Где применяют Jev — примеры и идеи

Как понять, что задача подходит

Jev подходит, когда решение выбирается из заранее известных вариантов, а решений нужно много. Документация TypeSafe делит такие задачи на типы: классификация, обнаружение признака, оценка по шкале, маршрутизация, поиск, ранжирование, проверка и извлечение признаков для классических моделей машинного обучения.

Если ответ — новый текст, это задача для LLM. Если его можно вычислить правилом, оставьте правило. Подробный разбор типов задач — в статье «Какие задачи решает Jev».

Поддержка и CRM

Задача: разобрать входящие обращения до того, как их увидит оператор.

• Choice — отдел: оплата, техподдержка, продажи, другое;
• Score — срочность: может подождать, сегодня, немедленно;
• Noul — клиент угрожает уйти?

Все три вопроса уходят одним запросом, ответ приходит меньше чем за секунду. TypeSafe описывает и следующий шаг: простой вопрос о статусе заказа обрабатывает обычный код, вопрос о товаре уходит в языковую модель, а сложный или сомнительный случай — человеку. Схему для службы поддержки разбираем в статье «Jev в службе поддержки».

Почта и антифишинг

Классификация писем — один из первых сценариев, на которых Jev сравнивали с LLM. Bryo AI проверила её на деловой переписке: Gemini оказалась немного точнее, но в 10–20 раз дороже.

Для фишинга документация TypeSafe советует не спрашивать «это фишинг?» одним вопросом, а разложить подозрение на признаки:

• письмо просит пароль или другие данные для входа;
• обещает внезапный приз или выплату;
• торопит получателя;
• имя отправителя не совпадает с доменом почты;
• ссылка ведёт не туда, куда обещает текст.

Каждый признак — отдельный Noul, итог считает код со своими весами. Так проще понять, почему письмо попало в карантин, и подстроить правила без переписывания промпта. Подробнее — в статье о классификации писем.

Модерация и безопасность

• антиспам и фильтрация оскорблений в комментариях и чатах;
• поиск фишинга и социальной инженерии в сообществах;
• проверка отзывов на накрутку;
• защита LLM-приложений от попыток взломать промпт.

На Хабре описан Discord-бот, который оценивает сообщения на спам, фишинг и социальную инженерию. Код переводит вероятности Jev в четыре уровня реакции — от пропуска до жёсткой эскалации. В документации TypeSafe есть похожий рецепт для LLM-приложений: набор вопросов Noul по видам угроз и Score «насколько вредно выполнить просьбу». Пороги в коде решают, пропустить сообщение, отправить на проверку, заблокировать или перевести в кризисную поддержку. Как собрать модерацию комментариев — в статье о модерации на Jev.

ИИ-агенты: «подсознание» агента

Самый обсуждаемый сценарий. LLM-агент тратит время и деньги на множество мелких решений: какой инструмент вызвать, куда кликнуть, безопасна ли команда. Jev берёт эти решения на себя.

• Выбор действия. В браузерном агенте jev-ultrafast код собирает список разрешённых действий на странице, а Jev выбирает операцию и цель. Текст для полей пишет другая модель. Так агент нашёл авиабилеты на Google Flights за семь секунд. Мобильный вариант заказал Uber за девять действий примерно за 21 секунду.
• Защитная проверка перед опасным действием: удаление файлов, платёж, отправка письма. Vercel, по данным TechCrunch, так проверяет команды на безопасность.
• Маршрутизация моделей. Простой запрос уходит в дешёвую LLM, сложный — в более сильную.
• Сжатие контекста. Проект fast-jev-compaction отбирает полезные вызовы инструментов Claude Code и в демо сократил контекст с миллиона до 86 тысяч токенов примерно за секунду.

Подробнее — в статьях «Jev в ИИ-агентах» и о маршрутизации моделей.

