Wat is Jev? Het System One Model van TypeSafe uitgelegd

TL;DR

Jev is een beslissingsmodel ontwikkeld door TypeSafe AI. TypeSafe introduceerde Jev op 15 september 2026 als het eerste System One-model, ontworpen om gestructureerde beslissingen en waarschijnlijkheden terug te geven die software direct kan gebruiken. Deze gids is primair gebaseerd op TypeSafe’s officiële documentatie, Quick Start-gids, modelreferentie en de officiële aankondiging van Jev van het bedrijf.

Jev schrijft geen proza, genereert geen code en voert geen gesprek. Het evalueert een tekstgebaseerde toestand tegen getypeerde vragen en retourneert gestructureerde antwoorden die een applicatie direct kan gebruiken.

Dit onderscheid is belangrijk voor softwareworkflows. Een conventioneel groot taalmodel produceert tokens, zelfs wanneer een applicatie alleen een categorie, score of ja/nee-oordeel nodig heeft. Jev is ontworpen rond de beslissing zelf. De interface accepteert een toestand en een of meer vragen en retourneert getypeerde waarden en kansverdelingen. Choice- en Score-antwoorden bevatten ook een vertrouwensscore.

Jev is bedoeld voor classificatie, routering, scoring, verificatie, guardrails en andere begrensde beslissingen. Het is geen algemene vervanging voor GPT, Claude, Gemini of andere generatieve modellen. In een AI-agent kan een generatief model plannen of content creëren terwijl Jev frequente beslissingen afhandelt, zoals het selecteren van een route, het controleren van risico’s of beslissen of een resultaat herziening vereist.

Belangrijkste punten

• Jev is ontwikkeld door TypeSafe en wordt momenteel gepresenteerd als het vlaggenschip System One-model.
• Het model accepteert een tekstgebaseerde toestand plus getypeerde vragen. Het retourneert gestructureerde beslissingen in plaats van gegenereerd proza.
• Jev ondersteunt drie vraagtypen: Choice, Score en Noul.
• Meerdere vragen kunnen onafhankelijk en parallel tegen dezelfde toestand worden geëvalueerd in één request.
• TypeSafe traint Jev met Reinforcement Learning for Calibrated Decisions, of RLCD.
• De huidige officiële modelpagina vermeldt Jev 1.13 met een requestlimiet van 64.000 tokens en alleen tekstinvoer.
• Officiële prijs: $0,042 per miljoen inputtokens. Outputtokens zijn gratis.
• Type-veilige output voorkomt schemainconsistenties. Het garandeert niet dat elke zakelijke beslissing correct is.
• TypeSafe rapporteert een latentie van 70 tot 500 milliseconden en grote winst op eigen workflowevaluaties. Deze cijfers zijn door de leverancier gerapporteerd en gelden voor System One-vormige taken.

Wat is Jev?

Jev is een beslissingsmodel gebouwd door TypeSafe AI. De officiële documentatie beschrijft het als het vlaggenschipmodel van het bedrijf en het eerste System One-model. De input heeft twee hoofdonderdelen.

Het eerste deel is de toestand. Toestand is de informatie die Jev moet inspecteren, zoals een klantbericht, een incidentrapport, een verzameling records of een JSON-object met applicatiecontext.

Het tweede deel is een set getypeerde vragen. Elke vraag definieert het oordeel dat moet worden geveld en de toegestane vorm van het antwoord. Jev evalueert de vragen tegen de toestand en retourneert resultaten waarmee code kan vertakken, sorteren, scoren of routeren.

Neem een supportverzoek waarin wordt gemeld dat een betalingsintegratie al drie dagen faalt. Een supportsysteem heeft mogelijk geen alinea nodig die de situatie beschrijft. Het heeft misschien drie smalle beslissingen nodig:

• Naar welk team moet het ticket?
• Hoe gefrustreerd lijkt de klant?
• Vereist het bericht onmiddellijke aandacht?

Jev kan deze in één request representeren als een Choice-, een Score- en een Noul-vraag. De respons bevat de geselecteerde categorie of score, de relevante kansverdeling en, waar ondersteund, een vertrouwensscore. De applicatie beslist vervolgens wat te doen met die waarden.

