エージェントはコードを生成できますが、システムコンテキストを理解することは依然として難しい部分です。AI の成熟度で成功しているチームは、エージェントに必要なものを正確に提供するコンテキストレイヤーを持っており、修正ループでの時間とトークンの無駄を避けています。今週のシステム設計の復習では、Type Safe AI の最初の System One モデルである Jev を使うトップ 9 の場所を探ります。Jev はフロンティア LLM と比べて 100 倍速く、コストも安いです。コストのためにスキップされる大規模モデルとは対照的に、Jev は新しいユースケースを開きます。主要な応用には、Jev が適切な LLM にプロンプトをルーティングするモデルルーティングと、プロンプトを渡す前にセキュリティリスクを検出するガードレールが含まれます。その他の用途として、ツールコールのゲート、インボックスのトリアージ、パッセージの再ランク付け、LLM の評価があります。Jev は一括ラベル付けとリアルタイムの意思決定（取引など）に優れており、結果に基づいて適切な行動を確実にする信頼ゲートがあります。コアの原則は、LLM を生成に、Jev を周囲の意思決定に使うことです。さらに、この記事では MCP とファンクション コールの違いについて説明しており、どちらも LLM ツールへのアクセスを許可しますが、実装場所が異なります。ローカルファンクション コールはユーザーのマシンで実行され、MCP ファンクションはリモートサーバーに存在できます。また、この記事では AI エージェントとエージェンティック AI を定義し、オーケストレーションレイヤーが計画とフィードバックループを通じて複数のエージェントを共有目標に向けて調整する方法を説明しています。