Práctica por escenarios: elige tu ruta
💡 Objetivo: elegir una ruta práctica de Jev y completarla de principio a fin — la ruta A son 4 lecciones de unos 65 minutos, la B 5 lecciones de unos 82 minutos y la C 6 lecciones de unos 105 minutos. Al terminar no tendrás solo apuntes, sino también un conjunto completo de código de casos funcional, adaptado del cookbook oficial.
🎯 Objetivos de la etapa
- Poder ubicar tu problema de negocio: decir a qué ruta pertenece (moderación y clasificación de contenido / aplicaciones de LLM y Agent / documentos y datos) y qué lección leer primero
- Completar al menos una ruta entera y obtener un código directamente reutilizable — por ejemplo, una canalización de filtrado de danmaku en directo, o un control de párrafos para RAG
- Saber usar las etiquetas oficiales de dificultad para planificar el orden: los casos de nivel principiante (Beginner) funcionan solo con seguirlos; en los casos intermedios (Intermediate) conviene completar antes las lecciones previas
⏳ Tiempo estimado
- Las 15 lecciones suman unos 252 minutos (unas 4 horas 12 min); para hacerlo todo, reserva un margen de unos 176–328 minutos
- No hace falta leerlo todo — elige una de las tres rutas: la A unos 65 minutos (46–85), la B unos 82 minutos (57–107), la C unos 105 minutos (74–137)
- Cada lección es independiente y puede leerse por separado; dentro de la misma ruta se recomienda seguir el orden numérico, ya que las lecciones posteriores reutilizan el código de las anteriores
🚀 Antes de empezar
- has completado uso diario: dominar los cinco tipos de preguntas de Jev — el cookbook oficial da por hecho que conoces los tipos de pregunta (primitives) y la confidence: las lecciones de escenarios asumen que sabes plantear preguntas Choice / Score / Noul / Box e interpretar distribuciones de probabilidad
- tu entorno sigue funcionando: ten instalado
typesafe-sdken tu.venv, yTYPESAFE_API_KEYen las variables de entorno (instalación y primera petición) - (ayuda en algunas lecciones) haber leído flujos de trabajo eficientes: entre las lecciones previas de B4 ya está preguntas en paralelo
- un vaso de agua ☕ — cada lección es un mini proyecto completo: datos reales + definición del problema + código funcional
📚 Elige tu ruta
Las 15 lecciones de esta etapa están todas adaptadas de los Cookbooks oficiales. La definición oficial de un cookbook son solo tres cosas: un conjunto de datos reales, un grupo de preguntas de TypeSafe que emiten juicios sobre él, y el código que convierte esos juicios en un sistema utilizable.
Por eso ninguna lección es una demo de juguete — los datos son reales (informes anuales de la SEC, consultas legales de CLERC, términos de servicio de GitHub, escaneos de vacunas), el código es completo, y la propia documentación oficial lo dice claro: copia uno y úsalo como punto de partida de tu propio proyecto.
¿Cómo elegir la ruta? El oficial Example use cases resume todos los usos en diez «formas de juicio»; los 15 escenarios de aplicación de esta etapa cubren los más habituales. Encuentra tu caso:
| Juicio que quieres hacer | Término oficial | A qué ruta ir |
|---|---|---|
| Qué etiqueta asignar, a qué categoría pertenecer, si hay que interceptar | Classification clasificación / Detection detección | Ruta A: moderación y clasificación de contenido |
| Si las entradas y salidas del LLM son seguras, si un párrafo recuperado debe entrar en el contexto, qué herramienta invocar | Verification verificación / Retrieval recuperación / Routing enrutamiento | Ruta B: aplicaciones de LLM y Agent |
| Qué campos extraer de texto e imágenes, cuáles son los más relevantes, qué elementos son la misma cosa | Structured Data Extraction extracción / Search búsqueda / Ranking ordenación | Ruta C: documentos y datos |
La duración y dificultad de cada lección están indicadas en el programa; la dificultad es la que marca tal cual el índice oficial del cookbook: los casos de nivel principiante (Beginner) funcionan solo con seguirlos; los intermedios (Intermediate) tienen una estructura más compleja — varias peticiones, grupos de preguntas más grandes o coordinación entre modelos — y van más fluidos si completas antes las lecciones previas.
💡 ¿Tu sector no aparece en la tabla?
El use-case map oficial también lista por sector una serie de ideas de juicio: contratación, filtrado de leads, soporte al cliente, siniestros de seguros, delitos financieros, cumplimiento legal, productos de e-commerce, confianza y seguridad comunitaria, publicidad, videojuegos, evaluación de riesgos, previsión de demanda… Úsalos para ubicar tu caso y combínalos con los tipos de pregunta y patrones enseñados en esta sección.
