Os agentes podem gerar código, mas entender o contexto do sistema continua sendo a parte difícil. As equipes que têm sucesso com a maturidade da IA têm uma camada de contexto que fornece aos agentes exatamente o que eles precisam, evitando tempo e tokens desperdiçados em loops de correção. Esta atualização semanal de design de sistemas explora os nove principais lugares para usar Jev, o primeiro modelo System One da Type Safe AI, que é 100 vezes mais rápido e mais barato do que os LLMs de fronteira.

Diferentemente dos grandes modelos ignorados devido ao custo, Jev abre novos casos de uso. As aplicações-chave incluem o roteamento de modelos, onde Jev direciona os prompts para os LLMs adequados, e as barreiras de proteção que detectam riscos de segurança antes de passar os prompts adiante. Outros usos envolvem o controle de chamadas de ferramentas, a triagem de caixas de entrada, a reclassificação de trechos e a avaliação de LLMs. O modelo se destaca na rotulagem em lote e em decisões em tempo real, como negociação, enquanto um portão de confiança garante a ação adequada com base nos resultados.

O princípio central usa LLMs para geração e Jev para as decisões ao redor. Além disso, o artigo distingue entre MCP e chamada de funções, observando que ambos permitem acesso às ferramentas dos LLMs, mas diferem no local de implementação. A chamada de funções local é executada na máquina do usuário, enquanto as funções MCP podem residir em servidores remotos.

O artigo também define agentes de IA e IA Agente, explicando como as camadas de orquestração coordenam vários agentes em direção a objetivos compartilhados por meio de planejamento e loops de feedback.