LangChain a intégré Jev dans leur propre boucle d'agent et a montré les trois tâches qu'ils lui ont confiées. Lors de la démonstration, un LLM a mis environ 5 secondes pour déterminer si un texte contient des données personnelles, tandis que Jev a répondu immédiatement avec une précision de 98 %. Ainsi, leurs agents de codage peuvent demander à Jev la difficulté d'une tâche et réserver le modèle puissant pour les tâches les plus complexes. Le middleware en mode automatique demande à Jev si un appel d'outil est risqué et le bloque en temps réel — une vérification qu'elle avait désactivée car elle était auparavant trop lente. Le même modèle évalue la réponse d'un agent selon une grille : correct, correspond à la référence, fondé, cite une source. Mon guide pointe cette configuration vers des sources de recherche, avec une grille de pertinence de 0 à 3 sur 50 articles et une file d'attente pour les appels à faible confiance. Il vérifie également quels articles utiles le filtre a silencieusement archivés. Regardez la session, puis récupérez le modèle de départ et les invites ci-dessous.