Jev 用法与案例：Browser Use、Agent 工作流

作者认为 Jev 的核心价值是当超快通用分类器，补上小模型时代没做好的事，但需要大模型先设计好足够丰富的判断原语。

开发者用本地部署的 Jev 变体加 DGX Spark 和自有数据集，把 agent 自动重试、找断点这类小决策从云端大模型搬到本地，锁定版本保证效果一致。

作者借 Jev 热度说明通用 LLM 之外还有别的模型类型，并用 GLiClass 在本地 Mac 跑通浏览器操作循环，LAX 到东京约 4 秒。

提出让 Jev 从有限动作中做选择、Cua 在真实浏览器/桌面执行，再观察验证的 agent 循环方案。

作者认为 Jev 若真做成模型或 Agent 的调度决策层想象空间很大，但目前仍在早期，需要真实场景验证。

作者称因 Jev 成本足够低，classifier.dev 可永久免费为个人 agent 提供批量分类，让本地 agent 能一键分类推文、邮件和对话记录。

作者总结 Jev 的五种用法——模型路由、上下文有效性判断、Agent 错误检测、终止条件、权限控制，本质都是把 Jev 当判断分支用。

一条自嘲帖：说不清原理，但确实在用 Jev，而且用量很大——侧面反映真实使用强度。

开发者把 Jev 接入 orchestrate 技能，让 agent 自动选择其他 agent 运行时与模型供应商，代码全开源。

复盘 Jev 从创始人包装、创作者模版、付费 seeding 到 Vercel AI Gateway 与 OpenRouter 上架的完整链路，并指出真实用户吐槽其泛化不如 Astra、强项是快和便宜。

作者用夸张口吻喊话「别再用了，我要破产了」，说 agent 们至今已花掉超过 0.02 美元的免费 Jev 额度，侧面反映 Jev 调用成本极低。

开发者用 Jev 跑长程浏览器任务基准，得分 1/20，远低于 BrowserCode + Luna 的 17/20，但速度极快，他正尝试用记忆与搜索补上推理短板。