Jev 用法与案例：Browser Use、Agent 工作流

一条演示视频展示用 Jev 的类型化 Choice 把打包后的状态路由到 6 个互不越界的执行通道，再由 OUTCOME CHECK 否决漂移，单次决策成本 0.42 美元、p95 242ms。

作者把加载哪些文件、任务思考量、工具失败后如何恢复、跑哪些测试等判断交给 Jev，Opus 只做难推理，每步返回带类型的决策结果供宿主校验。

用只做判断、不写字的 Jev 模式给代理动作加闸门，每次决策 354ms、约 $0.42 可跑一万次，并带置信度决定是否转人工。

作者重点介绍每小时扫描 X、Reddit、HN 的叙事雷达，并提到用户用自然语言写爬虫规格、Jev 以约 $0.00002 做决策后推送到私信和 Telegram。

演示把状态打包成类型化输入、把 Choice schema 固定为有限选项，Jev 3ms 返回带置信度的选择，低于 0.85 自动转人工，再由代码确定性执行。

把工作流画成方框与箭头，判断类箭头交给 Jev 做选择/打分/概率，大模型只处理筛后的少量内容。

把 Claude Code 拆成指挥官加 CODE/TEST/DOCS/OPS 四队，无需思考的分支交给 JEV 毫秒级判定，指挥官只处理真正有分歧的决策。

演示 300 个 agent 并行跑同一份任务简报时，评审方只对照规则看差异，问题数从 29 降到 4 再到清零，而不是把简报重读 300 遍。

作者围绕 Liquid AI 的 d1-ultra 搭单人交易系统：每笔交易只问一个概率问题、只在优势覆盖费用时下单，并让 Jev 给出第二意见，分歧就不交易。

帖子转述 Anthropic 资深工程师的说法：提示词已不是重点，把 agent 放进循环、图和 harness 里能多完成 8–10 倍工作，并指向 Opus 5.5 loop 与 jev 工程的完整指南。

交易台用 CHIEF、SCAN、VET、QUANT 等 8 个 agent 分工，SCAN 和 VET 向 Jev 询问动量和链上风险，VET 在每笔下单前查流动性，躲过了后来被抽干至 5K 的池子。

一位交易者澄清 Jev 的适用边界：它适合做高吞吐分类、agent 路由和盘前风控闸门，不适合当独立的价格或事件概率预言机。