Deze taakverdeling is bewust. Het model levert een onzeker oordeel in een stabiel formaat. Applicatiecode behoudt controle over drempels, permissies, neveneffecten en fallbackgedrag.

Wat is een System One-model?

TypeSafe gebruikt System One-model voor een klasse modellen die snelle, gestructureerde beslissingen nemen die software kan consumeren. De naam is ontleend aan het onderscheid tussen snel en langzaam denken dat geassocieerd wordt met het werk van Daniel Kahneman. Het beschrijft de beoogde rol van het model, niet de claim dat een softwaremodel menselijke cognitie reproduceert.

Een System One-taak heeft een begrensd doel. Een deskundige beoordelaar moet, met voldoende context, het oordeel snel kunnen vellen. Voorbeelden zijn het kiezen van een intentie, het beoordelen van urgentie op een gedefinieerde schaal, controleren of een bewering wordt ondersteund of beslissen of een verzoek moet worden geëscaleerd.

Taken die uitgebreid onderzoek, meerstapsdeductie, langvormige uitleg of contentcreatie vereisen, passen minder goed. TypeSafe raadt aan brede oordelen te decomponeren in atomaire vragen en hun resultaten in code te combineren.

Bijvoorbeeld, beoordeel deze startup-pitch is te breed om een inspecteerbare beslissing op te leveren. Marktomvang, technische haalbaarheid en differentiatie kunnen in plaats daarvan als afzonderlijke vragen worden geëvalueerd. De applicatie kan die scores combineren met een expliciete formule. Als zakelijke prioriteiten veranderen, kunnen de gewichten in code worden aangepast zonder het modelprompt in verborgen bedrijfslogica te veranderen.

Hoe werkt Jev?

Jev’s werkcontract kan als volgt worden geschreven:

State + getypeerde vragen -> getypeerde beslissingen + waarschijnlijkheden

Dit verschilt van de gebruikelijke taalmodel-flow:

Prompt -> gegenereerde tokens -> parsing en validatie -> applicatiebeslissing

Het onderscheid is niet alleen een ander responseformaat. Traditionele gestructureerde output vraagt nog steeds aan een generatief model om een tokenreeks te produceren die aan een schema voldoet. Jev is ontworpen om waarden terug te geven uit vooraf gedefinieerde antwoordruimten.

De huidige API accepteert toestand als een string, een JSON-object of een array van tekstwaarden. Input is uitsluitend tekst. Afbeeldingen, audio, video en binaire documenten moeten eerst naar tekst of gestructureerde velden worden geconverteerd.

Elke vraag in een request wordt onafhankelijk tegen dezelfde toestand geëvalueerd. Volgens TypeSafe’s documentatie verandert het toevoegen van vragen de responstijd nauwelijks, omdat de vragen parallel worden geëvalueerd. Onafhankelijkheid voorkomt ook dat het antwoord op de ene vraag context wordt voor een andere vraag in dezelfde call.

Dat gedrag heeft een belangrijk ontwerpgevolg. Als de ene beslissing daadwerkelijk afhankelijk is van een andere, hoort de afhankelijkheid in de applicatieworkflow. Voer de eerste evaluatie uit, werk de toestand bij of vertak in code en voer vervolgens de volgende evaluatie uit. Eén request is het meest geschikt voor vragen die bewijs delen maar niet afhankelijk zijn van elkaars antwoorden.

De drie vraagtypen in Jev

Jev biedt drie primitieve typen. Elk past bij een ander soort softwarebeslissing.

Choice

Een Choice-vraag selecteert één optie uit criteria die door de applicatie zijn gedefinieerd. Een supportworkflow kan bijvoorbeeld billing, technical en sales aanbieden, met een beschrijving voor elke categorie. Jev retourneert de geselecteerde optie, de aan elke optie toegekende waarschijnlijkheid en een vertrouwensscore afgeleid van de vorm van die verdeling.

Categoriedesign beïnvloedt de bruikbaarheid van het resultaat. Overlappende opties creëren ambiguïteit. Ontbrekende opties dwingen het model naar een antwoord dat mogelijk niet past. Productietaxonomieën moeten een route zoals insufficient_evidence of human_review opnemen wanneer de workflow onzekerheid moet behouden.

