Confronta una afirmación con la evidencia disponible.
Elegir entre una regla, una decisión delimitada y una respuesta generativa.
- Decidir, generar o calcular
- Contexto, pregunta y opciones
- Leer promesas con cuidado
JEV: decisiones de IA
en la práctica.
Un lugar para explorar el proyecto, estudiar el curso y llevar decisiones estructuradas a tu código. Prueba los 20 casos, recorre las 36 lecciones y conoce los 17 paquetes por área.
Laboratorio público sin clave, con respuestas simuladas. Curso HTML v2 en portugués, con progreso, dudas y notas.
Banner de la edición inicial, con diez paquetes. El acervo actual reúne 17 paquetes.
Del contexto a la decisión. De la decisión a la evaluación.
Jev es el modelo de decisiones estructuradas de TypeSafe. El Jev Decision Lab es el proyecto educativo de INEMA para formular preguntas, comparar respuestas y entender cuándo una decisión necesita revisión.
El modelo recibe contexto y criterios; tu sistema sigue siendo responsable de las acciones. El laboratorio separa esa elección de la generación de texto y de la ejecución de herramientas.
Consultar la documentación oficial de TypeSafe
Tres formas de preguntar
- Choice: elegir entre alternativas explícitas.
- Noul: estimar la probabilidad de una respuesta afirmativa.
- Score: evaluar una rúbrica con niveles ordenados.
Lo que ya puedes usar
- Búsqueda entre 20 casos autorales y preguntas combinadas.
- Editor de contexto textual o JSON y criterios de decisión.
- Importación de solicitudes y exportación de resultados.
- Política didáctica de umbrales, abstención y revisión humana.
- Estimación de coste con fallback, revisión e infraestructura.
- Experimentos por lotes: reglas, Jev directo, híbrido y replay.
- Comparación de métricas y lector de informes en el navegador.
- Cliente Python, servidor local e integración mediante OpenRouter o TypeSafe.
20 situaciones para experimentar
Cada caso incluye contexto, preguntas, criterios, respuesta simulada, explicación y siguiente paso. Los enlaces abren el caso correspondiente en el laboratorio en portugués.
Sugiere el equipo responsable de una solicitud.
Localiza puntos que requieren revisión especializada.
Distingue propuesta de cambio y confirmación.
Elige la capacidad necesaria antes de generar.
Evalúa un criterio explícito del resultado de un agente.
Despacha a una especialidad sin ampliar permisos.
Selecciona un candidato a partir del texto de la página.
Estudio ficticio de organización, siempre supervisado.
Organiza una cola ficticia según política explícita.
Distingue especialidades parecidas y permite ninguna.
Separa corrección y utilidad antes de proponer revisión.
Preserva el pasaje que contradice la hipótesis.
Observe fila, prioridad, suficiencia y solicitud de reembolso juntos.
Una conversación puede contener ventas y agenda.
Elija el fragmento; deje el calendario y la comparación al código.
Use una rúbrica operativa, sin inferir todo el incidente.
Clasifique solo material ficticio y ya minimizado.
Wi‑Fi puede ser el asunto de una solicitud de estado.
Señale una prueba debilitada con contexto y requisito.
El curso: Jev en la práctica
Tres rutas, 12 módulos y 36 lecciones con teoría, ejemplos, ejercicios y respuestas. Abra cada módulo para ver las lecciones y acceder al material completo.
El recorrido conceptual cubre los módulos 1–8. Los módulos 9–12 usan JSON, terminal y Python. La estimación del curso es de 18 horas, incluyendo ejercicios y proyecto.
Curso HTML v2 disponible en portugués. Los enlaces siguientes abren las lecciones con progreso, dudas, notas y ejercicios. Un plan personal acompaña una decisión desde el inicio hasta el piloto.
Entender
Módulo 1 — Dónde entra Jev
Módulo 2 — Los tres tipos de pregunta
Distinguir Choice, Noul y Score según el tipo de respuesta necesario.
- Choice: elegir una alternativa
- Noul: probabilidad de sí
- Score: niveles ordenados
Módulo 3 — Confianza y error
Usar incertidumbre sin convertirla en autorización automática.
- Probabilidad y confidence
- Alta confianza, respuesta errónea
- Cuándo solicitar revisión
Módulo 4 — Costo y elección del primer caso
Calcular la viabilidad incluyendo el trabajo que ocurre después del modelo.
- La cuenta de diez mil tokens
- Costo del proceso completo
- Elegir un piloto
Aplicar
Módulo 5 — Atención y transcripciones
Aplicar decisiones a mensajes y distinguir ausencia de evidencia de respuesta negativa.
- Derivar tickets
- Ventas y agenda juntos
- Información faltante
Módulo 6 — Documentos y evidencias
Evaluar lo que un fragmento sostiene sin extrapolar a la verdad externa.
- ¿Una afirmación está respaldada?
- Lista de verificación de cláusulas
- ¿Qué cambió en la conversación?
Módulo 7 — Modelos y agentes
Enrutamiento, verificación y ejecución como responsabilidades separadas.
