MODELO SYSTEM ONE · JEV
No es chat. Es criterio.
Un modelo probabilístico que el software puede usar directamente.
Jev recibe un contexto y preguntas, y devuelve respuestas tipadas, probabilidades y confianza. No genera párrafos: transforma las pequeñas decisiones de agentes y flujos de trabajo en valores que tu código puede usar.
UNA SOLICITUD · RESPUESTAS EN PARALELO
state
Han fallado tres despliegues. Producción devuelve errores 500.
noul
¿Hay que avisar ahora a una persona?
confianza
0.97
state
in
questions
parallel
output
typed
70–500ms
rango integral comunicado
3
Choice · Score · Noul
Typed
define primero la estructura
QUÉ ES JEV
Da a tus condicionales más difíciles un modelo que también indique sus dudas.
Los LLM tradicionales generan lenguaje con soltura y se les puede pedir JSON. Sin embargo, en un ciclo de automatización real cada token generado, parser y validación del esquema añade latencia y otro posible punto de fallo.
Jev sigue otra vía: el contexto es la entrada, las preguntas forman la interfaz del programa y las respuestas respetan la estructura definida. Cada resultado incluye probabilidad y confianza para que tu código decida cuándo automatizar y cuándo consultar a una persona.
INTELIGENCIA NATIVA PARA MÁQUINAS
Un modelo optimizado para el software, no para la ventana de chat.
TypeSafe presenta Jev como el primer modelo System One: una clase de modelos pensada para la interacción entre máquinas. El objetivo no es que toda respuesta resulte agradable de leer, sino que las decisiones acotadas sean observables, comprobables y útiles en un sistema mayor.
Optimizados para las preferencias humanas
Modelos centrados en el chat
- —Redactar respuestas naturales y útiles
- —Una secuencia de mensajes y tokens generados
- —Cadenas flexibles que expresan casi cualquier cosa
- —Preferencias, utilidad y resultados verificables
Optimizados para decisiones calibradas
Modelos System One
- Tomar una decisión concreta cada vez
- Un contexto y preguntas tipadas
- Valores restringidos y distribuciones de probabilidad
- Precisión, calibración, velocidad y coherencia
DOS MODELOS, DOS FUNCIONES
Jev acompaña a un LLM, no lo sustituye.
Deja el razonamiento abierto y la generación en manos de un LLM. Pasa el enrutamiento, las protecciones, la puntuación y la clasificación a un modelo pensado para decisiones rápidas que el software pueda consumir.
Respuestas para personas
LLM tradicional
- 01Generación secuencial, token a token
- 02Cadenas o JSON que todavía hay que analizar
- 03La confianza suele requerir instrucciones adicionales
- 04Chat, redacción y razonamiento abierto
Decisiones para software
System One · Jev
- Varias preguntas respondidas en paralelo
- Valores tipados definidos de antemano
- Probabilidad y confianza en cada resultado
- Enrutamiento, protecciones, puntuación y clasificación
TRES ELEMENTOS
Da forma a la pregunta para que el código la entienda.
Un contexto puede contener varias preguntas. Tú defines los límites; Jev decide dentro de ellos.
Choice
Elegir entre opciones
Para clasificar intenciones, enrutar modelos y organizar tickets. Devuelve la probabilidad de cada opción y una confianza general.
route = [fast, powerful]Score
Puntuar por niveles
Para riesgos, urgencia y calidad. Devuelve una puntuación, la distribución entre niveles y la confianza.
urgency = [low, medium, high]Noul
Responder sí o no
Para comprobaciones de seguridad y escalaciones. Devuelve la probabilidad de que una afirmación sea cierta, lista para controlar una condición.
needs_human = true?HAZ UNA BUENA PREGUNTA
La mejor pregunta para Jev se parece a una consulta rápida a un experto.
Una pregunta concreta establece un contrato claro. «Analiza este ticket y decide qué hacer» mezcla varias decisiones independientes.
Demasiado general
Evalúa esta propuesta de startup.
Incluye aspectos independientes: tamaño del mercado, viabilidad técnica, diferenciación y posibles riesgos de ejecución.
Preguntas atómicas
Pregunta por cada aspecto.
Puntúa por separado el tamaño del mercado, la viabilidad técnica y la diferenciación. Tu código puede ponderar las respuestas, fijar umbrales y elegir el siguiente paso.
Si cambian las prioridades, ajusta un coeficiente o una rama del código en vez de reescribir un prompt enorme.
INTEGRA EL RESULTADO EN TU SISTEMA
Del contexto a la acción: conserva solo el criterio que necesitas.
Jev no controla tu lógica de negocio. Responde preguntas acotadas; las colas, los permisos, los reintentos y las acciones finales siguen en tu sistema.
01
Contexto de entrada
Un ticket, un mensaje, un objeto JSON o el contexto estructurado que ve tu agente.
02
Define preguntas
Describe la decisión que quieres automatizar con Choice, Score o Noul.
03
Obtén probabilidades
Varias preguntas se responden en paralelo con estructura y probabilidades listas para el código.
04
Actúa
Enruta, bloquea, añade a una cola o consulta a una persona cuando la señal sea incierta.
LA CONFIANZA ES UNA SEÑAL DE CONTROL
La respuesta es solo la mitad de la decisión; la otra mitad es cuánto confiar en ella.
Choice y Score devuelven toda la distribución de probabilidades y un valor de confianza. Una distribución concentrada indica una señal más clara; una amplia exige más cautela.
