Mapa de capacidades e casos de uso do ecossistema

Como usar este mapa

Primeiro, identifique o cenário mais próximo do seu negócio. Observe quais primitivas os outros estão usando nesse cenário e quais problemas eles resolvem, em seguida, aplique isso aos seus próprios documentos e ações.

Cada cenário abaixo apresenta: Qual problema resolver → Quais primitivas usar → Projeto real.

Para ver o índice completo de projetos da comunidade organizados por categoria (com contagem de estrelas e etiquetas de linguagem), consulte Ecossistema da Comunidade.

Classificação e Roteamento

Problema: Após a chegada de uma requisição, é necessário determinar sua categoria e encaminhá-la para diferentes cadeias de processamento.

Primitivas: Choice (Classificação), com a confiança sendo usada para controle de acesso (gating).

Projetos reais:

• Notra — Análise de marketing: Plataforma GEO em produção, que migrou o classificador de visibilidade de marca do LLM para a decisão booleana do Jev usando a chave NOTRA_JEV_CLASSIFIERS, com limiar de 0,5.
• jev-router — Ferramenta de desenvolvimento: Permite que o Jev escolha entre modelos candidatos, roteando assim as tarefas do Claude Code para o modelo mais barato e capaz.
• jev-router (prismhq) — Infraestrutura LLM: Roteador open-source baseado em LiteLLM, que usa a decisão do Jev para selecionar qual modelo atende cada requisição.
• pi-jev-router — Agente de codificação: Adiciona ao agente de codificação Pi a capacidade de rotear modelos automaticamente por requisição, tomando decisões no Jev Vercel AI Gateway.
• jcm-router — Agente de codificação: Agente local que usa a decisão do Jev para escolher o modelo Claude e a intensidade de raciocínio para cada mensagem, mantendo o cache de chat principal livre de contaminação.

Observação: O roteamento de modelos é a direção de aplicação mais densa neste cenário. O padrão comum é “substituir uma chamada de modelo cara ou um julgamento humano por uma única decisão Choice barata”.

Pontuação e Classificação

Problema: É necessário classificar um conjunto de itens por relevância, qualidade ou critérios multidimensionais.

Primitivas: Score, combinado com pontuação composta para integrar múltiplas dimensões.

Projetos reais:

• jev-bfs — Ferramenta de busca: Encontra o caminho de links entre duas entradas da Wikipédia em inglês fazendo o Jev classificar os links de saída de cada página, enquanto o Python controla o processo de busca.
• Jev Search — Busca na web: Usa o Noul do Jev para atribuir pontuações de relevância aos títulos e resumos dos resultados do Search1API.

Validação e Guardas

Problema: O trabalho, as chamadas de ferramentas, as entradas e as saídas geradas pela IA ou por agentes precisam ser verificados antes de serem avançados.

Primitivas: Noul (Decisão Sim/Não), convertendo limiares em booleanos.

Projetos reais:

• jev-review — Engenharia de software: Fluxo de trabalho de revisão de código em etapas e quadro local, onde o Jev atua como guardião em cada etapa, permitindo que as alterações avancem apenas após a aprovação.
• pi-jev — Segurança de agentes: Adiciona um portão de chamada de ferramentas mensurável ao agente de codificação Pi, verificando chamadas de risco no Jev antes da execução.
• OpenWork — Fluxo de trabalho de engenharia: Integra o Jev ao seu kit de teste de avaliação como juiz de validação, garantindo que o trabalho produzido pelos agentes seja validado por um julgamento tipado, e não por um modelo de linguagem.
• jev-guard — Segurança de agentes: Proteção contra injeção de prompts e ações perigosas para agentes Claude Code, Codex, Pi e ACP, onde o Jev decide o que interceptar.

Decisões de Agentes

Problema: Para cada passo de um agente, é necessária uma camada de julgamento rápida, tipada e explicável sobre o que fazer.

Primitivas: Choice (Seleção de ação), com Score/Noul como apoio.

Projetos reais:

• Jev Ultrafast — Automação de navegador: Agente ultra-rápido do browser-use, onde o Jev decide a ação de cada passo e qual elemento clicar, invocando o modelo de linguagem apenas quando necessário para entrada de texto.
• pi-typesafe-jev — Agente de codificação: Expõe os julgamentos do System One como cinco ferramentas Pi, permitindo que o modelo faça julgamentos semânticos de escopo reduzido, enquanto o código e o usuário mantêm o controle sobre limiares, pesos e ações.
• jev-judgment — Agente de codificação: Envia os julgamentos de agentes de codificação fechados para o Jev, mantendo o julgamento tipado, barato e comparável entre diferentes execuções.
• limpet — Agente de codificação: Hook de parada, que impede que o agente termine prematuramente ao usar o julgamento do Jev para avaliar as condições de conclusão em linguagem natural.
• robo-harness — Robótica: Mesa de trabalho do braço robótico SO-101, onde o Jev decide qual passo articular delimitado o executor deve selecionar entre ações candidatas tipadas, sujeito a restrições de orçamento.

