Isinama ng LangChain si Jev sa kanilang sariling agent loop at ipinakita ang tatlong gawain na ibinigay nila sa kanya. Sa demo, kumuha ng 5 segundo ang isang LLM upang sabihin kung ang isang teksto ay naglalaman ng PII, at agad na sumagot si Jev na may 98%. Kaya ang kanilang coding agents ay maaaring magtanong kay Jev kung gaano kalala ang isang gawain at i-save ang makapangyarihang model para sa mga mahirap na gawain. Ang kanilang auto mode middleware ay tumatanong kay Jev kung ang isang tool call ay may panganib at itinigil ito sa runtime, isang pagsusuri na isinara niya dahil dating sobrang mabagal ito. At ang parehong model ay nagtatasa ng sagot ng agent batay sa isang rubric sa online evals: tama, tumutugma sa reference, nakabatay sa katotohanan, at binanggit ang pinagkukunan. Ipinuntirya ng aking gabay ang setup na ito sa mga sanggunian sa pananaliksik, na may rubric na 0 hanggang 3 na kahalagahan sa 50 na papel at isang review queue para sa mga tawag na mababang tiwala. Kasama rin nito ang pagsusuri kung aling mga kapaki-pakinabang na papel ang tinago ng filter nang tahimik. Suriin ang sesyon, tapos kunin ang starter at ang mga prompt sa ibaba