Jev 用法与案例：Browser Use、Agent 工作流

作者分享 Jev 的 line-by-line search 用法：把整份文档放进 state 逐行提问，单一答案用 nouls，要标出所有相关段落则用 scores。

把 GitHub 上的 playbook 改造成 Grok Bot 技能，其中 jev-passage-filter 用于检索段落排序、jev-typed-decision 用于小型路由分类决策。

作者分享一段 Jev 提示词，让 agent 对每个页面回答三个是/否问题（问题不清、内容过时、与他页重复），据此决定修复、合并或搁置；首轮误标 2192 页，修好抓取后降到 666 页。

作者日常用 Opus 5.5 但不喜欢它的文案腔，于是用 Jev 在 Auto Router 里几步教会模型按任务和口味选模型。

以工单分流为例说明：普通解码要生成整句再解析，结构化输出仍逐 token 生成 JSON，而 Jev 式打分直接对预设候选给出概率分布。

Arpit Bhayani 的实战 AI 课程第六期加入 Jev 与 Clairic、长时运行 agent、多 agent 任务分解、记忆读写路径与成本效率等主题，11 月 14 日开课。

用 claude --model sonnet --advisor opus 把主会话、只读子代理和顾问模型分层，并提到 JEV 在更底层做确定性分支路由。

给出 Sonnet 5.5 主会话、Haiku 5.5 只读检索、Opus 5.5 三个检查点复核的配置提示词，并把工具选择、文件选择、有界重试等确定性路由交给 Jev。

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。

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。

一小时课程演示 loops/graphs/harness 三层结构，配合 Opus 5.5 与 Jev 让 agent 离线也能规划、验证并持续交付。