Jev IA: como usar no Playground e na API com um exemplo

Escolha uma decisão que possa ser conferida

Imagine uma empresa que recebe pedidos de orçamento, dúvidas sobre o uso do produto e solicitações sobre cobranças. Hoje, alguém lê cada mensagem e decide a qual equipe encaminhá-la. Esse é um recorte possível para experimentar Jev: a tarefa tem entradas identificáveis, categorias conhecidas e uma pessoa capaz de revisar a classificação.

Escreva primeiro o resultado desejado: sugerir a equipe responsável e separar pedidos explícitos de atendimento humano. A primeira versão pode apenas registrar sugestões em uma fila de teste. Assim, a equipe observa os erros antes de permitir qualquer encaminhamento automático.

Defina também o que fica fora do experimento. Responder ao cliente, calcular valores, aprovar descontos e marcar compromissos são outras tarefas. Misturá-las na primeira pergunta dificulta entender por que o resultado foi inadequado.

Um primeiro teste útil tem uma decisão delimitada, uma referência humana e um critério explícito de aprovação.

Experimente no Playground da TypeSafe

O quickstart oficial orienta começar pelo Playground do console TypeSafe. A documentação consultada em 5 de outubro de 2026 permite experimentar perguntas e depois usar o mesmo formato de trabalho em uma integração. Confira no próprio console as condições de acesso e os créditos disponíveis na sua conta.

Use esta mensagem fictícia: Quero incluir outras unidades no serviço. Vocês podem me explicar os planos? Prefiro conversar com uma pessoa. Não inclua nome, telefone, contrato ou histórico real de cliente neste primeiro exercício.

Aprofunde este tema: Jev IA: o que é, para que serve e quando usar →

Prepare o contexto sem transformar tudo em um prompt gigante

Na API, state é o conteúdo avaliado. Ele pode ser uma mensagem simples ou um objeto com campos nomeados. Neste exercício, mensagem e contexto_atendimento bastam: um campo contém o texto recebido; o outro informa que se trata de um contato inicial sobre ampliação do serviço.

Não presuma que o modelo conhece sua empresa, suas regras ou a conversa completa. Inclua a informação necessária à decisão e deixe explícito quando algo não foi consultado. Um interesse em expansão não comprova orçamento aprovado nem autorização para contratar.

As perguntas ficam separadas do estado. Essa organização ajuda a identificar a causa de um problema: faltava informação, a categoria estava mal definida ou o modelo interpretou a mensagem de forma inadequada? Se você mudar contexto, critérios e pergunta ao mesmo tempo, perde essa capacidade de comparação.

Escolha a pergunta certa: Choice, Score ou Noul

Jev oferece três formatos. Para o primeiro experimento, use apenas aqueles de que a triagem realmente precisa. Não é necessário acrescentar uma pontuação só porque a API permite.

Passe do Playground para uma chamada de API

A integração documentada envia uma requisição POST para https://api.typesafe.ai/v1/systemone, com autenticação Bearer e corpo JSON. Os três campos principais são state, model e questions. Cada pergunta recebe um identificador para que a aplicação encontre sua resposta.

Em 5 de outubro de 2026, a página oficial de modelos lista jev-1.13.0 e informa que jev-latest aponta para essa versão. Para comparar testes ao longo do tempo, fixe a versão avaliada e registre também a versão devolvida pelo serviço. Um alias pode passar a apontar para outra versão.

O kit de Jev disponível no bloco de material desta página reúne exemplos de requisição em JSON e um chamador Python para uso no servidor. Comece lendo os arquivos e ajustando o estado fictício. A execução real depende da sua chave e consome os recursos da conta.

Leia a resposta sem atribuir a ela um significado maior

Choice retorna a opção selecionada, as probabilidades das alternativas e confidence. Score retorna uma posição na escala definida, sua distribuição e confiança. Noul retorna a probabilidade atribuída ao sim, sem um campo confidence separado. Consulte o artigo de testes deste cluster para entender as diferenças e os cálculos.

Se a categoria escolhida for comercial, o significado é limitado à pergunta feita: a solicitação parece pertencer àquela equipe. Isso não mede a probabilidade de fechar a venda. Da mesma forma, uma classificação sobre urgência não autoriza furar regras de agenda ou prometer um prazo que a empresa não pode cumprir.

Confira também se a aplicação encontrou todas as respostas esperadas. Campo ausente, erro de integração e informação inconclusiva precisam de tratamento. Não transforme nenhum deles, silenciosamente, em uma categoria padrão que desencadeia uma ação.

Transforme a sugestão em um fluxo controlado

A equipe define quando uma sugestão pode seguir automaticamente e quando precisa de revisão. No nosso exemplo, um pedido claro de falar com uma pessoa deve receber tratamento conforme essa política. O encaminhamento precisa criar uma tarefa identificável e confirmar a aceitação pela fila responsável.

Durante o piloto, registre a categoria sugerida, a decisão da pessoa revisora e o motivo de qualquer correção. Separe erros de interpretação de problemas do processo. Um modelo pode escolher a equipe correta e, mesmo assim, o atendimento falhar porque a integração não criou a tarefa ou porque ninguém acompanhou a fila.

Depois, acompanhe o percurso completo: a mensagem entrou, foi classificada, recebeu destino, teve responsável e foi atendida. Esse encadeamento é mais útil para avaliar o projeto do que observar apenas uma resposta isolada que parece convincente.

Confira custo, falhas e próximos passos

A cobrança documentada considera tokens de entrada; perguntas e descrições também fazem parte desse conteúdo. Acompanhe usage.input_tokens, quantidade de requisições, tentativas adicionais e custo das outras ferramentas. Consulte o preço e os limites atuais antes de ampliar o volume. Um fluxo barato por chamada ainda pode desperdiçar recursos ao reenviar o mesmo evento repetidamente.

Amplie o conjunto fictício com mensagem vazia, dois assuntos misturados, pedido de humano, informação incompleta e texto tentando impor uma classificação. O kit ajuda a organizar esses exercícios. Dados fictícios verificam o funcionamento do procedimento; avaliar a qualidade no negócio exige posteriormente uma amostra apropriada, revisada e autorizada.

Se o objetivo é organizar essa decisão dentro de um ecossistema de apps, o artigo sobre GeniOS mostra o contexto da oferta da Genial. A escolha de Jev depende do diagnóstico e dos testes do projeto; este tutorial não pressupõe uma integração nativa. Para montar as etapas visualmente, siga para o guia de Jev no n8n.