De formulering moet ook overeenkomen met de daadwerkelijke beslissing. Welk team moet eerst onderzoeken vraagt om een voorlopige route. Welk team de oorzaak van de storing is vraagt om een diagnose. Ze kunnen dezelfde lijst met teams gebruiken, maar stellen niet dezelfde vraag.

Score

Een Score-vraag plaatst de toestand op een geordende rubric. De criteria kunnen niveaus beschrijven zoals kalm, gefrustreerd en boos, of een gedetailleerdere zakelijke schaal definiëren. De respons omvat een numerieke score, een legenda die getallen aan niveaus koppelt, een kansverdeling over die niveaus en een vertrouwensscore.

Een bruikbare Score-rubric beschrijft observeerbare verschillen. Labels zonder definities laten het model en menselijke beoordelaars verschillende maatstaven afleiden. Een risicoschaal moet aangeven wat elk niveau onderscheidt. Een kwaliteitschaal moet aangeven welke vereisten aanwezig of afwezig zijn.

Als een score onafhankelijke aspecten vermengt, splits deze dan beter. Relevantie, feitelijke onderbouwing, toon en beleid naleving kunnen afzonderlijke vragen zijn. Applicatiecode kan een samengestelde score berekenen met gewichten die zichtbaar en testbaar blijven.

Noul

Noul is TypeSafe’s binaire beslissingsprimitief. Het schat de kans dat een bewering waar is en retourneert een getal van 0 tot 1. Een waarde van 0,9 vertegenwoordigt een hogere geschatte waarschijnlijkheid van waarheid dan een waarde van 0,6.

Noul retourneert niet het aparte veld confidence dat door Choice en Score wordt gebruikt. De output is al een waarschijnlijkheid voor de geëvalueerde bewering. De vraag moet daarom worden geformuleerd als een toetsbare stelling, zoals het bericht drukt urgentie uit of het antwoord wordt ondersteund door de aangeleverde bron.

Noul is nuttig voor verificatie en gating, maar de drempel hoort bij de applicatie. Een laag-risico interfacevoorstel kan een lagere drempel tolereren dan een onomkeerbare financiële of administratieve actie.

Atomaire vragen en samengestelde workflows

Jev werkt het best wanneer elke vraag één smalle zaak beantwoordt. Dit ontwerp maakt de output makkelijker te inspecteren en laat software eigenaar zijn van het uiteindelijke beleid.

Stel dat een agent moet beslissen of een toolaanroep moet worden uitgevoerd. Een brede vraag zoals moet deze actie draaien kan permissie, omkeerbaarheid, gegevensgevoeligheid, gebruikersintentie en operationeel risico combineren. Een beter inspecteerbare workflow evalueert die dimensies afzonderlijk:

• Komt de toolaanroep overeen met het verzoek van de gebruiker?
• Verzendt het gevoelige informatie?
• Is de actie destructief of moeilijk om te keren?
• Beïnvloedt het een extern account?
• Is aanvullende bevestiging volgens beleid vereist?

De harnaslaag kan de antwoorden vervolgens combineren met deterministische regels. Een destructieve operatie kan bevestiging vereisen ongeacht de algehele vertrouwensscore van het model. Een alleen-lezen operatie kan een minder restrictief pad volgen. Deze inrichting houdt permissies in code en gebruikt Jev alleen voor oordelen die niet betrouwbaar als vaste regels kunnen worden uitgedrukt.

Jev vs traditionele LLM’s

Jev en grote taalmodellen vervullen verschillende rollen.

Jev moet niet worden beschreven als een kleinere chatbot. TypeSafe heeft geen parameteraantal gepubliceerd of voldoende architectuurdetails om het model qua grootte te classificeren. Het publieke onderscheid is gebaseerd op het trainingsdoel, de samplingmethode en de interface.

Jev vervangt ook geen deterministische code. Vaste regels blijven het juiste gereedschap wanneer voorwaarden expliciet en stabiel zijn. Een belastingberekening, permissielijst of bestandsgrootte-limiet mag geen probabilistische modelcall worden. Jev is nuttig waar handgeschreven regels te fragiel zijn, maar het gewenste antwoord nog kan worden begrensd.

Jev vs gestructureerde LLM-output

Gestructureerde output laat een taalmodel JSON of waarden retourneren die aan een schema voldoen. Het is waardevol wanneer een workflow zowel generatieve redenering als een machinaal leesbaar resultaat nodig heeft. Jev adresseert een smaller probleem.

