Jev 用法与案例：Browser Use、Agent 工作流

作者认为 Jev 代表一类新模型：不聊天不写码，只接收状态和允许的决策集，返回带概率的类型化答案，适合路由、过滤、打分、审核等场景。

作者应读者要求开长帖，从 Diogo Almeida 在 OpenAI 参与 ChatGPT 与 RLHF 的背景讲起，介绍 Jev 这个新模型。

面对上千个 API 端点，用 Jev 以极低成本即时挑出最合适的一个，让 agent 的路由决策又快又便宜。

作者实测 Jev 后列出 10 个用小型类型化决策替代传统 LLM 的产品方向，如 agent 完工验证、声明核查、上下文准入。

介绍 Jev 只做判断不写内容，可一次把几百封邮件、评论或招聘帖分桶并给出置信度，附注册、建 key、装 skill 的完整步骤。

从某垂直招聘板取 1000 条职位，用 Jev 打标签并判断真假/过期/猎头贴，成本约 0.10 美元，还搭了个看板。

十分钟接入 typesafe-sdk，用 Choice/Score/Noul 一次评 40 个钩子，只放 3 个进真模型，附升级顺序。

视频讲解 Jev 作为决策层夹在 agent 与各模型、工具、浏览器操作、人工升级之间，含 40–200 倍速度、choice/score/null 原语等要点。

给 Jev 一份市场快照和具体问题，它只回决策不回长文，代码侧负责定价、执行与风控；已有 Monad/Kuru 上每 300ms 决策的 Jev 交易 bot，API 月成本约 10–25 美元。

作者认为 Jev 把「判断」从语言生成里拆出来，印证成熟工作负载会把确定性逻辑交还给代码，第一代 agent 架构正在被快速越过。

作者将 Jev 作为核心原语集成进自研 harness，用于分类、控制流、规模化标注、结构化决策与动态上下文管理，解锁此前受成本或延迟限制的功能。

开发者总结 Jev 不是自回归模型所以不能写代码或文本、目前只支持文本、只能从预定义动作集中选择，但极快极便宜，适合浏览器/电脑操作的状态到动作模型。