THE JEV GUIDE · CURATED EDITION
Noticias de lanzamiento, explicaciones, demos y proyectos de la comunidad sobre TypeSafe Jev, organizados por tema. Cada entrada enlaza a su fuente en X.
Selección curada · No exhaustiva · Actualización manual
01 / EXPLORE
0 means awaiting a verified post
Kaustav Banerjee comparte un flujo de trabajo automatizado completo para un ticket de acceso: 4 de 20 pasos implican juicios manejados por Jev de TypeSafe AI, no por un LLM. El LLM se ejecuta una vez, todo el ticket cuesta ₹0.16 y la parte de Jev es menos de 1 paisa.
El autor actualizó el triage de moderación de IA en las comunidades de Bitsocial de gpt-5.6-luna a gpt-6-luna: un 50% más barato en entrada, un 58% más barato en salida y más inteligente. Jev sigue encargándose de las comprobaciones fáciles, y las dudosas van a grok-4.7.
Un ejemplo práctico de flujo de trabajo: Jev maneja decisiones de bajo costo y Picsart realiza la generación real, evitando que modelos costosos adivinen en cada paso y permitiendo un proceso que decide antes de gastar.
Usa Jev para llegar a la página objetivo y deja que Playwright pruebe lo importante. Un ejemplo práctico de combinar Jev con Playwright para pruebas enfocadas.
El error más costoso en IA es forzar a un modelo potente a tomar cada decisión. Filtra, evalúa, selecciona y enruta: combina Jev y DeepSeek para reducir costos.
Un desarrollador integró Jev en GitHub Actions para determinar y generar automáticamente números de versión (x.y.z) de aplicaciones/servicios a partir de issues, PRs y commits, afirmando que es más rápido y menos incierto que los LLM anteriores.
Somi muestra el truco de @awlevin: hacer OCR de la pantalla y dejar que Jev de TypeSafe elija el siguiente clic, a $0.0002 por paso, unas 155 veces más barato que Opus 5; el análisis de fechas debe codificarse manualmente. Link
El autor probó 6 bots de trading totalmente automáticos con el modelo Jev, que cubren futuros y mercados de predicción, sin intervención humana y solo alimentando datos. Link
El autor explora cómo Jev de TypeSafe AI podría encajar en flujos de trabajo reales: el flujo decide las acciones permitidas (CAN) y Jev juzga (SHOULD).
Define los requisitos del puesto, sube currículums en masa y obtén juicios estructurados de coincidencia/no coincidencia, con cada conclusión trazable al texto original del currículum, en segundos.
Jason Zhou muestra cómo configurar tres flujos de trabajo con Jev + Treg en menos de 6 minutos: detección de fraude y selección de registros, búsqueda y calificación de señales de compra, y seguimiento de contenido viral. Treg encuentra los datos, Jev los clasifica, ahorrando $8K al mes.
El autor usó Jev para leer y clasificar 12.158 correos no leídos de Gmail, con Claude escribiendo la herramienta y Codex revisando el código.