⚠️ Con contenido en chino, prueba antes de lanzar
La documentación oficial indica: el inglés es el idioma principal de entrenamiento de Jev; otros idiomas (incluido el chino) funcionan, pero con menor precisión. Para escenarios en chino como el filtrado de danmaku o la extracción de documentos, antes de lanzar haz una ronda de pruebas con tus propios datos reales, prestando atención a la confidence y a la distribución de probabilidad, y solo después fija el umbral.
Ruta A: moderación y clasificación de contenido (A1–A4, unos 65 minutos)
Para quién: streamers y operadores de directos, desarrolladores de control de riesgos en comunidades y plataformas de contenido, y todos quienes necesiten «etiquetar contenido y actuar según las etiquetas».
Quizá estos problemas te estén atosigando:
- En el danmaku del directo se mezclan insultos, spoilers y spam, el equipo humano no da abasto y las reglas por palabras clave siempre se saltan
- Productos, correos y documentos hay que clasificarlos en categorías de decenas de niveles de profundidad; los niveles superficiales son fáciles, pero cuanto más profundo, menos gente sabe con certeza
- El sistema de moderación unas veces deja pasar y otras borra el contenido límite; los usuarios mandan capturas a reclamar: ¿el criterio es tirar los dados?
| Lección | Qué vas a construir | Duración | Dificultad |
|---|---|---|---|
| A1 Filtrado de chat en directo | Una solicitud por cada mensaje de chat con tres preguntas, procesadas en paralelo; insultos, spoilers y spam se evalúan juntos, y las reglas del código deciden lo que ve la audiencia | 15 minutos | Inicial |
| A2 Clasificación jerárquica profunda | Beam search en paralelo desciende por las probabilidades de Choice, clasificando los documentos hasta el nivel más profundo de las categorías de patentes, retail, biomedicina y código fuente | 20 minutos | Intermedio |
| A3 75 clasificación de industrias | Los informes anuales de la SEC se reparten en 75 grupos industriales; si la confidence incluida en la respuesta no es suficiente, se reporta la gran categoría industrial superior | 15 minutos | Inicial |
| A4 Autoconsistencia | Añade una salida de «incierto» al sistema de revisión: si la probabilidad top no supera el umbral, se deriva a revisión humana. En pruebas oficiales, la tasa de coincidencia de decisiones pasó de 90.8% a 99.2% | 15 minutos | Inicial |
Ruta B: aplicaciones de LLM y Agent (B1–B5, unos 82 minutos)
Para quién: desarrolladores que están construyendo RAG, Agent, Chatbot o cualquier producto donde «un LLM hace el trabajo en medio».
Quizá estos problemas te estén atosigando:
- Las entradas y salidas de las aplicaciones de LLM no tienen control de seguridad: jailbreaks, inyección de prompts y datos sensibles entran y salen directamente
- Los pasajes recuperados por RAG se meten en el contexto sean o no relevantes, y la calidad de las respuestas se desestabiliza
- El Agent, ante cientos de habilidades, no sabe cuál invocar; de lenguaje natural a llamada de función, todo depende de parsear el JSON que devuelve el modelo
| Lección | Qué vas a construir | Duración | Dificultad |
|---|---|---|---|
| B1 Barandillas de LLM | Una sola solicitud hace un control de seguridad completo a cada mensaje que entra o sale de la aplicación LLM; según los umbrales que definas, deja pasar, revisa, bloquea o deriva a soporte | 20 minutos | Intermedio |
| B2 Verificación de citas | Una pregunta de Choice determina si el contexto de la cita respalda la afirmación, frenando las citas alucinadas | 12 minutos | Inicial |
| B3 Control de pasajes RAG | Una solicitud por cada pasaje recuperado le asigna una puntuación de relevancia; el código decide qué pasajes pueden llegar al answering model | 15 minutos | Intermedio |
| B4 Decisiones de Agent | De las 194 habilidades del catálogo de Hermes elige como máximo una (dos solicitudes: ordenar + revisar las tres primeras); convierte solicitudes de trading en lenguaje natural a llamadas de función tipadas | 20 minutos | Intermedio |
| B5 Sistema de memoria simple | Deja que Jev decida qué solicitudes y respuestas merecen recordarse; una pequeña función incorpora la memoria en las llamadas posteriores | 15 minutos | Inicial |
Ruta C: documentos y datos (C1–C6, unos 105 minutos)
Para quién: desarrolladores que trabajan en pipelines de datos, procesamiento de documentos, búsqueda empresarial o postprocesado de OCR — cualquier tarea de «rescatar datos estructurados de entradas con formatos caóticos».