Поиск, RAG и работа с данными

• Реранкинг. В рецепте TypeSafe поиск по ключевым словам отбирает 30 кандидатов на юридический запрос, а Jev оценивает каждого. Правильный фрагмент оказался первым в 18% запросов вместо 5%, а в первой десятке — в 62% вместо 38%.
• Фильтр для RAG. Jev оценивает найденные фрагменты до того, как они попадут к отвечающей модели, и отсеивает те, что содержат скрытые инструкции.
• Разметка датасетов. На Хабре описан эксперимент: 1018 статей об ИИ разложены по 24 темам за $0,08 за весь набор, правда по готовым кратким изложениям.
• Нечёткие фильтры. Расширение pg-jev добавляет в PostgreSQL условия на естественном языке — что-то вроде WHERE по смыслу.
• Пропуск рекламы в роликах YouTube. Автор расширения оценил стоимость примерно в $0,005 за видео.

Финансы

Разработчики пробуют Jev в трейдинг-ботах и маршрутизации платежей. Бот jev-trader выбирает между покупкой, продажей и ожиданием на каждом блоке блокчейна Monad, но по умолчанию работает в тестовом режиме без реальных сделок. В документации TypeSafe есть рецепт, который превращает торговые запросы на естественном языке в вызовы обычных функций, и сценарии для финансового мониторинга: оценка описаний транзакций и приоритизация подозрительных операций.

Здесь особенно важно правило: необратимые действия нельзя доверять одной модели без проверки.

Игры и реальное время

TypeSafe показала бота, который играет в Doom: около 10 решений в секунду по структурированному описанию игры, а не по картинке. По подсчёту команды, такой темп обходится примерно в $7 в час. Ещё одна демонстрация — викирейсинг: переход от одной статьи Википедии к другой через выбор среди сотен и тысяч ссылок. Когда вариантов больше 255, TypeSafe сначала оценивает ссылки по отдельности, а потом делает явный выбор. Подробнее — в статье о демо Doom и викирейсинге.

Идеи по отраслям

В документации TypeSafe есть карта сценариев по отраслям. Несколько примеров оттуда:

Отрасль	Какие решения отдать Jev
Страхование	Оценить сложность заявления о страховом случае, найти недостающие сведения и признаки мошенничества
Подбор персонала	Сверить резюме с требованиями вакансии, спорных кандидатов отдать рекрутеру
Продажи	Проверить заявку на соответствие профилю клиента, оценить намерение купить
Юристы и комплаенс	Найти недостающие пункты договора и запрещённые формулировки в рекламе
Маркетплейсы	Нормализовать карточки товаров, найти признаки подделок и накрученных отзывов
Игры	Модерировать чат, замечать признаки оттока игроков
Наука	Отобрать статьи для систематического обзора по критериям включения

Общая схема везде одна: Jev выносит типизированное суждение, код сравнивает его с порогом, а сомнительные случаи уходят человеку.

Готовые схемы вопросов

Задача	Тип	Вопрос	Варианты
Разбор тикета	Choice	Какая команда должна заняться обращением?	billing, technical, sales, other
Срочность	Score	Насколько срочно нужно ответить?	может подождать, сегодня, немедленно
Отток	Noul	Клиент пишет, что уйдёт к конкуренту?	—
Модерация	Score	Насколько грубо сообщение?	нейтрально, резко, оскорбительно
Защита агента	Noul	Команда удаляет или перезаписывает данные?	—
RAG	Noul	Фрагмент помогает ответить на вопрос пользователя?	—

Собрать такую схему и сразу получить код можно в конструкторе запроса. Описания вариантов пишите конкретно: если два варианта пересекаются по смыслу, модель будет колебаться между ними.

С чего начать внедрение

1. Найдите место, где LLM или человек уже выбирает метку из короткого списка: отдел, категорию, «пропустить или заблокировать».
2. Соберите 200–500 реальных примеров с правильными ответами.
3. Опишите варианты в criteria и прогоните примеры через Jev.
4. Подберите порог уверенности: выше него решение принимает код, ниже — человек или LLM.
5. Запустите модель на части потока и сравните с текущим решением по точности и стоимости.

Когда Jev не нужна

Если задача решается правилом или регулярным выражением, оставьте их. Если нужен текст, используйте LLM. Если домен узкий и стабильный, а размеченных примеров тысячи, дообученный классификатор может оказаться точнее и быстрее: на Хабре GLiNER 2.5 после 51 минуты обучения обогнал Jev на 9 процентных пунктов. Jev занимает нишу между ними — решения, которые требуют понимания смысла, но не требуют генерации.