Les agents peuvent générer du code, mais comprendre le contexte du système reste la partie difficile. Les équipes qui réussissent avec la maturité de l'IA ont une couche de contexte qui fournit aux agents exactement ce dont ils ont besoin, évitant ainsi le gaspillage de temps et de jetons dans les boucles de correction. Cette mise à jour hebdomadaire de la conception de systèmes explore les neuf meilleurs endroits pour utiliser Jev, le premier modèle System One de Type Safe AI, qui est 100 fois plus rapide et moins cher que les LLMs de pointe.

Contrairement aux grands modèles ignorés pour des raisons de coût, Jev ouvre de nouveaux cas d'utilisation. Les applications clés incluent le routage de modèles, où Jev dirige les invites vers les LLMs appropriés, et les garde-fous qui détectent les risques de sécurité avant de transmettre les invites. D'autres utilisations impliquent le contrôle des appels d'outils, le tri des boîtes de réception, le reclassement des passages et l'évaluation des LLMs. Le modèle excelle dans l'étiquetage en masse et les décisions en temps réel, telles que le trading, tandis qu'une porte de confiance garantit une action appropriée basée sur les résultats.

Le principe fondamental utilise les LLMs pour la génération et Jev pour les décisions environnantes. De plus, l'article distingue entre MCP et l'appel de fonctions, notant que les deux permettent l'accès aux outils des LLMs mais diffèrent par leur emplacement d'implémentation. L'appel de fonctions local s'exécute sur la machine de l'utilisateur, tandis que les fonctions MCP peuvent résider sur des serveurs distants.

L'article définit également les agents d'IA et l'IA agente, expliquant comment les couches d'orchestration coordonnent plusieurs agents vers des objectifs communs grâce à la planification et aux boucles de rétroaction.