Jev 用法与案例：Browser Use、Agent 工作流

作者搭了套交易流程：系统扫市场出 Setup，进场后 Claude 复核交易，JEV 用 HOLD / REVIEW / EXIT 做最终决定。

一套分工方案：Claude 只写文本，Jev 负责路由、筛选、验证与风控，代码执行动作，号称 1 万次决策仅 0.42 美元。

一份教程预告，讲如何把真正的推理和例行决策分开，让 agent 不再把昂贵模型调用浪费在毫秒级就能判定的选择上。

作者让 Claude 只负责写交易理由，最终决策交给 Jev 返回单一分数，低于 0.80 就不交易，声称 9 周 $23,800、Sharpe 1.9。

用 seek(t) 逐帧渲染 1440 帧，环形图是 3412 个点乘 6 个是非题的 20472 个答案，卡片对比 4 个 bot 加 Jev 的成本与耗时，并让 Claude 自评 12 张分镜修掉最差的 3 张。

OpenAI Dots 读 1840 行账单、Sonnet 5.5 写 agent 与六条规则、Jev 负责审批封顶和执行，50 分钟成本 4.35 美元，每月省下约 3 万美元。

一只蜘蛛从 Opus 5.5、Sonnet 5.5、Jev、OpenAI Dots 各取一块，拼出 24/7 实盘交易 bot，Jev 提供 0.91 的 YES 与单笔 1% 风险上限。

设想 4 队各 10 个模型席位，由 10 个 Jev 路由工程师分派销售、客服、财务等 16 条业务线的任务。

把 Jev 接进 Claude Code hooks，用 70-500ms 的类型化决策过滤常规判断，只把不确定的交给 Opus，省下大量 token。

作者把 Claude Code 拆成三层：Sonnet 干活、Fable 当外部顾问、Jev 处理小分叉决策，并给出可直接粘贴的配置提示词。

Jev 检查每次交易启动，6 个 OpenAI dots 干活，Opus 只签最终 19 笔，当天 11 笔交易赚回 $4,960。

提出 Opus 规划、Sonnet 写码、Fable 审查、Jev 承担低成本机械判断的团队分工，并附可直接粘贴的提示词。