アクセスチケット自動化:Jevの判断コストは1パイサ未満
Kaustav Banerjeeがアクセスチケットの完全自動化ワークフローを共有:20ステップ中4つの判断はLLMではなくTypeSafe AIのJevが担当。LLMは一度だけ実行され、チケット全体で₹0.16、Jevの割合は1パイサ未満。
THE JEV GUIDE · CURATED EDITION
TypeSafe Jevに関する発表、解説、デモ、コミュニティ事例をトピック別に整理しています。各項目からXの元投稿を確認できます。
キュレーション選定 · 全件ではありません · 手動更新
01 / EXPLORE
0 means awaiting a verified post
Kaustav Banerjeeがアクセスチケットの完全自動化ワークフローを共有:20ステップ中4つの判断はLLMではなくTypeSafe AIのJevが担当。LLMは一度だけ実行され、チケット全体で₹0.16、Jevの割合は1パイサ未満。
BitsocialコミュニティのAIモデレーション振り分けをgpt-5.6-lunaからgpt-6-lunaにアップグレード。入力価格が50%安く、出力価格が58%安くなり、しかも高精度。Jevは引き続き簡単なチェックを担当し、不確かなものはgrok-4.7に回します。
Jevの創業者が1時間のマスタークラスを公開。Jevの実際の動作であるLLM→意思決定→検証→コーディングエージェントを解説し、LLMだけでは不十分な理由、Jevを支える3つのプリミティブ、巨大なAIタスクを小さく信頼できるステップに変える方法を紹介。
@karminski3のテスト枠組みに基づき、Jevの迷路問題における複数の結果を追加し、ランダムウォークや専門の迷路アルゴリズムと比較しました。
ユーザーがJevに数独を解かせている様子をスローで共有。
作者はSkills ILでTypeSafeの新モデルJevを使い、SMS・WhatsApp・メールで届く銀行フィッシングメッセージを検出するツールを構築しました。ユーザーは不審なメッセージを貼り付けて検証できます。
コミュニティがCloud Run上でRTX PRO 6000を使ってJevを実行する方法を公開:コールドスタート約47秒、エンドツーエンド約117ms、同時実行数32で100+ req/s。さらにJevを使ってスネーク、ディノ、テトリスなどのゲームも作成。
JEVはEkko Agentのメモリシステムに統合され、意味分類、候補メモリの再ランキング、書き込み前検証などの重要な段階に関与しています。エージェントがより関連性の高い記憶を見つけ、何を記憶する価値があるかをより慎重に判断するのに役立ちます。現在テスト中で、初期の体験では一部のシナリオで想起精度が向上しています。
Jevに関するスキル、リポジトリ、X/Redditの投稿、リソース、サイトなどを含む大規模なディレクトリが作成され、ユースケースで絞り込めます。
Jevの戻り値を単に正解と見なさず、confidenceに注目すべきだと著者は提案。Choice型ではcannot_tell選択肢を追加して誤判断を避けるべきとする。
著者はJevはAI生成コンテンツ検出には適さないと考え、すべてのAI検出ツールは似たようなもので、精度が90%以上でなければ意味がないと述べ、別のAPIを推奨しています。 Link
最近公開されたClaude Opus 5.5とJevを組み合わせ、マーケティング用途で120件の競合広告を自動スコアリングし、適応する価値のある10件を選定して各バージョンを作成します。