出买/卖/持的概率，约 168ms 出结果并拥有最终否决权。

Jev 作者在 42 分钟访谈里讲决策加置信度这一新原语、三种可靠性，并附在 Claude Code 里配 Opus 5.5 用 Jev 的提示词。

作者把 Karpathy 的「跑 100 次只留赢家」循环改成一个提示词，让 Opus 5.5 出数字、Jev 当裁判，回放失败的改动自动 git reset。

在 Sonnet 5.5 agent 上叠加 Jev 并行调用与输出上限、OpenAI dots 裁剪上下文，10 个任务中位耗时 60s 降到 6s，成本 0.30 降到 0.03 美元，但仅限调用互不依赖时。

用 Jev 对 RAG 检索到的段落做结构化判断——是否支持论点、是否矛盾、是否同一标的，过滤噪声后再决定下单或等待，并给出三个可搭建的仓库。

榜单显示 Jev 1.13 一周 9.81 亿次请求，远超第二名，作者问大家用这些决策模型做了什么。

Jev 先提问再路由再裁剪上下文，把简单任务丢给便宜模型，实测 100 个任务从 $33 降到 $4.26。

汇总 jev-design、jev-figma-design-plugin、jevcut、HyperEdit 等工具，用 Jev 在人类给定的选项里挑布局、字体和剪辑点。

文章列出用 Jev 做 agent 日志分析、社交聆听、销售通话分析、招聘市场分析和文本解析的五个场景，附查询与数据集。