يمكن للوكلاء توليد الشفرة، لكن فهم سياق النظام يظل الجزء الصعب. الفرق التي تنجح في نضج الذكاء الاصطناعي لديها طبقة سياق تزود الوكلاء بالضبط بما يحتاجونه، مما يتجنب إضاعة الوقت والرموز في حلقات التصحيح. يستكشف هذا refresher لتصميم النظام الأسبوعي أفضل تسعة أماكن لاستخدام Jev، أول نموذج نظام واحد من Type Safe AI، والذي هو أسرع بـ 100 مرة وأرخص من نماذج LLMs الحدودية. على عكس النماذج الكبيرة التي يتم تجاوزها بسبب التكلفة، يفتح Jev حالات استخدام جديدة. تشمل التطبيقات الرئيسية توجيه النموذج، حيث يوجه Jev المطالبات إلى LLMs المناسبة، وحاجز الحماية الذي يكتشف مخاطر الأمان قبل تمرير المطالبات. تشمل الاستخدامات الأخرى التحكم في استدعاء الأدوات، وفرز الواردات، وإعادة ترتيب المقاطع، وتقييم LLMs. يتفوق النموذج في التسمية الجماعية والقرارات في الوقت الحقيقي، مثل التداول، بينما يضمن بوابة الثقة اتخاذ الإجراء المناسب بناءً على النتائج. المبدأ الأساسي يستخدم LLMs للتوليد وJev للقرارات المحيطة. بالإضافة إلى ذلك، يميز المقال بين MCP واستدعاء الدوال، مع ملاحظة أن كلاهما يسمح بالوصول إلى أدوات LLMs ولكن يختلفان في موقع التنفيذ. يعمل استدعاء الدوال المحلي على جهاز المستخدم، بينما يمكن لوظائف MCP أن توجد على خوادم بعيدة. كما يحدد المقال وكلاء الذكاء الاصطناعي والذكاء الاصطناعي الوكيل، ويشرح كيف تنسق طبقات التنسيق عدة وكلاء نحو أهداف مشتركة من خلال التخطيط وحلقات التغذية الراجعة.