Jev 用法与案例：Browser Use、Agent 工作流

作者用 Jev 思路做了机器人实时阶段追踪模型，7ms 推理比 SOTA 快 25 倍，在 RoboProcessBench 上追平大 300 倍的 VLM。

上传即由 Jev 自动分类归档，检索按文件夹→文档→章节逐层决策，不用向量库，答案带页码引用，权限在检索层强制，还带 MCP server。

基于 extend parse + Jev 的开源文档库，自动归档并带精确页码引用回答问题，内置 MCP 与权限，可自托管。

用 Opus 5.5 当架构师、Sonnet 5.5 当工人、Fable 5.1 当对抗审查，Jev 在底层 16ms 内处理「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。

分享一套 Codex CLI 多 agent 分工方案，并提到用 Jev 承接「开哪个文件、调哪个工具、重试还是放弃」这类 16ms 机械决策，让前沿模型只在路径分叉时才被唤醒。

作者列出编码 agent 每小时会做的 10 个决策（选文件、选工具、重试与否、风险打分等），全部用 choice/score/noul 三种 Jev 决策形状接管，大模型不再参与这些选择。

演示把 Jev 与 Claude 组合成 37 个自主 agent 的集群，分工覆盖营销、开发、销售与运营，单人坐在桌前指挥整套系统。

把 Claude Code 里的 agent 拆成 Opus 5.5 负责思考、Jev 负责决策、代码负责执行，同一 agent 账单大幅下降。

IFM 在 Hugging Face 放出 K2-Type-0.9B，一个仿 Jev 的小型类型化决策模型。

Browser Use 在 agent 里塞入 Jev 做路由和打分，7 秒找到航班仅花 $0.0039，附 10 步任务路由搭建指南。

作者用 Claude Code 攒了三个月记忆并做可视化，称本周接入 Jev 后效果已胜过 Claude 原生 memory。

SafeCircle 的安全产品 Vigil 基于开源 Jev 模型，不再让 LLM 生成审核话术，而是对诱拐、性勒索等风险输出结构化判定。