Jev 用法与案例：Browser Use、Agent 工作流

用 Opus 5.5 设计定时任务、Haiku 5.5 高频后台扫描、Sonnet 5.5 修代码，并把无需思考的微分支交给 Jev 毫秒级路由，省下 Opus 上下文。

让 Haiku 子 agent 跑构建只回 3 行日志，主会话省下 40k token；同一思路下 Jev 在代码里以 0.90 阈值分流 1,301 次 fork 决策，只有拿不准的才交给 Sonnet。

视频汇总 Riley Brown 与 Hassan 的测试：Jev 只做二选一判断并给出概率，成本约 3.5 美分，但置信度不等于正确率。

把「下一个谁干、这条来源相关吗、草稿能发吗」这类小判断从全模型调用挪到 Jev 的 Choice/Score/Noul 层，并说明决策与执行代码的边界。

拆解一条 Jev 决策链：把收件箱、DOM、CRM、信息流打包成一个状态，CHOICE/NOUL/SCORE 多头并行，整链 3ms、每万次决策 $0.42，低置信度自动拦截。

泄露的 Jev 网格把写作、决策、执行拆成三个角色共享同一状态，Jev 只输出 Choice/Score 决策，中位 256ms，1 万次决策 0.42 美元。

展示一套 JEV 外呼工作流：1200 条 WhatsApp 聊天经两道结构化问题筛出 240 条合格线索，写入六字段 schema，部署预约 bot，并在你输入价格前拦住所有发送。

泄露的 Jev 架构把 6 路信息流合并成一个共享状态，并行发起 8 个 Choice/Score/Noul 问题，0.85 门控把关，中位 242ms。

把 agent 流程拆成写、决策、执行三层，Jev 只从给定选项里返回概率而非文本，输入 $0.042/1M、输出免费，并给出 Doom bot 每秒约 10 次决策的实测成本。

作者用 Jev 做 15 万次两两比较，给 1 万个维基主题按「Jev 的喜好」排序，可浏览最好/最差，也能玩「你 vs Jev」看口味一致率。

9 个任务按读/写/审分给 Haiku、Sonnet、Opus，成本从 $4.34 降到 $1.11；作者称 Jev 在更底层用代码以固定锐度解决「选哪档、重试还是停」的分叉。

在 Lumen Innovation Summit 的多 agent 编排工作坊上，用 Claude Code Builder Skills 一次提示搭出编排、规划、实现、决策、通信五个 agent，其中决策角色由 Jev 担任。