Jev 用法与案例：Browser Use、Agent 工作流

作者主张别造全能 agent，而是让每个 agent 只干一件事、上下文保持小、并行跑、失败可修复、只合并已验证结果，并称配合 Claude Code 更快更省更稳。

作者用 Jev 从 210 万策略、1900 万次蒙特卡洛模拟中蒸馏出 500+ 策略做交易测试，结论是暂时还没找到 edge。

作者分享把 Typesafe 模型接入编码 agent 工作流的实践笔记。

Diogo Almeida 讲辅助型 AI 与自动化 AI 的分野，以及 Jev 用校准决策替代人类审批的思路。

一个 Claude Code mod 通过 Jev 给每个请求自动分类子模型、主模型和 effort 等级，一条命令即可安装。

作者用 Typesafe 做机器人公司的研究与资本地图可视化，代码已开源于 GitHub。

在幕僚长式 orchestrator 里，Jev 替代主 LLM 读一堆上下文再自回归决策，直接做子 agent 路由判断，效率高很多。

有人用 Jev 搭了 Mac 语音 computer use，句子还没说完应用就已经被打开，执行快过说话。

作者发视频展示自己找到的 Jev 新用法，带画面演示。

Rippling 用真实数据测 Jev，分类准确率 90% 对基线 50% 且快近 8 倍，但在 text-to-SQL 控制环节表现差。

作者基于 TypeSafe 的 Skill Suggestion 示例做 Mod，把技能、算力和工具选择交给 Jev，拆成独立决策服务。

Astra 负责规划并沉淀技能，Jev 以 System One 实时输出移动与战斗动作，全程成本约 0.97 美元。