Los agentes pueden generar código, pero comprender el contexto del sistema sigue siendo la parte difícil. Los equipos que tienen éxito con la madurez de la IA tienen una capa de contexto que brinda a los agentes exactamente lo que necesitan, evitando tiempo y tokens desperdiciados en bucles de corrección. Este repaso semanal de diseño de sistemas explora los nueve lugares principales para usar Jev, el primer Modelo del Sistema Uno de Type Safe AI, que es 100 veces más rápido y más barato que los LLMs de frontera.

A diferencia de los modelos grandes omitidos por costo, Jev abre nuevos casos de uso. Las aplicaciones clave incluyen el enrutamiento de modelos, donde Jev dirige las indicaciones a los LLMs adecuados, y las barreras de protección que detectan riesgos de seguridad antes de pasar las indicaciones. Otros usos involucran controlar las llamadas a herramientas, triar bandejas de entrada, reclasificar pasajes y realizar evaluaciones de LLMs. El modelo destaca en el etiquetado masivo y las decisiones en tiempo real, como el trading, mientras una puerta de confianza asegura la acción adecuada basada en los resultados.

El principio central utiliza LLMs para la generación y Jev para las decisiones circundantes. Además, el artículo distingue entre MCP y llamada a funciones, señalando que ambos permiten el acceso a herramientas de LLMs pero difieren en la ubicación de implementación. La llamada a funciones local se ejecuta en la máquina del usuario, mientras que las funciones de MCP pueden residir en servidores remotos.

El artículo también define agentes de IA y IA Agente, explicando cómo las capas de orquestación coordinan múltiples agentes hacia objetivos compartidos mediante planificación y bucles de retroalimentación.