Met een LLM begrenst het schema de vorm van een gegenereerde respons. Met Jev vormen de vragen en antwoordruimten de modelinterface. Jev retourneert kansverdelingen die bedoeld zijn om deel te nemen aan applicatielogica, en onafhankelijke vragen worden afzonderlijk geëvalueerd tegen gedeelde toestand.

Overeenkomende JSON-vormen leggen geen overeenkomend gedrag vast. Twee systemen kunnen beide een veld genaamd department retourneren, maar verschillen in latentie, kalibratie, omgang met ambiguïteit en responsstabiliteit. Teams die Jev vergelijken met gestructureerde LLM-output moeten het applicatieschema constant houden en beide systemen op dezelfde gelabelde data testen.

RLCD en gekalibreerde beslissingen

TypeSafe zegt dat Jev is getraind met Reinforcement Learning for Calibrated Decisions. RLCD verschilt in doel van RLHF en RLVR.

RLHF optimaliseert responses met menselijke voorkeurssignalen en is breed gebruikt voor conversatie-assistenten. RLVR gebruikt verifieerbare beloningen en wordt geassocieerd met taken waar correctheid programmatisch kan worden gecontroleerd. RLCD traint de modellen van TypeSafe om beslissingen en gekalibreerde waarschijnlijkheden terug te geven in plaats van gegenereerde tekst.

Kalibratie betreft groepen voorspellingen. Als een model goed gekalibreerd is, zouden uitkomsten waaraan een waarschijnlijkheid rond 0,8 is toegekend ongeveer 80 procent van de tijd correct moeten zijn over een geschikte set gevallen. Het garandeert niet dat een specifieke voorspelling met waarschijnlijkheid 0,8 correct is.

Waarschijnlijkheid en vertrouwen moeten niet als uitwisselbaar worden behandeld. Choice en Score bieden volledige kansverdelingen. TypeSafe leidt vertrouwen af uit de vorm van elke verdeling. Een verdeling geconcentreerd op één optie levert hoger vertrouwen op; een vlakkere verdeling signaleert ambiguïteit. Teams kunnen de geleverde vertrouwensscore gebruiken of een andere statistiek uit de waarschijnlijkheden berekenen.

Noul heeft geen apart vertrouwensveld. De waarde is de geschatte waarschijnlijkheid dat de bewering waar is.

Jev-modelspecificaties en prijzen

De volgende details komen uit de officiële modeldocumentatie van TypeSafe, geraadpleegd op 21 september 2026.

TypeSafe merkt op dat ratelimieten dynamisch worden aangepast en zonder voorafgaande kennisgeving kunnen veranderen. Controleer actuele limieten en prijzen voordat u in productie gaat.

De documentatie vermeldt ook dat Engels de primaire trainingstaal is en momenteel de beste nauwkeurigheid levert. Andere talen, inclusief CJK-schrift, worden ondersteund maar niet even goed. Een Chinese, Japanse of Koreaanse workload moet op representatieve data worden geëvalueerd voordat geautomatiseerde beslissingen worden ingeschakeld.

TypeSafe zegt dat Jev niet per klant wordt fijnafstemd of via LoRA wordt aangepast met klantdata. Dezelfde modelgewichten bedienen elke account. Domeingedrag wordt gevormd via de toestand, instructies, criteria en compositie aan applicatiezijde. Het bedrijf stelt ook dat klantverzoeken en -responses niet worden gebruikt om Jev te trainen. Enterprise-klanten kunnen in TypeSafe’s juridische documentatie terms voor zero data retention raadplegen.

Hoe snel is Jev?

TypeSafe rapporteert end-to-end responstijden tussen 70 en 500 milliseconden. De lanceringspost vergelijkt dit bereik met 3 tot 329 seconden voor geselecteerde frontier-modelcalls en beschrijft Jev als 40 tot 200 keer sneller bij vergelijkbare intelligentieniveaus op System One-vormige queries.

Het bedrijf rapporteert ook piekverbeteringen van 193,6 keer in snelheid en 444,6 keer in kosten op zijn workflowevaluaties. Deze cijfers vereisen context.

