Jev 用法与案例：Browser Use、Agent 工作流

交易 bot 的 5 项硬过滤全过，但 Jev 软层把筹码集中度评为 0.85 退出风险，直接否决这笔单，13 天 140 笔从 1000 做到 7153 美元。

作者用 Jev 批量判断 RSS 条目里是否含职业变动信号，属于把 Jev 当低成本分类器跑信息流的实际用法，附演示视频。

一名 23 岁开发者让 300 个 Claude Code agent 并行跑，Jev 以约 100 毫秒逐条核对来源，三轮筛掉错误数据后写入 Obsidian。

独立监督器 Foreman 判断编码 agent 是否卡住、需求是否满足、测试是否够，必要时拦截调用或叫停任务。

作者把 OpenAI 新发布的 Decisions API 和 Jev、Clef 放在一起跑对比测试，结论是速度很快，视频展示实测过程。

方案是用 Jev 的 CHOICE/SCORE/NOUL 先筛 Slack 消息，只把 10% 高优先级事件交给 GPT-6 Astra，号称百万次决策约 19 美元。

作者用杰文斯悖论解释：决策便宜到 0.04 美分后你会做更多决策而非省钱，并列出 DiffJury、jev-curate、jev-ultrafast 三个围绕「大量小决策」的项目，提醒置信度不等于正确、需设阈值回退大模型。

作者用 --agent 搭 Opus/Sonnet/Fable 三层团队，并提到 Jev 把「开哪个文件、调哪个工具、重试还是放弃」这类无需推理的决策压到 16ms 执行。

Claude Code 多 agent 调试流程中，每个调查内部分叉（看哪个日志、挖还是弃）交给 Jev 在半秒内决定，只对真正分歧烧 token。

清单涵盖 jev-opus 动态调推理档位、jev-belay 阻止假完成、jev-commit 校验提交信息、jegrep 语义搜索等。

从 Browser Use 决策层到模型路由、决策缓存、护栏与软件工厂，列出 10 个用 Jev 做决策的开源仓库及用途。

爬虫先筛掉 73 个骗局币，Jev 用不到一秒、不到一分钱做买卖判断，Grok bot 执行，第四夜账户从 100 美元滚到 17263 美元。