LangChainはJevを自らのエージェントループに組み込み、そのエージェントに割り当てた3つのタスクを示した。 デモでは、LLMがテキストにPIIが含まれているかを判断するのに約5秒かかったのに対し、Jevは即座に98％の精度で回答した。 そのため、彼らのコーディングエージェントは、タスクの難易度をJevに尋ねて、複雑なタスクにだけ強力なモデルを活用できる。 彼らのオートモードミドルウェアは、ツール呼び出しがリスクがあるかどうかをJevに確認し、実行時にブロックする。このチェックは以前は遅すぎたため、彼女が無効にしていた。 同様のモデルは、オンライン評価でエージェントの回答を評価基準と照合し、正解か、参照と一致するか、根拠があるか、ソースを引用しているかを判定する。 私のガイドは、50本の論文に対して0から3の関連性評価基準を用いて、この設定を研究資料に向け、低信頼度の呼び出し用のレビューキューを設けている。 また、フィルターが静かにアーカイブした有用な論文を確認する機能も備えている。 セッションをご覧になり、以下にあるスターターやプロンプトをご利用ください。