Jev 用法与案例：Browser Use、Agent 工作流

按 Anthropic 文档搭 Opus 5.5 领队、Sonnet 5.5 分工、Fable 5.1 对抗的团队，Jev 在下一层用不到半秒处理无需思考的分叉，团队只争论真正分裂的判断。

作者让 JEV 只读不写：一晚 3 万条事件经四问并行打分，97% 停在「读」，只放行 300 个写名额，成本 1 美元出头。

中文创作者拆解自己的 AI 流水线：JEV 每天给 20 个选题按七个维度打分取前十，其余交给 Muse、Codex 等分工执行。

作者用真实工作场景的开放式文本做大规模对比，结论是 Jev 在消费级文本分析上质量相当但成本和耗时更低。

列出用 Jev 做的 Opus 努力度路由、Stop 钩子证据校验、技能路由、Codex 子代理路由、提交信息校验、恶意代码扫描、语义 grep、MCP 搜索评分等 9 个项目。

新示例在 Cloudflare Workers 上用 Rust 跑 yoagent，每个 agent 工具调用都过一层决策模型：Jev 267ms / $0.042/M，对比 Clef 444ms / $0.24/M，两者放行判断全对。

开源项目 peon 基于 Pi harness，用原生 opcode 让模型登录、聊天、打怪、做任务，战斗等实时环节交给 Jev 决定放技能、逃跑还是风筝。

Jev、Cloudflare Clef、开源 Laya 和 OpenAI 决策 API 并存，作者问开发者实际在生产里用哪个。

开发者第四天报了两个 bug，并尝试用 Jev 搭配 Browser Use 做自动化测试，目前只能操作 DOM、测不了 canvas，PoC 快给 lead 看了。

ANT/PAUL/ZERO/CORTEX/FLY 分工跑一夜，用 Jev 每百万次决策 $0.042 处理例行判断，贵模型只留给难例，ZERO 在删客户前自动刹车。

作者指出大家忙着用 Jev 搭东西，却忽略了最核心的一步——如何定义决策本身；决策框架烂，再快也没用。

作者用网页爬虫动画说明 agent 内部多是廉价小判断，主张用 Jev 承接这些分叉，只在必要时才调用 Claude。