Jev 用法与案例：Browser Use、Agent 工作流

Diogo Almeida 给出十步蓝图：LLM 负责生成、Jev 用 Choice/Score/Noul 做有界语义决策、代码保留最终权限，并按置信度路由。

作者用 Jev 挑出烧预算的工具调用分支、Claude 改运行时钩子，把 4 个企业 agent 的月账单从 765 降到 3.02 美元并拿下长期顾问费。

小语料下 Jev 直接当相似度指标，逐对判断文档是否相关并给概率，无需向量库；大语料下 embedding 召回 top-k、Jev 只做重排，能捞到零词重叠但正好答对的文档。

五步方案：不让 LLM 自由挑工具，改由 Jev 在工具名加 none 中单选，按置信度放行并打断重复失败循环。

面向 Solana 社区介绍 TypeSafe 的 Jev：不生成文本，而是接收状态返回 Choice/Score/Noul 结构化决策与置信度，供 agent 直接消费。

作者记录一次 agent 运行中大量模型调用没产出任何文字，于是把循环里的判断点拆给 Jev 出带概率的类型化答案，再由置信度决定自动执行、补证据还是转人工。

安全研究者用 Jev 与 Arcanum 的提示注入分类法做了对比分类测试，结果可能后续发布。

Diogo Almeida 分享 30 条提示词，让 Jev 在 0.1 秒内做任务分级、脚本放行和风险打分，只把难活和深度评审交给 Opus 5.5。

从星际争霸 bot、浏览器插件到 PR 风险路由和提示注入防护，列出 10 个基于 Jev 的真实开源项目。

开发者把 Jev 放进模拟 JFK 塔台，语音模型负责与飞行员通话，Jev 在后台逐条评估放行指令，置信度接近 0.5 时选择犹豫或转人工。

作者让 Jev 和 Opus 5.5 各下 30 块方块比消除行数，视频结尾给出决策耗时和 API 成本对比。

作者以中国学生问玻璃黑板的视频作比，称 Jev 能在下一个区块前给出买卖判断，而 LLM 还在推理时盘口已动四十次。