当任务是做判断而不是写文章或写代码时，Jev可以降低Claude Code工作流的成本。在一项包含12个任务的测试中，由Jev在多个模型之间做选择，与把所有任务都交给Claude Opus 5.5相比，API成本降低了36.9%。在另一个潜在客户开发工作流中，Jev以2.35美分的成本为1,000家企业打分。不过，这两个数字都不代表这些判断前后所有环节的成本。
Jev返回的是结构化答案：对是非题给出概率、从给定列表中选出一项，或给出一个数值评分。它不会撰写营销文案，也不会生成代码。正因为有这种区别，Jev与Claude Code配合使用时很有价值，Claude Code可以在Jev做出选择后调度其他模型和工具。
把任务交给合适的模型
模型路由器会在任务运行之前决定由哪个模型来处理。在这项12个任务的测试中，Jev在Claude Haiku 4.5、Claude Sonnet 5、Claude Opus 5.5和Fable 5.1之间进行选择。任务从简单的计算和文本整理，到调试和规划一个3D交互式地图，难度不一。Jev把其中11个任务分配给了更便宜的模型，只把复杂的地图规划任务留给了Claude Opus 5.5。
| 12个任务的处理方式 | API成本 |
|---|---|
| 所有任务都交给Claude Opus 5.5 | $0.31827 |
| 由Jev分配任务 | $0.20079 |
两者相差$0.11748，相当于全部使用Opus时成本的36.9%。这一结果取决于这组特定任务的构成，以及Jev把其中大部分分配给了更便宜的模型。它并不是在所有Claude Code项目中测得的节省幅度。
▲ 按复杂度分配任务
Jev还负责从一个文件夹中选择预先编写好的智能体流程，即所谓的技能（skill）。在8条提示词中，Jev和Claude Opus都8次选中了预期的技能。Jev完成这组测试用时1.83秒，Opus则用时19.53秒。这衡量的是选择速度以及这8次选择是否一致，而不是被选中的技能随后产出的工作质量。
从价格可以看出为什么范围狭窄的判断成本很低。在OpenRouter上，Jev的标价约为每百万输入token $0.042，输出token为$0。Claude Haiku 4.5的标价为每百万输入token $1、每百万输出token $5。这些是模型价格，而不是整个工作流的成本：Jev选中的模型仍然需要完成所要求的工作。
2.35美分的潜在客户评分包含什么
潜在客户工作流的第一步是数据采集，而不是Jev。Apify的Google Maps抓取工具采集了温哥华地区10个行业的1,000家企业，每个行业100家。这项任务耗时4.5分钟，花费$0.51。生成的CSV文件包含行业类别、评分、评论数、网站、电话号码、邮政编码和地图坐标等字段。
随后，Jev评估了每家企业购买AI服务的可能性，并为其选出偏好的服务方案。在Claude Code中，这次评分处理了559,420个输入token，用时5.2秒，花费$0.0235，即2.35美分。另一次在交互式地图上处理并展示这些企业的运行耗时12.25秒。这两个时间都不包括耗时4.5分钟的抓取任务。
▲ 潜在客户评分与联系人筛选
各方案的选择结果合计覆盖全部1,000家企业：
| Jev选出的方案 | 企业数 |
|---|---|
| 付费广告 | 753 |
| WhatsApp或电话智能体 | 210 |
| AI网站 | 33 |
| 内容系统 | 4 |
这些是Jev给出的分类，并非经过确认的购买行为，也不是企业自己表达的偏好。当工作流中有大量记录、并且要对每条记录提出同样的限定性问题时，低廉的评分成本最有意义。Jev提供的是评分或类别；采集记录、根据结果采取行动，都需要其他工具来完成。
抓取和评分两次运行合计花费$0.5335。下一步又增加了一笔费用：对排名前50的潜在客户进行的Apify联系方式搜索找到了37个有效邮箱地址，排除了13条记录，花费$0.35。随后，Claude Code在Instantly中准备了一个包含三个步骤的个性化营销活动草稿，使用了行业类别、所在地和评论数等信息。抓取、评分和联系方式搜索的费用合计$0.8835；这一小计并不能说明撰写或运行该营销活动的全部成本。
仅凭评分也无法确定商业价值。整个工作流从采集记录开始，依次是排序、查找联系方式和准备外联。其中几个环节的成本是已知的，但这次针对1,000家企业的运行并没有测量收入。
第三种用法：查找视觉素材
同样的分工也出现在一个媒体搜索项目中。Claude Code构建了一个可浏览331张图片和视频片段的浏览器，Claude Haiku 4.5为这些文件生成描述，Jev则为文件与基于语义的查询之间的匹配程度打分。搜索“working at night”时，系统在3.24秒内找到了一段相关的办公室视频片段。在这里，Jev做的同样是比较，而不是生成描述或构建应用。
引入工作流时的要点
在这些例子中，Jev最擅长的是范围狭窄的决策点：选择模型或技能、为潜在客户打分，或对搜索结果排序。要评估这一角色能否省钱，应比较引入路由前后的整个工作流，而不只是看Jev每个token的价格。数据采集、联系方式补全和生成模型的工作应分别作为独立的费用项目。
如果要搭建类似的潜在客户工作流，应为抓取设置费用上限，确认哪些联系人拥有有效的邮箱地址，并在发送任何邮件之前核对外联要求。这类外联应包含真实的邮寄地址和一行清晰的退订说明。实际的检验标准是：低成本的判断能否推动具体任务向前，同时又不掩盖周边工作的成本。