Jev 用法与案例：Browser Use、Agent 工作流

一条用 Kimi K3 生成图示、把 Jev 的决策模型讲清楚的科普帖。

作者认为 TypeSafe 力推的「可组合 AI」正借 Jev 把 agent 循环拆开，把更多智能移进连接各环节的胶水层。

把 Jev 拆成三步：输入状态与问题，经 Jev 处理，输出校准后的概率。

两小时访谈讲 Jev 如何用 Choice、Score 和是非概率在 agent 循环中路由任务，附技能路由、代码库 lint、检索重排三个可复刻构建。

作者做了个智能配速器：Jev 读取配速、心率趋势、RPE 和坡度，输出加速、保持、放缓或恢复，每次决策约 $0.000046、582ms。

作者把决策层从 LLM 拆出来交给 Jev，配 Kafka、收费闸门和人工隔离区，跑出第一个不用盯着的 agent。

MIT 开源的 jev-trader 在 Monad 的 Kuru 上做 MON-USDC 做市，无私钥可空跑；单次决策 $0.0004，但没配 TypeSafe key 时会退回动量启发式而非调用 Jev。

作者梳理 TypeSafe System One 首个模型 Jev：输入现状加预设问题，几百毫秒返回选项、分数或概率，用来替 agent 循环里琐碎的 if 判断省钱。

用 CFPB 一千条真实投诉把 Jev 和开源 FLock 做分流对比：复杂长文 Jev 明显占优，日常场景 FLock 免费够用。

交易 bot 用 Jev 承担全部买卖判断，再用多模态模型把决策输出可视化，作者强调亮点是这套分工流程而非收益本身。

Hikari_07_jp 说用 Jev 做消融实验让响应数据分析轻松很多，正在基于 MiMo-V2.6-Distill-Qwen-9B 训练 Abliterated 版本，后天发布。

给 Qwen 固定候选答案菜单、读分数、用代码拼 JSON，28 次决策从 5.11 秒降到 497 毫秒，还在浏览器里跑本地游戏决策。