- Elegir un modelo
- Verificar una etapa
- Elegir un agente
Módulo 8 — Navegador y aplicaciones sensibles
Distinguir selección de candidatos de ejecución y supervisión profesional.
- Elegir elemento por el texto
- Organizar revisión clínica ficticia
- Organizar alertas ficticias
Construir y evaluar
Módulo 9 — Integrar sin mezclar responsabilidades
Construir una solicitud y manejar errores manteniendo credenciales en el servidor.
- Preparar el estado
- Entender una solicitud
- Tratar fallas operativas
Módulo 10 — Medir calidad de verdad
Comparar métodos sin confundir ejemplos ajustados con evidencia independiente.
- Construir referencia humana
- Comparar alternativas
- Elegir y congelar umbrales
Módulo 11 — Operar y observar
Preparar logs, seguimiento y retroalimentación sin perder el control de la operación.
- Observar antes de automatizar
- Registrar y entender fallas
- Actualizar o revertir
Módulo 12 — Proyecto final
Entregar una decisión de adopción fundamentada, inclusive cuando la respuesta sea no automatizar.
- Especificar la triage
- Evaluar la propuesta
- Decidir adopción
12 laboratorios, materiales y proyecto final
Datos ficticios y autorales, con actividades y respuestas para autocorrección. Resuelve primero y consulta las respuestas después.
12 tareas para elegir entre regla, Choice, Noul, Score o generación.
Seis políticas para distinguir devolución, crédito, conflicto e insuficiencia.
30 tickets ficticios para clasificar filas e investigar divergencias.
Ocho pares y cuatro cláusulas para identificar apoyo y omisión.
12 tareas para separar elección, permiso y límite de intento.
Cinco listas de candidatos para elegir, abstenerse o solicitar revisión.
Hoja de cálculo para sumar entrada, fallback, revisión e implementación.
Diez predicciones simuladas para comparar cobertura y error.
Ocho peticiones para seleccionar una skill o ninguna.
Seis situaciones para separar corrección, utilidad y evidencia de prueba.
Seis pasajes para preservar contradicciones, negaciones e IDs.
Ocho alegaciones para juzgar la evidencia y lo que aún falta.
Tu proyecto final
Especifica el problema, la taxonomía, las preguntas, la política, la evaluación y la economía. Concluye si hay evidencia para adoptar, recopilar más datos o no automatizar. La rúbrica cubre formulación, política, evidencia, economía y reproducibilidad.
Abrir el modelo y la rúbrica del proyecto final17 paquetes para aplicar en el trabajo
Contexto, criterios, solicitud, fixture e instrucciones en cada paquete. Todos comparten el ejecutor y el núcleo Python; puedes comenzar offline y luego configurar una consulta real.
Clasificar tickets para la fila correcta.
Inserta la evaluación entre la creación del ticket y la elección de la fila.
Calificar oportunidades según criterios explícitos.
Activa después de recibir un formulario de contacto. Añade a el contexto tu catálogo y criterios comerciales.
Organizar solicitudes de post‑venta.
Evalúa el ticket con los datos de pedido estrictamente necesarios.
Verificar si un texto respeta el briefing proporcionado.
Evalúa el borrador antes de la etapa de aprobación editorial.
Triar relatos de bugs para el componente responsable.
Usa título, descripción y logs minimizados del issue como entrada.
Elegir entre skills registradas, sin ejecutarlas.
Coloca el clasificador antes del dispatcher de las herramientas. Usa solo IDs del catálogo permitido.
Aplicar una rúbrica explícita como apoyo a la revisión del profesor.
Usa ejercicios ficticios primero; luego evalúa respuestas minimizadas contra rúbricas del profesor.
Verificar la información obligatoria en los documentos.
Realice la extracción de texto antes de esta etapa y envíe la lista de verificación junto.
Clasificar pendientes para revisión del responsable.
Utilice actualizaciones del proyecto como entrada antes de la reunión de seguimiento.
Evaluar si un fragmento proporcionado sustenta una afirmación.
Usar después de recuperar fragmentos de la base de conocimiento y antes de redactar una respuesta.
Separar mensajes y señalar lo que necesita revisión.
Después de recibir el correo electrónico en tu backend; envía solo el cuerpo y el perfil necesarios.
Priorizar dudas y sugerencias de contenido.
Después de importar comentarios mediante la integración autorizada de tu aplicación.
Localizar solicitudes de ayuda e insatisfacción expresada.
Tras la publicación de una entrada o duda en el entorno de aprendizaje.
Verificar decisión, próximo paso, responsable y plazo.
Después de la transcripción autorizada de la reunión.
Evaluar si la transcripción de un fragmento sustenta un corte independiente.
Después de transcribir y segmentar en inemavox; envía texto y tiempos, no el archivo de video.
Separar tareas, ideas, diario y referencias después de la transcripción.
Después de una nota textual o una transcripción en tu bot; conserva el original en el sistema de origen.
Priorizar relevancia textual según intereses declarados.
Después de importar publicaciones mediante un mecanismo autorizado.
Los paquetes están en el repositorio: aún no hay distribución en PyPI, instalador universal o conector listo para n8n.
Comience simple. Avance cuando lo necesite.
