Jev 用法与案例：Browser Use、Agent 工作流

Pi 新版本把 Jev 与 llama.cpp 模型降级为「只做判断」的分类器，配合虚拟模型做任务路由，还内置了 MCP 与图像生成。

作者用 Jev 搭了个通用 web 自动化工具，说比用 LLM 更快更便宜且能应付任意任务，还发现 Sonnet 5.5 因为工具调用更少，比 Haiku 4.5 又快又省。

作者把 Agent 每轮都要做的选工具、重试或停、是否有效、下一步、记住什么五个决策抽出来交给 JEV，模型只处理真正需要思考的部分。

作者称拿到一份提示词，让 Jev 只做无文本的类型化决策（每百万输入 0.042 美元、输出免费），Opus 负责需要上下文的推理，已跑一周。

七天赛程、1000 美元奖池，多链（Solana、RH）部署交易 agent，至少 20 笔交易，按 ROI 而非规模排名，支持模拟模式且 Jev 使用计入成绩。

把 Jev 的 Choice/Score/Noul 三个原语接到 Hermes、LangGraph、MCP、E2B 等 20 个开源工具上，每条给出具体该做哪种判断。

49 个 agent 扫比特币行情，第 50 号把噪音压成一个 Python 状态，再交给 Jev 1.13 出 BUY/SELL/HOLD。

系统在 Opus 5.5 上跑训练，Jev 看结果决定下一轮方向，好配置加算力、坏训练直接丢。

Opus 5.5 负责规划，Jev 承接循环里所有 yes/no 判断，低置信度才回退给 Opus，附一段可直接丢给 agent 的改造提示词。

Ollama 新增 /v1/systemone 接口，本地用 Nimble 一次请求返回工单归属、退款意向、紧急度等结构化答案。

主张把决策与文本生成解耦：Jev 做 16ms 的 Choice/Score 判定，前沿模型只负责综合，并给出外部类型化队列、预填充门控等 10 步做法。

梳理 Decisions API、Ollama 0.35 本地跑 Jev 格式、OpenRouter 托管 Jev 1.13，以及第三方 Ollaya 一键下载开源决策模型。