Moderação de Conteúdo e Conformidade

Problema: Determinar se o conteúdo viola regras, contém informações sensíveis ou está em conformidade com políticas.

Primitivas: Noul.

Há poucos projetos reais registrados nesta categoria (esta área ainda está em estágio inicial), mas a forma típica é consistente com o cenário de guardas: escrever questões como “contém informações de identificação pessoal” ou “viola políticas” como Noul, convertendo-as em booleanos com base no limiar para entrar em um fluxo determinístico.

Anotação de Dados e Avaliação

Problema: Rotular conjuntos de dados ou avaliar a qualidade das saídas de modelos.

Primitivas: Todas as três categorias.

Projetos reais:

• Consulte os projetos de avaliação em “Pontuação e Classificação” e “Validação e Guardas” (como o uso do kit de teste de avaliação do OpenWork).

Jogos e Simulações

Problema: Em ambientes em tempo real, é necessária uma decisão rápida a cada frame ou ponto de decisão.

Primitivas: Choice (Seleção de ação).

Projetos reais:

• Jev Ultrafast — Consulte acima.
• jev-drone — Simulação de robótica: Drone autônomo com apenas câmeras no MuJoCo, que integra o modelo de julgamento do Jev no loop de controle, com frequência de 2,5 Hz.
• tsai-sc — Jogos: Controla a versão compartilhada original de StarCraft via teclado e mouse, registrando as probabilidades de ação do Jev a cada decisão.

Observação: Esses cenários são os mais sensíveis à latência. O loop de controle de 2,5 Hz do jev-drone demonstra que a latência do Jev já permite a entrada em cadeias de controle em tempo real.

Pesquisa de Modelos Fundamentais

Problema: Reproduzir ou pesquisar formas de modelos como o System One, que “produzem decisões tipadas em uma única propagação direta”.

Projetos reais:

• decider — Modelo aberto: Reproduz a forma do System One usando ajuste fino do Qwen3.5-2B, produzindo decisões tipadas com probabilidades calibradas em uma única propagação direta.
• openjev — Pesquisa aberta: Pré-visualização local independente que responde a problemas de probabilidade bilíngues com base no contexto, pergunta e respostas candidatas, inspirado pelo TypeSafe Jev.
• Parallel Constrained Decoding (Qwen2.5-1B-RLCD) — Pesquisa aberta: Demonstração do Qwen2.5-1B treinado com RLCD, explorando o uso de decodificação paralela restrita de código aberto como alternativa ao Jev.

Infraestrutura e SDK

Problema: Integrar o Jev às pilhas tecnológicas existentes.

Projetos reais:

• Consulte a categoria Infra / SDKs / Integrations do awesome-jev, que reúne ligações para várias linguagens, integrações de agentes e adaptações de gateways.

As quatro direções do mapa oficial de capacidades

A TypeSafe oficial resume os casos de uso em quatro grandes direções, que valem a pena consultar ao conceber cenários:

Software Automatizado por IA — Intercale IA com software confiável para que ele possa executar milhões de vezes em segundo plano sem necessidade de supervisão humana. O código controla o fluxo, e o TypeSafe lida com decisões semânticas e compreensão de linguagem.

Aplicações em Tempo Real — A inteligência de ponta atinge velocidade em tempo real (150ms), o que significa que as decisões da IA podem ser mais rápidas que a percepção humana, sendo suficientes para serem programadas em jogos ou incorporadas à UI.

AI Map Reduce em Big Data — A redução de custos em 100 vezes permite processar conjuntos de dados massivos: recuperar informações relevantes em grandes corpora, classificar trajetórias massivas de agentes e extrair características para previsão.

Validação Universal de IA — Valide prompts de entrada, resultados de extração, trajetórias de raciocínio e chamadas de ferramentas de qualquer outra IA. Detecte padrões de erro como jailbreaks, erros de citação e alucinações, por uma fração do custo de uma chamada real de LLM.

Relacionado

• Padrões de Arquitetura — Os padrões genéricos por trás desses casos
• Primitivas de Problema — Como escolher as primitivas
• Lista completa do awesome-jev — Lista contínua de projetos da comunidade