Jev 用法与案例：Browser Use、Agent 工作流

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。

介绍用 OS 沙箱让 Claude Code 免审批全速运行，并称 JEV 承接「跑哪条命令、重试还是停」这类无需思考的微分支，大模型只处理真正分叉的决策。

Milvus 上的 Vector Graph RAG 用 Jev 先筛关系、再排段落，Jev 1.14 在 MuSiQue 与 2Wiki 上达到 86.61% Recall@5。

文章对比 32 个决策模型，涵盖开源权重、闭源 API 与专用编码器，用 JevBench 和 Decision Index 评估，最低延迟 8ms。

苏黎世工程师让 Jev 先处理每天 14 亿行里的简单判断，只把置信度低于 0.91 的 17% 交给 Opus，并用夜间校验器动态上调阈值。

用 Haiku 扫描仓库、Opus 写配置，一条提示词生成 7 个 .claude/ 文件；文中提到 Jev 以 0.97 锐度在代码里裁决 1867 个权限分叉，模糊的再交回人工。