Jev 用法与案例：Browser Use、Agent 工作流

Pi 团队开源 Pi-vision 扩展，让 Jev 负责分析视频、图片和文档，Pi agent 只做编排，省下前沿模型的 token 开销。

一位开发者用 Jev 的置信度分数按风险分级设阈值（只读 0.5、退款 0.7、升级 0.8、破坏性操作 0.9），低于 0.5 直接转人工。

交易叙事工具 queen 改为先用 Jev 判断问题类型再决定调用哪些工具，币种检查从 55 秒降到 31 秒。

作者把 RANKO、WARDEN、CITA、ROUTE、AEGIS、LABEL 六个 Jev 分类器接在一个路由下，一周完成 840 万次不生成 token 的决策，称比前沿模型便宜 2100 倍。

Hugging Face 上线的 27B 文本分类模型，主打可重复的结构化决策分类，已有 5.6k 下载。

用 opusplan 模式让 Opus 5.5 只做架构与签核、Sonnet 5.5 写码跑测试、Haiku 5.5 并行扫仓库，无需思考的分叉由 Jev 15ms 内解决。

Watcher 并行拉取 6 个资产行情，Analyst 用 noul("act?") 毫秒级判断，Choice 只输出多/空，Risk 按回撤预算限仓，Gate 以 0.85 阈值拦截执行。

作者把前沿模型用在正事上：用 h3-omni 加 Jev harness 实时流式生成《杀出重围》(2000) 里可无限探索的香港场景。

用 Jev 的 Choice、Score 和是/否三个类型化输出头合并成单一状态，低于 0.85 置信度直接转人工，代码按门禁结果确定性执行。

检索流程用两次 Jev 调用做打分和校验，每次查询 0.027 秒，并用 answerable 和注入两个门控挡住低置信内容。

Opus 5.5 主写代码，Fable 5.1 通过 /advisor 在计划、反复报错和收尾时介入，Jev 负责选工具、重试与停止等小决策。

按任务拆分模型成本：Sonnet 5.5 写码、Haiku 5.5 子 agent 并行读仓库和跑测试、Opus 5.5 只在关键节点介入，Jev 负责「改哪个文件、重试还是停」这类是/否分叉。