Jev 用法与案例：Browser Use、Agent 工作流

作者用 Jev 并行给 3000 条酒店/机票打分筛掉假评论和隐藏费用，再让 Opus 5.5 只对前 5 名做行程规划，总花费 0.25 美元。

实测 Jev 驱动屏幕操作，常规步骤走快模型，置信度下降时把该步交回 Opus，形成快慢模型接力。

You.com 在 Web Search API 的 Knowledge 功能里，用 Jev 当检索与合成之间的重排层，token 用量降到三分之一，Vertical RTK 基准准确率 84%。

发布周实测：Jev 每十亿 token 约 42 美元、单次回答约 100ms，智能家居 demo 里 185ms 直接输出可执行选择。

作者认为 LangGraph 把决策放进 state 再据此路由的核心抽象，正好对应 Jev 的用法，未来或被视为可组合模型的通用写法。

Paddock 0.1.10 支持 Windows、Linux、DGX Spark 与 macOS，新增基于 DiffusionGemma 26B-A4B 的 Jev 风格分类 API，并接入 Laya、Qwen Image-2.1 等模型。

hwchase17 认为用 LangGraph 建模 agent 系统、把 Jev 嵌进去加速大量小决策是很好的组合。

Abnormal 在休斯顿办百人 R&D offsite，作者回顾里提到与同事用 Jev 做黑客松项目，其余是路线图分享和团建。

把选知识库条目、猜用户意图、挑检索方式等决策从 LLM 挪到 Jev，中位响应降到 0.5 秒。

一份流传的 14 块架构图：规划、检索、编码、执行、评审各司其职，Jev 存跨智能体决策记忆，据称任务闭合率 87% 对简单提示的 20%。

一套 Jev 搭配 Claude Code 的编码 agent 架构：廉价判断做闸门与路由，只把高风险或不确定的决策升级给 Claude/Codex，再回跑验证。

介绍 Jev 作为返回 BLOCK/ROUTE/SCORE/VERIFY 类型化决策的引擎，给出在浏览器跑 demo、接入 /decide 端点、搭浏览器 agent 与交易循环的步骤。