Jev 用法与案例：Browser Use、Agent 工作流

作者基于一个想法用 Jev 做了个小 pre-commit hook，主要防止把一次性脚本之类的杂文件误提交到 main。

演示把文档和问题清单一次性喂给 Jev，32K 输入上 100 个问题约每题 1ms、成本极低，适合批量筛选与分类。

一条清单帖列出 Jev 的 Choice、Score、Noul 三类问题与 7 个典型场景，包括浏览器操作选择、模型路由、工具门控、护栏、评测、记忆过滤和检索重排。

帖子给出 Claude Code 多模型分工方案：Opus 5.5 写工作流脚本并终审，Haiku 5.5 并行扫描文件，Sonnet 5.5 打补丁，选文件、选工具、重试等轻决策交给 Jev 毫秒级处理。

Jev 毫秒级剔除噪音，Grok agent 分别打分相关性与新颖度，再由代码决定报告内容，整晚成本约 4 美分。

把线索、工单、文档、记账四条队列接进同一个决策模型：模型只做 Choice/Score 选择，代码负责执行，0.85 置信度门控决定是否转人工。

帖中介绍 Claude Code 的 swarm 技巧：Opus 拆分 578 个文件，16 个 agent 各自逆向一个服务只回摘要，Jev 负责毫秒级微决策分流。

作者让 Grok Bot 汇总 1,284 份文档、Opus 5.5 对照 IRS 规则，再用 Jev 对每条扣除问「有无凭证」并给出概率，低于 0.90 即剔除，最终留下 6,140 美元扣除。

作者把自己 5 篇 AI 干货打包：含用 Jev 承接简单分类筛选、复杂推理留给 Codex 的省额度方案。

工作流让 REA 记录功能行为及证据，Jev 判定每条规则与证据的关系（接受/继续调查/复核），代码强制证据链接，未支持的规则保持 UNVERIFIED。

一个概念演示把交易台拆成六个岗位，让多个模型按评分竞争，Jev 以 0.96 拿下「过滤噪音」，最终每天只产出一张待人工确认的卡片。

作者把 Jev 的 computer-use 流程接进纯代码 relay stack，让 Jev 只输出「UI 变化导致代码需重生成的置信度」和「下一个待检查步骤序号」，不再直接生成操作，以兼顾速度与鲁棒性。