Jev 使用案例合集：15 个真实 Demo 盘点

比特小师妹｜KiKi @bit_sister原推发布于 2026.09.20

在 X 上打开原推

Jev 爆火后，大家都拿它做了什么？ 7 秒搜完机票、5 分钟整理 2900 封邮件、每 300 毫秒完成一次交易判断…… 最近 Jev 的各种 Demo 开始刷屏。Jev像一个速度极快的“决策器”：面对明确的状态和有限的选项，快速判断下一步该选什么。 师妹整理了目前最值得关注的 15 个 Jev 使用案例。无论你是做 Agent、自动化、投放还是内容运营，都可以从中找找灵感。 1️⃣ 7 秒搜完机票 @gregpr07 💰 约 7.1 秒、$0.0039 💡 Jev 每一步只负责决定“执行什么操作、点击哪个按钮”，只有输入文字时才调用小模型。 因此，浏览器 Agent 可以快速完成连续操作，适合页面按钮有限、需要快速连点的自动化任务。 https://x.com/gregpr07/status/2100411066966749359 2️⃣ 不做摘要，只删除过期记录 @tamaratran 💡 用 Jev 判断每条工具调用是否还需要保留。需要的内容保持原文，不需要的直接删除。 它可以减少 Claude Code 压缩上下文时丢失报错、文件路径和关键约束的问题，对程序员来说非常实用。 https://github.com/tamaratran/fast-jev-compaction 3️⃣ 每 300 毫秒做一次买卖判断 @jarrodwatts 💡 每个区块只让 Jev 判断“买还是卖”，具体挂单和交易操作由程序执行。 它证明了 Jev 可以进入实时循环、承担高频决策层，但并不代表使用它交易就一定能赚钱。 https://github.com/jarrodwatts/jev-trader 4️⃣ 不看画面，也能打马里奥 @fhshaik 💡 程序先把游戏内存转换成 JSON，再让 Jev 判断这一帧应该走、跳还是停。 它适合“状态已经结构化、动作集合很小”的控制任务，不适合直接看视频理解复杂画面。 https://github.com/fhshaik/typesafe-mario 5️⃣ 超便宜的电脑操作 Agent @awlevin 💰 约 $0.0002/步 💡 屏幕先通过 OCR 转换成文字，再让 Jev 决定下一步点击哪里。 适合整理桌面、点击按钮等重复操作，但不适合需要理解复杂图形关系的界面。 https://github.com/awlevin/typesafe-computer-use 6️⃣ 2900 封邮件，5 分钟分完 @ilyasycom 💡 给每封邮件判断类别、优先级、垃圾邮件概率以及是否需要回复，再把结果直接嵌入 Gmail。 这是最接近普通人日常工作的用法之一：批量处理海量信息，低置信度内容再交给人工检查。 https://x.com/ilyasycom/status/2101549394684441027 7️⃣ 自动跳过 YouTube 口播广告 @tdinh_me 💡 系统先读取视频字幕，让 Jev 判断哪些句子属于赞助广告，再把对应字幕换算成视频时间并自动跳转。 这是一个很典型的日常场景：先把信息转换成文本，再完成低成本的二分类判断。 8️⃣ 维基百科寻路与 Doom 控制 @CompleteSkeptic 💡 维基百科任务是在几千个链接中选择下一步点哪一个；Doom 则是每秒多次选择移动或攻击动作。 官方用这两个案例证明的是：即使选项很多，只要每一步仍然是一个明确的选择，Jev 就能快速执行。 https://x.com/CompleteSkeptic/status/2099925688925184171 9️⃣ 模拟控制 Falcon 9 火箭着陆 @uttkarsh_42 💰 245 次调用约 $0.04 💡 在模拟环境中，让 Jev 判断何时点火、开启多少台发动机，以及如何控制降落节奏。 它展示的是模型进入控制循环后的判断速度，并不代表真实火箭可以直接交给它驾驶。 https://x.com/jackcheng/status/2100729670991802386 🔟 自动选择该用便宜模型还是强模型 @gargpratyush 💡 在正式调用模型之前，先让 Jev 判断这次任务应该交给便宜模型，还是能力更强、价格更高的模型。 对已经接入多个模型的团队来说，这是最实在的降本场景之一，因为它减少的是“不必要的昂贵调用”。 https://github.com/gargpratyush/jev-router 1️⃣1️⃣ 生成界面，但不让模型直接写页面 @ctatedev 💡 Jev 只负责选择使用哪些组件，以及组件之间的关系，真正的页面拼装由程序完成。 把“判断”和“生成”拆开之后，UI 构建也可以变得更快、更稳定。 https://x.com/ctatedev/status/2101022101750571357 1️⃣2️⃣ 把代码审查做成可视化看板 @devagrawal09 💡 将 PR 拆分成风险、证据、严重程度和是否通过等多个判断，再通过可视化看板逐层推进。 适合开发团队进行代码预审和风险初筛，但不适合在没有人工确认的情况下直接自动合并代码。 https://github.com/devagrawal09/jev-review 1️⃣3️⃣ 在 Postgres 里用自然语言筛数据 @realZachi 💡 不需要额外搭建向量数据库，就能直接在 SQL 中判断“这一行数据是否符合某个语义条件”。 例如筛选“是否支持远程办公”的职位，适合运营后台和内部工具进行一次性语义过滤。 https://github.com/realZachi/pg-jev

这条是引用着另一条写的：x.com/ctatedev/status/2101022101750571357