Diez casos prácticos para formular preguntas, explorar alternativas y preparar tu integración con Jev.
Ejemplos públicos didácticos. La inferencia real está disponible mediante el cliente local con credencial TypeSafe.
Jev evalúa un contexto a partir de preguntas y opciones. Este proyecto te ayuda a diseñar el flujo alrededor de esa respuesta.
Atención, documentos, agentes y más. Cada ejemplo incluye alternativas, una respuesta simulada y el siguiente paso.
Edita el contexto, descarga el JSON y usa la CLI o el servidor local. La clave permanece en el entorno del servidor.
Ejecuta reglas locales en un dataset ficticio y revisa los aciertos, errores y la matriz de confusión.
Una salida válida no garantiza una interpretación correcta. La revisión, los límites y los permisos son responsabilidad del software.
El laboratorio no envía mensajes, no realiza pagos ni controla agentes externos. Los casos clínicos, contractuales y financieros son ejercicios ficticios supervisados.
Un navegador moderno. La versión pública funciona sin registro, clave ni pago.
Python 3.10 o posterior y Git. El núcleo usa solo la biblioteca estándar. Las consultas reales requieren acceso a TypeSafe.
python3 --version git --version
Elige uno de los veinte casos. La respuesta es original y simulada; cambiar el texto requiere una consulta real para obtener una nueva decisión.
https://inematds.github.io/jev/app/
El servidor queda restringido a tu computadora. Abre la dirección que aparece en el terminal.
git clone https://github.com/inematds/jev.git cd jev python3 -m jev_lab serve
La validación del contrato no consume API. Reemplaza la ruta por el JSON que exportaste.
python3 -m jev_lab validate exemplos/triagem-request.json
Configura TYPESAFE_API_KEY en el entorno del proceso o en los archivos autorizados openpcbotv2/.env o wifi/.env. El cliente la lee en runtime, sin copiar la clave. La integración de OpenRouter se midió en los diez paquetes originales; esto no es un benchmark independiente.
python3 -m jev_lab ask exemplos/triagem-request.json
Genera JSON de métricas y CSV de predicciones. Los datos son ficticios y los resultados miden reglas léxicas, no Jev.
python3 -m jev_lab batch data/tickets-sinteticos.jsonl --out reports/baseline
Las pruebas cubren contratos, políticas, errores del proveedor y duplicados en lote. No necesitan una clave.
python3 -m unittest discover -s tests -v
Contrasta una afirmación con la evidencia disponible.
Revisa la redacción; conserva el enlace a la evidencia. No presentes nada como una verdad universal.
Sugiere el equipo responsable de una solicitud.
Sugiere una cola reversible y registra la corrección humana.
Identifica los puntos que requieren revisión especializada.
Derivar a un profesional; ninguna aprobación jurídica automática.
Distingue entre una propuesta de cambio y una confirmación.
Destacar el mensaje. El calendario y las zonas horarias deben resolverse en el código.
Elige la capacidad necesaria antes de generar.
La política resuelve el nombre concreto del modelo y mide la calidad final.
Evalúa un criterio explícito del resultado de un agente.
Corregir una vez o escalar. No reemplaces la ejecución de pruebas por un juicio.
Deriva a una especialidad sin ampliar los permisos.
Derivar al catálogo; los permisos siguen determinados por el sistema.
Selecciona un candidato a partir del texto de la página.
Valida el ID en el DOM actual y la acción permitida antes de hacer clic.
Estudio ficticio de organización, siempre supervisado.
La revisión humana es obligatoria; no hay diagnóstico ni conducta clínica.
Organiza una fila ficticia según una política explícita.
Organización supervisada; no se ejecuta ninguna orden financiera.
Explora ahora 20 casos: los diez iniciales y nuevas prácticas de skills, comentarios, evidencias, triaje compuesto, intenciones, fechas, logs, datos personales, intención de atención y revisión de diff.
El editor acepta Choice, Noul y Score, estado en JSON y varias preguntas. Importa una solicitud, exporta el resultado con su procedencia y abre informes de la CLI.
python3 -m jev_lab experiment data/tickets-sinteticos.jsonl --out runs/regras
Guía de experimentos · Exageraciones y dudas · Modelos y precios oficiales
A los diez paquetes originales se suman la bandeja de entrada, los comentarios de YouTube, las comunidades, las reuniones, los cortes por transcripción, las notas, la curaduría y los viajes. El paquete de viajes evalúa cada anuncio una vez y cruza las respuestas según reglas con doce perfiles ficticios. Los siete ejemplos nuevos son ficticios y usan preguntas combinadas.
python3 -m pacotes.executar reunioes python3 -m pacotes.qualidade reunioes python3 -m pacotes.lote reunioes data/reunioes-eventos.jsonl
Los dos primeros comandos muestran el fixture y sus métricas simuladas; el tercero valida un lote sin llamar a la API. El modo real requiere --live y una clave en el backend. La concurrencia es limitada y se puede reanudar; la recopilación de plataformas y las acciones externas siguen fuera del ejecutor.
Lotes, evaluación por pregunta y límites · Elegir un paquete
Con la tarifa consultada de US$ 0,042 por millón de tokens de entrada, 10.000 tokens cuestan US$ 0,00042. Diez mil llamadas iguales suman US$ 4,20. Añade un modelo de respaldo, revisión humana, infraestructura y retrabajo.
El proyecto reúne un análisis de Laya y referencias para comparar decisiones estructuradas locales con Jev. El adaptador de Laya en Jev y la integración en el bot aún son propuestas.
En el análisis local, pasaron 14 pruebas de la aplicación y el validador estructural Jev aceptó 16 respuestas ya guardadas. El informe didáctico contiene 13 aciertos en 16 ejemplos sintéticos; hay errores con alta confianza. Esto no demuestra superioridad ni calidad para producción.
El siguiente paso es evaluar los mismos casos y criterios, medir el costo y la latencia completos y mantener la revisión humana. Los campos de confianza no deben compartir umbrales sin validación.
Leer el análisis y el plan del piloto · Laya INEMA · Código original · Modelos y model card · Laya en Eventos