Jev 用法与案例：Browser Use、Agent 工作流

同一套 harness 换用 Jev 后成本从 $2.12 降到 $0.006、token 从 800 万降到 16 万，两者都找出了同一个 100x 退款 bug。

作者认可 Jev 的速度成本，但指出它只是受限于预设标签的分类器，仍会选错，且 RLCD 方法与基准未公开。

介绍 Jev 用 typed choice/score/yes-no 替代整次 LLM 调用来决定下一个工具，号称路由任务上快 193 倍、便宜 444 倍。

开发者主张反直觉做法：不要让 LLM agent 去编排 Jev 调用，而应由确定性工作流主导，用 Jev 做判断并决定何时委托给 LLM。

开发者让 agent 把 Jev 集成进整个应用，并跑性能与成本对比测试，称 Gab AI 各环节会更快更便宜。

开发者做实验发现，像 dspy.Flex 或 GEPA 那样优化指令与状态表示，对 Jev 的表现同样有明显提升。

发帖询问是否有人把 Jev 用于 scalable oversight，判断模型行为是否对齐，属于征询真实用法的讨论。

把 Codex 实时输出、Git 改动和 AGENTS.md 合成一个观察，用 Jev 给「偏离 AGENTS.md 的概率」打分，超阈值就干预当前回合，已接入 Foreman。

八步方案：确定性代码管数学、Jev 管判断，六问并行决策、置信度门控与 Kelly 仓位，附回测与校准验证。

作者用 Jev 过滤自己的待办列表，找出增收、卡壳、更换 SaaS 供应商等关键词搜不到的记录。

主张在 LLM 推理与工具执行之间加一层专门做决策，作者实测最高快 193 倍、便宜 444 倍，并给出 state→decision→action→verification 的完整蓝图。

用垃圾邮件分类举例讲 Jev 的工作方式：给输入和输出 schema，返回 0.90 这类概率数字和限定选项，无推理文本，适合代码里快速低成本的二选一决策。