Jev 用法与案例：Browser Use、Agent 工作流

Opus 负责研究市场并写代码，Jev 承接交易循环里反复出现的决策，作者附上 4 页论文和完整 Python 代码库，称已实跑 3 天。

作者把 Jev 决策层放在 Claude Code 前，用 Choice/Score/Noul 判断 diff 能否 ship，10,000 次决策从 $300 降到 $0.42。

一张图展示三个工具分工替代 25 人团队：Opus 写代码、Dots 跑测试、Jev 负责交付闭环。

一份用 Jev 做真实实验的项目列表，涵盖无人机控制、桌面操作、交易 bot、FPS 对战和代码审查。

一份完整的 jev-engineering 目录树，把 Choice/Score/Yes-No 决策点、阈值、钩子、护栏、预算和评估分层，声称 348ms/次、93.3% 违规拦截。

按 Anthropic 官方建议让 Opus 只在关键时刻介入，Jev 在下一层对每笔订单做交易/跳过、仓位判断。

在 Claude Code 里挂一层拦截器，先本地 Kai 决策，再交给 Jev 处理云端分支，只有两者都答不上来才唤醒 Opus 5.5。

一个 agent 跑出 240 个测试用例、19 个失败，作者用 Jev 返回 Choice/Score/概率来决定 harness 何时继续、停止或请人复核。

作者用 Jev 实时拉取 X 信息流并标记异常活跃项目，再用爬虫拆解内容，输出一份值得关注的过滤清单。

列出 Browser Use 决策替换、手机操作、星际争霸、Claude Code 压缩与路由、审批、PostgreSQL 扩展、语义 grep 等 8 个用 Jev 做的开源项目。

Opus 规划、Sonnet 写码、Fable 找 bug，Jev 用 16ms 无 LLM 执行文件与命令，作者称靠这套搭出赚了 6000 刀的交易 bot。

作者梳理 Jev 决策路由：确定答案走代码、需要写作走 LLM、置信度低于 0.85 或要发布则交给人，并列出 Browser Use、邮件分诊等成本案例。