Jev 用法与案例：Browser Use、Agent 工作流

把研究/路由/编码/评审/预算五个小 agent 和一个大 LLM 放进赛车 demo，Jev 每弯一次决策约 20-30ms 无文本输出。

给出百万次调用成本对比，并示范把客服消息按意图分流：Jev 管窄分类打分，Grok 管深度推理。

讲做市商如何靠定价与对冲赚钱，并提出用 Jev 跑廉价检查、把昂贵推理留给值得深挖的策略。

Diogo Amago 放出搭建 Jev harness 的指南，测试称编码 agent 可快 200 倍、便宜 400 倍，附 Claude Code/Codex 实操思路。

Virtuals 上的 Reppo 支持把 agent 产出交给独立裁判评分和批评，Jev 这类模型裁判可直接接入，帮应用决定接受、拒绝还是重试。

给出可粘贴进 Claude Code 的搭建步骤：代码跳过未变输入、Jev 路由挑选值得调 Opus 的任务，先在 plan 和 shadow 模式验证。

观点：Jev/决策模型热潮的意外副作用，是让标量 SQL 流式决策树和多阶段分类器重新被认真对待。

一份被泄露的 Anthropic 内部 Claude Code 配置：Sonnet 5.5 主写、Haiku 5.5 并行扫仓库、Opus 5.5 待命做架构评审，Jev 用约 16ms 处理机械路由，只在真正需要推理时才唤醒前沿模型。

用 Unsloth 单卡 A100 跑 15 分钟 QLoRA，只训 2.1% 参数，在 typed-decisions 评测集上准确率从 30% 提到 80%。

作者画出四层 agent 分工：Haiku 扫仓库、Jev 约 16ms 路由琐事、Sonnet 写码、Opus 只在计划/重复失败/发布前被唤醒。

团队做企业级 agent trace 分析，用 Jev 和 Luna 对 agent 产生的查询做分类，以决定优化哪些查询模式。

六个 Grok agent 负责下单、蜘蛛读盘，Jev 负责拍板方向，实盘 BTC 永续 12 胜、单笔 195ms 成交。