Jev 用法与案例：Browser Use、Agent 工作流

用 command hook 硬拦截 rm -rf 和 .env 读取，Haiku 判定 Stop 是否完成，Opus 在 push/publish 前审 diff；文中称 Jev 在代码里 15ms 解决微分支。

介绍 agent 行动前可向 Jev 提类型化问题（是/否、选项、评分），得到 0.98 放行、0.01 停止这类概率答案，每次检查不到一分钱。

汇总 Browser Use 的 7 秒订票 agent、Jev 打分压缩上下文、jevgrep 省 30% 成本找代码、Monad 每区块决策的做市 bot 和 pg-jev 自然语言 WHERE。

用 Haiku 分诊、Sonnet 复现、Opus 打补丁的 Claude Code 修 bug 流水线，并提到 Jev 工程用 0.98 锐度在代码层解决 2,340 个运行时分支。

把 Opus、Grok、Jev 等 6 个工具串成一支团队，在无人值守的 12 小时里找需求、做产品、发推广，声称赚到 47 个付费用户。

作者列出 Jev 宣称的 70-500ms 决策、便宜 40-400 倍等数据，并逐条要求评测表、延迟直方图、决策日志与回测对比。

开发者开源 HarnessRouter，让 Grok Bot 把任务分派给 Codex、Claude Code、System One（Jev）等运行时，并用 CSV 转仪表盘做了实测。

把 agent 里 91% 的「是/否、选源、打分」类调用交给 Jev 返回概率，写作交给 Kimi K3，决策成本降约 250 倍。

同一套 Claude Code 工具链只换底层模型，Kimi K3.1 Pro 跑主 agent 与子 agent，实测省 43% 而非 50%，并用 JEV 在代码层处理微分支。

研究者讨论把决策模型用于轻量形式化方法与 SRE，提到学生已在 SREGym 基准上试过 Jev，并把经验写进博客。

作者刚用上自己 demo 的 Jev 集成 computer use 系统的语音模式，打算把这套语音交互带进 poly。

DeepEval 新增 JevEval，用 Jev 的结构化决策替代生成式 LLM 裁判，支持是/否、分级 Score、Choice 三种题型，可直接评 agent 执行轨迹。