Jev 用法与案例：Browser Use、Agent 工作流

TypeSafe 放出 typesafe-ai/skills 仓库，一条 npx 命令即可安装，让编码 agent 用 Jev 回答路由、校验、是否需人工复核等重复决策，减少昂贵前沿模型调用。

作者写了个 CLI/Python 库，用 secrets 生成随机数后交给 Jev 判断是否够随机，被拒会给出理由，附安装命令和 GitHub 仓库。

作者写了个 CLI 实验，让 Jev 在提交前审查代码改动：8 个构造样例 359 毫秒全部判对，还能区分无害日志里的 token 和真实会话令牌泄露。

解释 Jev 不是替代编码模型，而是处理重试、工具路由、风险评分、是否要人审这类小决策，让贵模型只在真正需要推理时被唤醒。

作者称 Jev 因决策结果直接返回类型化结构而被大量接入，整理出 11 个具体使用例子。

DeepForAI 称已训练近四个月的 Jev 类决策模型，专攻阿拉伯语与本地部署，数周内可能开源，并附上自建非自回归决策模型的文章。

Jev 是 TypeSafe 的 System One 模型，输入上下文后返回 choices、scores、probabilities 等类型化决策，适合分类、路由、打分、护栏和实时产品判断。

把 agent 每轮重新推理换成状态捕获、排序、打分、选择、路由、执行、验证的 10 步 Jev 循环，减少重复推理与模糊路由。

开发者预告用 Jev 搭配 agent-browser 能做出一些很野的东西，并给出一个示例，适合想看浏览器 agent 决策落地的人。

作者认为 Jev 的机会不在便宜模型，而在把昂贵的人工队列前置：线索打分、工单分流、申请排序、转录片段挑选等高频决策场景。

开源项目 Stanley 用小模型判断加确定性工作流，让编程任务有边界、可检查，并能随时间自我改进。

前 PolyMarket 研究员发布 meme 交易终端 NERVE，7 个自主节点 AI 用 JEV 与 ASTRA 组成交易架构，GitHub 已开源。