Jev 用法与案例：Browser Use、Agent 工作流

用 --settings 给 Opus/Sonnet/Fable 团队加任务门禁，并提到 Jev 工程把无需推理的机械决策压到 16ms，只让前沿模型在路径分叉时唤醒。

把 Sol 做主循环、Astra 做架构审查，Jev 负责文件查找与工具派发等无需推理的分支，附配置提示词。

YC 发布日分享：团队周末重写引导流程，在自研 agentrun harness 里用类型化工作流加大量 Jev，为用户调研并生成定制 agent，多数用户约 30 秒完成。

开源工具 qualm 把每个改动文件的 diff 连同十个结构化问题交给 Jev，用概率判断「评审会不会要求简化」，并告诉编码 agent 改哪里。

他把桌面 QA agent 的登录流程从 2 分钟压向 30 秒，靠的是带图像能力的 Jev 做判断，并公开征集第二步「测什么才算对」的帮手。

决策图按紧急度在 research/write/review 间路由，置信度低于 0.85 不放行，每条路径末端都卡在人工发布，$0.34 成本几乎全花在写作而非判断。

介绍 Jev 以 RLCD（校准决策强化学习）处理「调不调工具、是否完成、走哪条分支」这类高频小判断，几乎零延迟、零输出 token 成本，大模型只负责重推理。

爬虫盯 X 信息流，Jev 把重复提及分组去噪，识别真实信号后自动抓站点仓库、写代币概念并走 pump.fun 发币。

Opus 5.5 出策略、Sonnet 5.5 写代码、Jev 在 81ms 内逐笔审核并把风险压在 1%，10 万条行情只出 12 个信号。

HMM 按 K 线判市场状态，Jev 在 81ms 内返回「有毒流 0.83」这类数值，硬规则代码做最终决策，一晚可搭完。

Hydra 用一群侦察 agent 盯盘，每条线索先过 Jev 在毫秒内判「值得看/不值得」，再由 Hydra 下单并预设离场。

作者认为 A* 等经典算法 80 行 JS 就能搞定，挑战 Jev 类方案证明自己不是多此一举。