एजेंट्स कोड उत्पन्न कर सकते हैं, लेकिन सिस्टम कंटेक्स्ट को समझना कठिन हिस्सा बना हुआ है। AI परिपक्वता में सफल टीमों के पास एक कंटेक्स्ट लेयर होती है जो एजेंट्स को ठीक वही देती है जिसकी उन्हें आवश्यकता होती है, जिससे सुधार लूप में समय और टोकन की बर्बादी से बचा जाता है। इस सप्ताह के सिस्टम डिज़ाइन रिफ्रेशर में Jev के उपयोग के शीर्ष नौ स्थानों का पता लगाया गया है, जो Type Safe AI का पहला सिस्टम वन मॉडल है, जो फ्रंटियर LLMs की तुलना में 100 गुना तेज़ और सस्ता है। लागत के कारण छोड़े गए बड़े मॉडल के विपरीत, Jev नए उपयोग केस खोलता है। मुख्य अनुप्रयोगों में मॉडल रूटिंग शामिल है, जहां Jev प्रॉम्प्ट को उचित LLMs की ओर निर्देशित करता है, और सुरक्षा जोखिमों का पता लगाने वाले गार्डरेल्स जो प्रॉम्प्ट को आगे बढ़ाने से पहले काम करते हैं। अन्य उपयोगों में टूल कॉल्स को गेट करना, इनबॉक्स का ट्रायज करना, पैसेजेज को रीरैंक करना और LLM मूल्यांकन करना शामिल है। मॉडल बुल्क लेबलिंग और वास्तविक समय के निर्णयों, जैसे ट्रेडिंग में उत्कृष्ट प्रदर्शन करता है, जबकि एक कॉन्फिडेंस गेट परिणामों के आधार पर उचित कार्रवाई सुनिश्चित करता है। मुख्य सिद्धांत LLMs को जनरेशन के लिए और Jev को आसपास के निर्णयों के लिए उपयोग करता है। इसके अतिरिक्त, लेख MCP और फंक्शन कॉलिंग के बीच अंतर बताता है, जिसमें दोनों LLMs टूल एक्सेस की अनुमति देते हैं लेकिन कार्यान्वयन के स्थान में अंतर होता है। लोकल फंक्शन कॉलिंग उपयोगकर्ता की मशीन पर चलती है, जबकि MCP फंक्शंस रिमोट सर्वर्स पर रह सकते हैं। लेख AI एजेंट्स और एजेंटिक AI को भी परिभाषित करता है, और बताता है कि ऑर्केस्ट्रेशन लेयर कैसे योजना और फीडबैक लूप के माध्यम से कई एजेंट्स को साझा उद्देश्यों की ओर समन्वयित करती हैं।