Actúa automáticamente
La señal es clara y la acción es reversible o de bajo riesgo.
enrutar · mostrar · continuar
Continúa con una comprobación
Mantén el flujo, pero pide confirmación, reúne más contexto o marca el caso para revisión.
confirmar · ampliar · revisar
No adivines
Deja que la incertidumbre cambie el comportamiento: consulta a una persona, pide aclaraciones o recurre a otra opción.
escalar · aclarar · alternativa
No existe un umbral universal. Una acción de solo lectura admite un valor menor que una transferencia, una eliminación u otra acción irreversible.
DÓNDE ENCAJA
Las pequeñas decisiones que el software toma miles de veces al día.
Enrutamiento de modelos
Usa un modelo ligero para tareas sencillas y reserva el razonamiento costoso para las solicitudes que lo necesitan.
Protecciones para herramientas
Comprueba las acciones arriesgadas antes de ejecutarlas. Pausa eliminaciones, pagos y otras operaciones de gran impacto.
Clasificación de tickets
Clasifica intención, urgencia y necesidad de intervención humana a la vez; organiza la cola por señales, no por listas de palabras clave.
Aplicaciones en tiempo real
Si un producto no puede esperar una respuesta larga, usa una decisión rápida y predecible para mostrar el siguiente paso.
PATRONES COMBINABLES
El modelo se mantiene pequeño. El sistema gana capacidad.
La documentación de TypeSafe presenta Jev como un conjunto de decisiones combinables. Estos patrones convierten los elementos básicos en flujos reutilizables.
Varias preguntas por adelantado
Envía en una solicitud las preguntas que tu código podría necesitar, incluso las que solo importan para algunas entradas. Ignora los resultados innecesarios.
Enrutamiento condicionado por confianza
Usa la opción seleccionada y su confianza como señales distintas. Si la confianza es baja, recurre a un modelo más potente.
Puntuación combinada
Combina preguntas Score independientes, como gravedad, frustración y nivel de detalle, con ponderaciones explícitas controladas por tu aplicación.
Enrutamiento por intención
Clasifica la solicitud en un controlador conocido antes de iniciar el flujo especializado o costoso.
UNA SOLICITUD, VARIAS DECISIONES
Define el esquema en la solicitud y conserva el resultado en tu sistema.
Jev recibe contexto y preguntas. Las preguntas pueden ejecutarse en paralelo y el formato de cada respuesta queda definido de antemano.
{
"model": "jev-latest",
"state": "Deploy failed twice; prod is returning 500s.",
"questions": {
"urgent": {
"type": "noul",
"instructions": "Needs attention now?"
},
"route": {
"type": "choice",
"options": ["fast", "powerful"]
}
}
}{
"urgent": {
"noul": 0.999
},
"route": {
"choice": "powerful",
"probabilities": {
"fast": 0.08,
"powerful": 0.92
}
}
}DENTRO DEL CICLO DEL AGENTE
Añade una capa de decisión rápida alrededor del modelo generativo.
LangChain ofrece Jev mediante TypeSafeClassifier, de modo que una decisión puede integrarse en un nodo, un hook de middleware o el flujo de una herramienta.
Leer la guía de LangChainfrom langchain_typesafe import Noul, TypeSafeClassifier
classifier = TypeSafeClassifier()
response = classifier.invoke({
"state": "The deploy failed twice and prod is returning 500s.",
"questions": {
"urgent": Noul(
instructions="Does this need attention now?"
),
},
})
urgency = response.nouls["urgent"].noulEl mismo patrón protege las llamadas a herramientas: inspecciona la acción prevista antes de ejecutarla y bloquea o pausa las llamadas arriesgadas.
POR QUÉ SYSTEM ONE
Una interfaz que encaja mejor con la automatización.
Calibración, no confianza aparente
TypeSafe llama RLCD a su enfoque de entrenamiento: Reinforcement Learning for Calibrated Decisions, centrado en probabilidades útiles para decidir.
En paralelo, no generación en cola
Varias preguntas de una solicitud se evalúan a la vez, sin iniciar una conversación completa para cada una.
Tipado desde el inicio, no inferido después
Las respuestas posibles se definen de antemano para que el software las procese sin tener que interpretar un párrafo.
CONOCE LOS LÍMITES
Un modelo de decisiones es potente precisamente porque hace menos.
Jev complementa los modelos generativos y el código determinista. Encaja cuando las respuestas posibles son conocidas y se necesita un criterio rápido y tipado.
¿Necesitas un párrafo, código, una explicación o un plan abierto? Usa un modelo generativo.
¿Necesitas razonamiento largo y en varias etapas? Divide primero la tarea en señales concretas y deja que la aplicación o un modelo de razonamiento las combine.
¿No puedes definir las opciones o el significado de cada nivel? Aclara el contrato antes de llamar a Jev.
¿La decisión tiene consecuencias importantes? Valida la precisión y la calibración con tus datos y conserva supervisión humana o controles deterministas.
DE LA ZONA DE PRUEBAS A PRODUCCIÓN
Un endpoint, una clave en el servidor y una superficie pequeña.
La guía pública usa un único endpoint System One. Empieza en la zona de pruebas y luego envía la solicitud desde tu backend.
ENDPOINT
POST https://api.typesafe.ai/v1/systemone
GESTIÓN DE CLAVES
Guarda las claves API en variables de entorno y dirige las solicitudes del navegador a través de tu servidor.
SDK DE PYTHON
pip install typesafe-sdkEMPIEZA CON UNA PREGUNTA REAL
Haz que tu agente tenga que adivinar una cosa menos.
Usa un contexto real, define una pregunta Choice, Score o Noul y revisa el resultado antes de decidir dónde integrarlo.