Jev 用法与案例：Browser Use、Agent 工作流

有人开源了 fast-jev-compaction，用 Jev 给 agent 做上下文压缩，附 GitHub 链接。

作者与搭档介绍 TypeSafe 新发布的 Jev，称分类任务上比同类 LLM 快省最高 200–400 倍，并预告接入教程。

Browser Use 创始人用 Jev 跑真实机票查询：7 秒完成、单次成本 0.0039 美元，靠动态动作空间、结构化输出免 token 和大小模型混合回退实现。

列出 Jev 可立刻尝试的用法：LLM-as-a-Judge 评估、agent harness 路由、扩展 agent 编排。

Jev 已接入 Cloudflare AI Gateway，可用 env.AI.run 直接调用，文档已放出。

转发 Every 的 vibe check 文章，讲 Jev 这个模型怎么工作，以及它在 0.7 秒内评判作者所有写作的体验。

观点：LLM 负责决定解决什么与怎么探索，Jev 负责每一步具体选哪个，靠概率、延迟和可靠性。

长文拆解 Jev 的适用条件：动作与目标有限、反馈明确、状态可观测、决策高频，并给出价值公式。

作者说自动模式此前因分类太慢被关掉，改用 Jev 后重新开启，说明 Jev 被用作分类决策。

OpenRouter 公布 Jev 定价：每百万输入 token 0.042 美元、输出免费，端到端 70–500ms，官方工作流上比走 LLM 快 190 倍、便宜 440 倍。

作者做了一个代理，让 Jev 判断对话历史里哪些部分还需要，请求发出前丢掉其余内容，在真实 API 上 8/8 答案精确，上下文占用最多降 50%。

作者用一天后列出四个真实用例：任务难度路由、编排器与子代理通信、社交内容信号分类、邮件分流，结论是确定性结果加智能流程的场景最适合 Jev。