Skip to content

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-sdk en tu .venv, y TYPESAFE_API_KEY en 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 hacerTérmino oficialA qué ruta ir
Qué etiqueta asignar, a qué categoría pertenecer, si hay que interceptarClassification clasificación / Detection detecciónRuta 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 invocarVerification verificación / Retrieval recuperación / Routing enrutamientoRuta B: aplicaciones de LLM y Agent
Qué campos extraer de texto e imágenes, cuáles son los más relevantes, qué elementos son la misma cosaStructured Data Extraction extracción / Search búsqueda / Ranking ordenaciónRuta 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?
LecciónQué vas a construirDuraciónDificultad
A1 Filtrado de chat en directoUna 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 audiencia15 minutosInicial
A2 Clasificación jerárquica profundaBeam 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 fuente20 minutosIntermedio
A3 75 clasificación de industriasLos 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 superior15 minutosInicial
A4 AutoconsistenciaAñade 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 minutosInicial

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
LecciónQué vas a construirDuraciónDificultad
B1 Barandillas de LLMUna 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 soporte20 minutosIntermedio
B2 Verificación de citasUna pregunta de Choice determina si el contexto de la cita respalda la afirmación, frenando las citas alucinadas12 minutosInicial
B3 Control de pasajes RAGUna solicitud por cada pasaje recuperado le asigna una puntuación de relevancia; el código decide qué pasajes pueden llegar al answering model15 minutosIntermedio
B4 Decisiones de AgentDe 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 tipadas20 minutosIntermedio
B5 Sistema de memoria simpleDeja que Jev decida qué solicitudes y respuestas merecen recordarse; una pequeña función incorpora la memoria en las llamadas posteriores15 minutosInicial

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
LecciónQué vas a construirDuraciónDificultad
C1 Extracción de valoresLas 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 normaliza15 minutosInicial
C2 Recuperación de estructuraDos 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 bloque15 minutosInicial
C3 Pedidos en lenguaje naturalUn 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 campos15 minutosInicial
C4 Búsqueda y emparejamientoEl 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 pares20 minutosInicial
C5 Extracción en cascadaUn modelo barato extrae primero y Jev verifica campo por campo; solo si la verificación da la alarma se escala al modelo de razonamiento20 minutosIntermedio
C6 Imágenes en la prácticaEn 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 especie20 minutosIntermedio
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 →

gaodong.aiAboutPrivacyContact

Independent tutorials, not affiliated with any product mentioned. Product names and trademarks belong to their owners. Check official pages for prices and policies.