LangChain ने Jev को अपने एजेंट लूप के अंदर शामिल किया और उन्होंने उसे तीन कार्य सौंपे। डेमो में, एक LLM को PII युक्त पाठ की पहचान करने में लगभग 5 सेकंड लगे, जबकि Jev तुरंत 98% के साथ उत्तर दे दिया। इसलिए उनके कोडिंग एजेंट Jev से पूछ सकते हैं कि कोई कार्य कितना कठिन है और शक्तिशाली मॉडल को केवल कठिन कार्यों के लिए बचा सकते हैं। उनका ऑटो मोड मिडलवेयर Jev से पूछता है कि क्या कोई टूल कॉल जोखिमभरा है, और रनटाइम पर इसे रोक देता है—एक चेक जिसे उसने बंद कर दिया था क्योंकि यह पहले बहुत धीमा था। और वही मॉडल ऑनलाइन मूल्यांकन में एजेंट के उत्तर को एक मानदंड के साथ तुलना करता है: सही, संदर्भ से मेल खाता है, स्थिर है, स्रोत का हवाला देता है। मेरा मार्गदर्शक इस सेटअप को 50 पेपर्स पर 0 से 3 की प्रासंगिकता मानदंड के साथ शोध स्रोतों पर इशारा करता है, और कम आत्मविश्वास वाले कॉल्स के लिए एक समीक्षा क्यू के साथ। यह यह भी जांचता है कि फ़िल्टर ने कौन से उपयोगी पेपर्स को चुपचाप संग्रहीत किया है। सत्र देखें, फिर नीचे दिए गए स्टार्टर और प्रॉम्प्ट्स प्राप्त करें।