Jev 用法与案例：Browser Use、Agent 工作流

把 10 万条汽车列表交给 Jev 做结构化判断，LangChain 深度 agent 补研究缺口，模拟用户自动提问，答案与缺口全部落库。

作者给出单页配置，用 Jev 做决策层、Opus 5.5 做推理，接进 Obsidian 工作流，声称聊天提速 10 倍、省下 80% 工时。

Sonnet 5.5 agent 处理邮件/发票/报告，Jev 拦住超 $500、合同、价格等高风险动作转人工，其余自动放行。

Jev 只输出 BUY/SELL/HOLD 加概率，三个开源交易仓库已接入，每百万 token 输入 0.042 美元。

Diogo Amogo 的 PDF 教你把现有 coding agent 重构成 Jev harness，实测最高快 200 倍、便宜 400 倍，可直接喂给 Claude Code 或 Codex 照做。

一份 17 项 AI 技能待办清单，把「上手 Jev」与 Claude Code、MCP、Codex 并列，但只提到名字、没有具体用法。

有人发现 Jev 是返回决策+概率+置信度的机器裁判，Reppo 想用 web3 让任何人都能跑评估器并押注判断。

盘点 rizzo-flow、llm2jev 等本地仓库，用结构化 yes/no/评分替代 Jev 式决策，含 48ms vs 652ms 延迟对比。

作者把选文件、选重试、决定何时跑测试等 4 类决策从 Opus 移到 Jev，单任务成本从 6.42 美元降到 2.00 美元，代码仍由 Opus 写。

作者称把上下文取舍、任务路由、失败恢复、测试时机这 4 个决策交给 Jev，Opus 5.5 只负责写代码，编码 agent 成本下降 68.8%，并附完整架构与提示词。

作者主张读哪个文件、路由到哪个模型、重试还是放弃、跑不跑测试都不是推理题而是决策题，交给 Jev 后同一 agent 成本降近 70%。

作者借 Jev 讨论把 Agent 拆成高频低延迟的 System 1 与负责规划的 System 2，指出 Computer Use、语音交互不该每步都跑完整 ReAct Loop。