Quizá estos problemas te estén atosigando:
- Correos, teléfonos, importes y fechas dispersos en texto caótico; las expresiones regulares sacan un montón de candidatos y no se sabe cuál es el correcto
- Texto plano que perdió el formato al copiar y pegar, que hay que restaurar a Markdown para poder entrar en la base de conocimiento
- Los resultados de búsqueda BM25 no son lo bastante precisos; los valores leídos por OCR entran en la base de datos sin que nadie los verifique
| Lección | Qué vas a construir | Duración | Dificultad |
|---|---|---|---|
| C1 Extracción de valores | Las fechas se preguntan por partes según el documento y el código parsea y valida; correos, teléfonos e importes se buscan como candidatos con expresiones regulares y Jev elige el correcto y lo normaliza | 15 minutos | Inicial |
| C2 Recuperación de estructura | Dos solicitudes restauran a Markdown el texto plano que perdió el formato: una recompone las líneas cortadas por saltos de línea forzados y otra clasifica cada bloque | 15 minutos | Inicial |
| C3 Pedidos en lenguaje natural | Un pedido de café se convierte en un carrito estructurado: un bucle de Choice que estrecha opciones encuentra cada artículo y, para cada uno, se envía un lote de solicitudes para rellenar los campos | 15 minutos | Inicial |
| C4 Búsqueda y emparejamiento | El reordenamiento sube los aciertos top-1 de las consultas legales de CLERC del 5% al 18% y el top-10 del 38% al 62%; búsqueda semántica línea por línea de las 218 líneas de los ToS de GitHub; alineación de entidades entre dos catálogos de cerveza con 450 pares | 20 minutos | Inicial |
| C5 Extracción en cascada | Un modelo barato extrae primero y Jev verifica campo por campo; solo si la verificación da la alarma se escala al modelo de razonamiento | 20 minutos | Intermedio |
| C6 Imágenes en la práctica | En un escaneo de cartilla de vacunación, Noul + Box busca registros y Choice lee el año (puede responder «no se ve con claridad»); en facturas, se verifica uno a uno cada valor del OCR y las puntuaciones bajas pasan a revisión manual; con fotogramas de una cámara para aves se genera un registro de visitas por especie | 20 minutos | Intermedio |
De los 25 cookbooks oficiales, ¿cuáles se cubren aquí?
El índice oficial de cookbooks de TypeSafe incluye 25 casos en total; las 15 lecciones de esta etapa cubren 22 de ellos (varios casos por lección, explicados de forma conjunta). El destino de los otros tres:
- Parallel questions (preguntas en paralelo)——ya se desarrolló en 3.1 Preguntas en paralelo y speculative fan-out: 13 preguntas en una sola solicitud; según pruebas oficiales, resulta 12.2 veces más barato y 10.0 veces más rápido, sin cambios en las respuestas
- Intelliprompter (teleprompter para presentaciones)——en intervenciones en vivo, puntúa punto por punto unas notas no cubiertas y marca una marca de verificación al superar el umbral; por ahora no será una lección aparte, puede leerse el texto oficial
- Autoresearch feature discovery (descubrimiento de características, dificultad oficial Advanced)——con preguntas de TypeSafe convierte texto libre en características numéricas y luego usa el error del modelo para mejorar una regresión CatBoost; por ahora no será una lección aparte, puede leerse el texto oficial
🎒 Lo que vas a obtener
- El desglose completo en chino de 15 casos prácticos de Jev: datos reales, definición del problema y código ejecutable, con duración y dificultad indicadas en cada lección
- Un método de desglose «encaje a la medida»: ante un problema de negocio, primero identificar su forma de juicio —clasificación, verificación o extracción— y luego elegir ruta, tipo de pregunta y modo
- Al menos una plantilla por ruta, lista para adaptarse directamente a tu proyecto: pipeline de filtrado de chat en directo, control de párrafos para RAG, canal de extracción en cascada
- Hábitos de puesta en producción en escenarios en chino: primero probar una ronda con datos reales, vigilar el confidence y solo después fijar el umbral —la documentación oficial advierte que la precisión en CJK es menor—
Además de las tres rutas hay dos caminos de extensión: para reforzar de forma sistemática la metodología de «cómo descomponer procesos de negocio en juicios atómicos», vuelve a los cuatro patrones de arquitectura de Flujos de trabajo eficientes; si quieres que Jev opere el navegador directamente por ti para completar tareas, ve a Manual avanzado para conocer el Agente de navegador Jev Ultrafast.
¿Todo listo? Empieza la primera lección: filtrado de chat en directo →