LangChain 团队用 Jev 构建 Agent Harness
LangChain 的 Sydney Runkle 用 Jev 做模型路由与工具执行前风险护栏，并汇总浏览器自动化、交易 agent 等社区案例。
Jev 优质案例 +1 @LangChain 团队 @sydneyrunkle 用 Jev 与 LangChain 集成构建 Harness ！ Agent 的本质是一个循环：观察状态 → 决策 → 行动 → 再观察。LangChain 的出发点是一个真实痛点：循环里的每一步决策都要调用一次完整的大模型，哪怕只是回答“这个任务难不难”“这个操作危不危险”这种小问题。用 GPT 级模型回答二选一的问题，就像用卡车送一封信：延迟高、成本贵，且 Agent 循环里这类调用会成倍放大。 Jev 是什么：“System One” 模型，参考 TypeSafe AI 创始人的详细讲述：https://x.com/CompleteSkeptic/status/2099925682726002904 Jev 与 LangChain 的两个落地场景 1. 模型路由：用 Jev 快速判断任务复杂度，简单任务走便宜模型，难任务才调旗舰模型。这是目前降低 Agent 成本的主流思路，而路由判断本身正是一种“分类任务”，是 Jev 的甜点区。 2. 自动模式护栏：在工具真正执行前，用 Jev 做一道风险检查（如“这是否是危险操作”）。相当于给自动驾驶装了个反应极快的刹车，慢思考模型负责开车，快模型负责随时踩闸。 这三个社区实践值得看看： 1. 浏览器自动化（ @kylejeong / @browserbase） https://x.com/kylejeong/status/2100622054945095934 2. 实时交易 agent（@jarrodwatts） https://x.com/jarrodwatts/status/2100356151468585346 3. 大规模邮件分类（@ryanvogel） https://x.com/ryanvogel/status/2100042788851101842
这条是引用着另一条写的：x.com/sydneyrunkle/status/2100754364545761643