Jev 用法与案例：Browser Use、Agent 工作流

用 --max-budget-usd 给每次运行设硬上限，每完成一步写一行 ledger.txt，触顶后下次从断点续跑；作者称 Jev 在代码层做同样的分叉判断，1,902 次分叉以 0.96 锐度在代码里解决。

按 Anthropic 文档把 Opus、Sonnet、Fable 分层使用，并让 Jev 这类决策模型在毫秒内回答开文件、重试等小选择。

把 Browser Use 找航班、批量分类论文、整理邮件、压缩 Claude token 等 Jev demo 汇成一份账，强调该看的是每个完成任务的总成本而非单次决策价。

用 --advisor opus 让 Sonnet 5.5 干活、Haiku 5.5 并行搜索审计、Opus 只在关键节点签字，Jev 负责毫秒级微决策分流。

从 Clay 的 Google Maps 免费源抓管道公司线索，跳过名字含 plumbing 的已知匹配项，用 Jev 给其余线索打契合分，再找联系人和邮箱。

把重复指令拆成 .claude/skills 下的 SKILL.md，只在描述匹配时加载正文，并用 Jev 在毫秒级分流无需大模型的微决策。

给 Claude Code 的每次状态变更工具调用加一道 0–3 风险评分，按分数放行、暂停或拒绝，单次检查约 0.00004 美元。

用 OpenAI dots 和 Grok Bot 各配一台云端电脑干活，所有涉及转账、退款、删除的动作先交给 Jev 在 70–500ms 内判定。

Yuvelir_22 讲述把 6 个 AI 工具串成夜班系统，Jev 负责构建并上线产品，凌晨还自行雇人配音，早上醒来已有付费用户。

Sentry 每天花 263 美元用 Jev 检查 1000 万条事件，拦截藏在错误报告里的提示注入，并正测试自研分类器以求降本 90%。

作者在搭一套用 TypeSafe AI Jev 和 Cloudflare Clairic 控制机器人的 harness，演示提示词「去厨房找炉子」。

作者自建 16000 参数决策模型，2.8 微秒本地出结果，简单分类 94% 准确，但复杂判断仍会出错。