Jev 用法与案例：Browser Use、Agent 工作流

Beacon 用 Jev 从 agent 运行记录里挖出有价值的经验，转成可复用技能，供 Claude Code、Codex、Cursor 等 20 多个 harness 共享。

把 LinkedIn 联系人做成 Jev 驱动的个人 CRM，用自然语言约 1 秒内检索目标人群，例如手游买量负责人、西雅图 B2B 种子投资人，并附联系方式。

Langfuse 作者称用 Jev 评估所有 agent trace，认为这类通用零样本分类器会改变 agent 可观测性与评测的做法。

演示用 Jev 把状态转成类型化决策，一次调用并行决定模型、工具与结果取舍，400 个分支共花 0.017 美元。

作者总结 Jev 七点观察：专为多选题而生、更便宜更快，最看好的场景是廉价 computer use 与搜索。

作者澄清 Jev 是「类型安全但概率性」的通用分类器，只输出预设选项却仍可能选错，并推荐实际使用。

作者周末实测 Jev，把 browser-use agent 做到 3.5 倍速，并主张快而稳的 agent 要靠前沿推理模型加专用模型组合。

作者把 Jev 当作交易系统的重复判断层：读资金流、给机会打分、风控否决，DeepSeek/GPT/Claude 只处理疑难研究，代码保留最终否决权。

演示用 Jev 插件驱动 Grok 扫 3412 人、挑出 186 个高意向客户并自动写私信，成本 41 美分。

作者给出 7 分钟搭建流程：Jev 做路由决策、GrokBot 执行，把选航班的 4 美分 11 秒压到 0.4 秒 0.00002 美元。

Spawn 集成 Jev 后每秒可做十次决策，创作者已用它做 NPC、Boss 和谜题。

演示用 Jev 做二选一决策，每秒 25 次、255 个选项、每次 74ms，单次 $0.0004 对比 GPT-5.6 Terra 的 $0.0304，同基准准确率相同。