LangChain вбудував Jev у свій власний агентний цикл і показав три завдання, які вони йому передали. У демонстрації LLM витрачав близько 5 секунд, щоб визначити, чи містить текст PII, а Jev відповів миттєво з точністю 98%. Отже, їхні агенти-програмісти можуть запитувати Jev, наскільки складним є завдання, і зберігати потужну модель для складніших випадків. Їхній проміжний ПЗ у автономному режимі запитує Jev, чи є виклик інструменту ризикованим, і блокує його в час виконання — перевірку, яку вона вимкнула, бо раніше була занадто повільною. Та сама модель оцінює відповідь агента за критеріями під час онлайн-оцінок: правильно, збігається з еталоном, обґрунтовано, посилається на джерело. Мій посібник вказує на цю налаштування як на джерела досліджень, з критерієм релевантності від 0 до 3 для 50 статей та чергою для перевірки викликів з низькою впевненістю. Він також перевіряє, які корисні статті фільтр тихо архівував. Перегляньте сесію, а потім отримайте стартовий шаблон та запити нижче.