En el navegador
Abra el laboratorio, elija un caso y examine la respuesta didáctica. Edite las preguntas, importe una solicitud, exporte el resultado o abra un informe.
Abrir el laboratorio públicoEl sitio público no consulta una API y no solicita credenciales. Cambiar un caso invalida su respuesta simulada anterior.
En su computadora
Con Python 3.10 o superior y Git, clone el proyecto e inicie el servidor local. El núcleo usa la biblioteca estándar.
git clone https://github.com/inematds/jev.git
cd jev
python3 -m jev_lab serveAbrir http://127.0.0.1:8765 en el navegador.
Del paquete offline a la inferencia real
python3 -m pacotes.executar --list
python3 -m pacotes.executar atendimento
python3 -m pacotes.executar atendimento --live --provider openrouterSin --live, el paquete usa una fixture simulada. El modo real requiere una clave configurada en el backend y puede consumir créditos. La guía muestra la configuración de OpenRouter y de TypeSafe, manteniendo las credenciales fuera del navegador.
Lotes, reanudación y evaluación por pregunta
Valida un archivo JSONL sin llamar a la API. Con --live, procesa los eventos con concurrencia limitada y reanuda resultados guardados. Compara Choice, Noul y Score con referencias explícitas; las nuevas demostraciones siguen simuladas.
python3 -m pacotes.executar reunioes
python3 -m pacotes.qualidade reunioes
python3 -m pacotes.lote reunioes data/reunioes-eventos.jsonlEn Codex, Claude Code y OpenPCBot
Usa la skill jev-decidir en Codex y en Claude Code. En OpenPCBot v3, /jev observar compara sugerencias de ruta; /jev muestra el resultado y /ajuda jev explica los límites. El bot mantiene su propio gateway y no ejecuta las sugerencias de Jev.
Instalar la skill para Codex y Claude CodeUna puerta de enlace para tu sistema
Cuando la consulta a Jev proviene de varios puntos del mismo sistema, vale la pena concentrar todo en una sola puerta. Jev-gw hace eso: límite de gasto diario verificado antes de cada consulta, caché por solicitud idéntica, registro de costo y latencia por llamada, y falla conservadora — Jev fuera de línea, clave incorrecta o límite superado devuelven revisión humana en lugar de romper al que llamó. Biblioteca Python, servicio HTTP y CLI, todo con la biblioteca estándar.
from jev_gw import decidir
saida = decidir(pedido)
if saida['acao'] == 'suggest':
encaminhar(saida['resposta']['answers']['fila']['choice'])
else:
fila_de_revisao(saida['motivo'])Medido el 22/09/2026: una consulta real en 610 ms por US$ 0,0000155; la misma consulta repetida vino del caché en 0 ms. Es prueba de integración, no benchmark de calidad.
Laya en el proyecto Jev
Alternativa local en evaluación
Laya es un candidato para comparar decisiones estructuradas locales con Jev. Las referencias y el análisis están disponibles; el adaptador de Jev y la integración con el bot v3 siguen pendientes.
Lo que ya verificamos
En el análisis local del 21/09/2026, pasaron 14 pruebas de la aplicación Laya y 16 respuestas guardadas fueron aceptadas por el validador estructural de Jev. No se realizó nueva inferencia en ese análisis.
El informe didáctico existente registra 13 aciertos en 16 ejemplos sintéticos en portugués, con errores de alta confianza. Esto no demuestra superioridad sobre Jev ni calidad de producción.
Próximo paso: un piloto comparable
Usar los mismos casos y criterios, separar ajuste y prueba, medir calidad, costo y latencia completos, y mantener revisión humana. La confianza de Laya tiene un significado propio; no reutilizar automáticamente los umbrales de Jev.
Lo que ya se ha observado — y lo que falta medir
Simulación para aprender
Los 20 casos públicos y la reproducción didáctica son autorales y simulados. Sirven para estudiar la formulación, políticas y errores; no miden la calidad del modelo.
Ver la comparación didácticaLínea base de reglas
El informe registra 20 aciertos en 24 tickets ficticios (83,33 %), con macro‑F1 de 0,84235. Estos resultados son de las reglas, no de Jev.
Examinar el informe de reglasIntegración real probada
El 19/09/2026, los diez paquetes recibieron respuestas a través de OpenRouter, sin fallos y con las clasificaciones esperadas en los ejemplos ficticios. Esto confirma la integración en esos ejemplos; no constituye un benchmark independiente.
Leer el informe de las diez consultasEvaluación aún necesaria
Calidad en portugués, calibración y uso operativo requieren datos independientes y referencia humana. El proyecto no ejecuta pagos, diagnósticos, merges ni acciones de agentes.
Leer exageraciones, dudas y límitesLos siete paquetes nuevos fueron verificados con fixtures y pruebas controladas. El informe de inferencia real cubre solo los diez paquetes originales.
Biblioteca completa del proyecto y del curso
Documentación pública para profundizar cada parte. Los repositorios y materiales de estudio están en portugués; esta página organiza los caminos de acceso.
Elija su próximo paso.
Experimente un caso, estudie el módulo correspondiente o adapte un paquete a su proyecto.