Jev 用法与案例：Browser Use、Agent 工作流

OpenCode 更新日志显示 Zen 已支持 TypeSafe AI Jev（jev-1.13 与免费版），可跑并行是非题、多选题和评分量表，同时加入 Grok 4.7 等模型。

作者用 Jev 搭了个给漏洞赏金猎人用的小工具，提交前判断 finding 是否重复，目前一律返回「probably」，可私信要一份。

一篇长文主张 Jev 补上了 AI Agent 架构中缺失的决策层，讨论它在 agent 工作流中的定位。

16GB MacBook Air 上本地跑的 Laya System 1 决策 40–50ms，云端 Jev 超过 300ms，本地模型在实时游戏里胜出。

泰语介绍 Jev 这类 System One 决策模型：只从给定选项里选、给分或判概率，适合分类、分流和 agent 选工具。

作者自测认为 Laya 快是因为本地部署无网络延迟，Jev 云端虽慢但判断准确度更高，两者适用场景不同。

Tinker 团队称开源 LLM 本身即概率分类器，花 5 美元跑 10 分钟微调，就能输出 Jev 那样的离散选项概率。

作者演示将 Jev 用于营销流程后，LLM 调用成本降到原来的约 1/25。

作者称自己新做了一批 Jev 工具，并用 Opus 5.5 生成了一段介绍视频，附原帖链接。

作者用 Browserbase 取前 25 条搜索结果，再由 Jev 按选择标准打分返回前 5 条，Jev 常挑出初始前五之外的更相关 URL。

周末开源 demo 用 Jev 对 SERP 重排，50 个问题中 74% 更偏好短名单、86% 答案落在前三，减少上下文噪声与 LLM 成本。

作者整理 Opus 5.5 迁移文档里的 10 个坑，重点讲 Jev 按消息设 effort、首轮定速度，避免缓存失效和 400 报错。