Jev 用法与案例：Browser Use、Agent 工作流

一套用 Jev 驱动 Opus 5.5 逆向二进制的流程：克隆目标、映射 18,039 条调用边、并行追踪、按追踪结果重建模块，平均距离 0.020。

West 发布 6-agent 的 Pumpfun 交易系统，Jev 负责在半秒内给出 yes/no 加置信度，24 小时内筛了 268 个币只放行 1 个。

作者把 Opus 5.5、Grok Bot、REA、Jev、Dots、Obsidian 串成系统，给一条预算 15 美元的指令过夜，Jev 负责写代码和部署，醒来有 3 个应用上线、94 人付费。

按任务把 Claude Code 拆给三个模型省 token，并把「选文件、选工具、重试还是停」这类不需要思考的分叉交给 Jev 毫秒级处理。

作者认可决策模型能当 agent 的侦察兵省成本、也能提升 RAG 精度，但实测 Jev 判断经常出错把 agent 带偏，最后换回 qwen 3.7 flash。

每小时一次、每晚 8 次，从干净分支复现并修复 flaky 测试后只开 PR；Jev 在每次运行里决定取哪个测试、修还是跳过、重试还是停。

用本地 socket 让 Opus/Sonnet/Haiku 会话互发纯文本消息不污染上下文；无需思考的分叉交给 Jev 毫秒级判定。

Agent.sa 在实时语音通话热路径上用 Cloudflare 开源 Clef（Jev-API 兼容）对检索前 8 条做 0–3 四级 Score 判定，解决相似度检索分不清「同话题但没答案」的问题。

用 Opus 5.5 做队长、三个 Haiku 5.5 并行干活，Jev 在底下处理「读哪个文件、用哪个模型、重试还是停」这类微决策，队长只在最后签字。

作者用 Jev 做 239ms 的 yes/no 决策路由，决定 Grok Bot、Opus 5.5、REA 等六个 agent 谁先干活，声称一夜跑出 212 注册、31 付费。

演示中 JEV 用置信度字段给钓鱼、回复价值、线索质量等打分，低于 0.85 转人工，全程零 token 输出，一万次决策约 250 毫秒、0.42 美元。

用 claude --model sonnet --advisor opus 让 Sonnet 主写、Haiku 并行搜代码、Opus 只在关键节点审核；帖中把 JEV 描述为更底层的毫秒级微决策分流层。