Le post discute de la nécessité de définir des critères de jugement pour Jev, se demande si le bot pourrait juger lui-même avec ces critères, et mentionne l'intérêt de l'abstraction pour réduire les modifications lors d'un changement de critères.
Démontre Jev sélectionnant et plaçant automatiquement des meubles dans un logiciel natif AI, reflétant la prise de décision IA.
La difficulté d'un agent supervisé réside dans la fréquence des demandes à l'humain : trop souvent, ils cessent de lire ; trop rarement, quelque chose passe. Jev fournit un nombre de 0 à 1 : au-dessus de 0,9 l'agent continue, en dessous de 0,1 il s'arrête, entre les deux il demande.
NNidhi Singh@nidhisinghattri𝕏 L'utilisateur indique qu'il ne choisit plus le modèle à la main : il donne la tâche et le routeur s'occupe de tout, ouvrir un nouveau panneau, sélectionner Grok 4.6 en haut raisonnement pour une tâche de recherche, et gérer les réglages du modèle, du harnais et de l'effort. Le tout repose sur herdr + Jev.
L'auteur affirme que Grok Bot et Jev changeront plus de vies en 2026 que n'importe quelle IA auparavant, décrivant un flux de travail où Grok Bot décompose les idées, Jev prend les décisions et Grok Bot exécute le travail.
Ce dossier agent Jev retire les décisions à Claude, ne lui laissant que l'écriture. Jev prend les décisions, le code exécute, et chaque étape laisse une trace. Le dossier contient les instructions d'entrée et AGENTS.md pour savoir quand appeler Jev.
Le post indique que Jev de TypeSafe est rapide, mais manque de raisonnement pour l'utilisation d'ordinateur, ce qui peut amener les agents à être bannis de sites web. Il imagine un agent qui pense à la fois vite et lentement.
Selon le post, l'auteur a ajouté Jev à Grok Bot. Avant d'agir, chaque bot demande s'il faut continuer, réutiliser, s'arrêter ou appeler Alan, utilise des seuils de confiance (par exemple, n'ouvrir le navigateur que si conf≥0,85), limite les sources de recherche et exige une confirmation humaine avant de publier ou de payer, pour une meilleure qualité, un coût réduit et une exécution plus rapide.
AAgents-PlayBook 📖@agentsplaybook𝕏 La démo Jev de Treg connecte un outil de recherche de personnes à un agent pour trouver des profils professionnels publics pertinents selon un rôle ou une question de recherche.
L'auteur ajoute une étape d'agencement automatique du mobilier à son agent de design : Jev prend de petites décisions par pièce, le programme gère les dimensions et la disposition, puis génère une vue isométrique 2,5D.
OOpenNavo — macOS Apps@OpenNavo𝕏 OpenNavo partage les règles de l'équipe OpenBot : OpenBot pense, planifie, délègue et décide ; les agents d'exécution font le travail ; jev vérifie les résultats ; OpenNavo Secretary coordonne l'équipe.
L'auteur revient sur la nouvelle direction fixée par Jev pour les flux de conception d'agents—laisser l'agent apprendre le flux plutôt que de le construire à la main—et s'interroge si les 20+ modèles de décision d'OpenRouter offrent une voie plus simple.