Jev 用法与案例：Browser Use、Agent 工作流

作者为搞懂 Jev 与普通 LLM 的区别，写了个小游戏让 Jev 实时操控角色躲避攻击。

作者认为现实问题多是选择题，Jev 这类专用分类模型比生成式 LLM 更合适，并期待与 LLM 组合使用。

作者建议把 Jev 与可编程 agent SDK 结合，搭一个评估加迭代的提示工程循环，相当于 dspy 加 gepa，Jev 作为其中高效的一环。

前 OpenAI 成员 Diogo Almeida 发布 Jev：输入非结构化状态加一组带类型问题，一次并行返回全部概率打分，70–500ms，输出免费。

作者主张把 AI 程序拆成分类、结构化、确定性代码和小型 agent 循环的流水线，Jev 正好是其中的构建块。

作者计划用 Jev 做二分类评测，给状态加问题拿概率阈值，并在 agent 里当路由和重试的判断层。

一位开发者说自己已在 Jev 上花了很多钱，配图晒用量，让评论区猜他拿 Jev 做什么。

illyism 称在 aiseotracker、linkdr、genppt 等产品里用 Jev 替掉 AI 生成的硬编码正则，普通 LLM 调用快约 10 倍、便宜 50%。

Thorsten Ball 表示 Jev 的 onboarding 很好地回应了「这不是 LLM？」的疑问，体验出色。

一个 agent 读取游戏状态，通过类型化决策选择下一步动作，视频演示 Jev 在 Minecraft Skyblock 里的玩法。

作者用 120 亿数据点训练的价格预测模型加 Jev 在时序、指标、新闻特征空间上做决策，在 Hyperliquid 上找交易机会。

Jev 不生成文本，而是把状态编码一次、并行跑 Choice/Score/Noul 三类决策头，输出带校准置信度的结构化答案。