LangChain তাদের নিজস্ব এজেন্ট লুপে Jev কে এমবেড করেছে এবং তাদের দেখিয়েছে যে তারা এটিকে তিনটি কাজ দিয়েছে। ডেমোতে, একটি LLM-এর একটি টেক্সটে PII আছে কিনা তা বলতে প্রায় ৫ সেকেন্ড সময় লাগে, আর Jev তাৎক্ষণিকভাবে ৯৮% সঠিকতার সাথে উত্তর দেয়। সুতরাং, তাদের কোডিং এজেন্টগুলি Jev-কে জিজ্ঞাসা করতে পারে যে একটি কাজটি কতটা কঠিন, এবং শক্তিশালী মডেলটিকে শুধুমাত্র কঠিন কাজগুলির জন্য সংরক্ষণ করতে পারে। তাদের অটো মোড মিডলওয়্যার Jev-কে জিজ্ঞাসা করে যে একটি টুল-কল কি ঝুঁকিপূর্ণ, এবং রানটাইমে এটি বন্ধ করে দেয়—এই চেকটি তিনি আগে বন্ধ করেছিলেন, কারণ এটি আগে খুবই ধীর ছিল। এবং একই মডেলটি অনলাইন ইভ্যালুয়েশনগুলিতে একটি এজেন্টের উত্তরকে একটি রুব্রিকের সাথে মূল্যায়ন করে: সঠিক, রেফারেন্সের সাথে মিলছে, grounded, source-এর reference-এর mention। আমার গাইডটি ৫০টি পেপারের ০-৩-এর relevance rubric-এর সাথে, low-confidence calls-এরজন্য review queue-এর সাথে, research sources-এর setup-এরদিকেইনির্দেশকরছে। এটি এওয়াচওকরছযেfilter-টিquietlyarchivedকরা useful papersগুলিরকোনগুলি। সেশনটি dekhen, tarpor starter aar prompts gulir ekta grab koren