Ze komen uit TypeSafe’s eigen evaluatiekader. De workflows vergelijken modellen op gestructureerde besluitgrafen en gebruiken de gemiddelde voorspellingen van geselecteerde hoogwaardige externe modellen als referentiewaarschijnlijkheden. TypeSafe stelt dat de gerapporteerde winst waarschijnlijk dicht bij het hoge eind van de verbeteringen in de echte wereld ligt en erkent mogelijke bias omdat leden van het model capabilities-team de workflows hebben gemaakt.

Deze resultaten moeten niet worden gelezen als een algemene claim dat Jev op elke taak honderden keren sneller is dan elke LLM. Jev laat tekstgeneratie achterwege en richt zich op begrensde beslissingen. Een eerlijke vergelijking moet taken gebruiken die beide systemen kunnen uitvoeren, beslissingskwaliteit én latentie meten en de kosten van validatie, retries en menselijke review meenemen.

Waar is Jev het beste voor

Jev is het best geschikt voor high-volume workflows met een gedefinieerde antwoordruimte en behoefte aan onzekerheidsschattingen.

• Customer Support-triage: Classificeer een ticket op afdeling, urgentie, frustratie, churnrisico of behoefte aan menselijke review.
• Intent- en modelroutering: Identificeer het verzoektype en routeer naar de juiste tool, workflow, agent of model. Vertrouwen kan bepalen of routering automatisch is.
• Agent-toolrisicochecks: Evalueer voorgestelde toolaanroepen op destructieve acties, gevoelige data of inconsistentie met het verzoek van de gebruiker vóór uitvoering. Applicatiecode blijft verantwoordelijk voor permissies.
• Evaluatie van LLM-output: Controleer of een LLM-respons wordt ondersteund door de gegeven context, het vereiste formaat volgt of menselijke review nodig heeft.
• Contentmoderatie: Gebruik Choice voor beleidscategorieën, Score voor ernst en Noul voor binaire regelchecks. Casussen met laag vertrouwen kunnen naar moderators.
• High-volume dataverwerking: Verwerk logs, e-mails, reviews, leads, advertenties of documentsegmenten wanneer elk record onafhankelijk kan worden geëvalueerd en de output een categorie, score of waarschijnlijkheid is.

Waar Jev past in een AI-agent

Een AI-agent combineert doorgaans een generatief model, tools, applicatietoestand en regels die uitvoering controleren. Jev past in dit systeem als een gestructureerde beslissingslaag rondom het hoofd-generatieve model.

Het generatieve model kan open-einde taken afhandelen, zoals een verzoek interpreteren, een workflow plannen, content schrijven of code genereren. Jev kan smallere beslissingen afhandelen die herhaaldelijk tijdens de workflow moeten gebeuren:

• Welke tool of welk model moet worden gebruikt?
• Is de voorgestelde actie risicovol of inconsistent met het verzoek?
• Moet de agent doorgaan, opnieuw proberen, stoppen of om verduidelijking vragen?
• Voldoet het resultaat aan een gedefinieerde vereiste?
• Moet de taak worden geëscaleerd naar een mens?

De applicatie blijft verantwoordelijk voor permissies, drempels en neveneffecten. Jev levert een beslissing en de bijbehorende waarschijnlijkheid, terwijl applicatiecode bepaalt welke actie volgt.

Dit creëert een taakverdeling. Generatieve modellen behandelen open-einde redenering, Jev behandelt begrensde evaluaties, deterministische code handhaaft beleid en tools voeren externe acties uit. Jev werkt daarom als aanvulling op een AI-agent in plaats van als vervanging voor het hoofdredeneringsmodel.

Beperkingen van Jev

Jev genereert geen proza, code of open-einde verklaringen. Het is ontworpen voor gerichte vragen met gedefinieerde antwoordruimten.

Een type-veilige respons kan nog steeds een onjuiste beslissing bevatten, dus zakelijke nauwkeurigheid moet met echte data worden geëvalueerd. Tekst is momenteel het ondersteunde inputformaat, en Engels levert de sterkst gedocumenteerde prestaties. Andere talen vereisen aparte tests.

Jev’s snelheids- en kostencijfers komen uit TypeSafe’s eigen evaluaties en moeten niet als universele prestatiegaranties worden beschouwd.

Jev en CometAPI

Ten tijde van de review op 21 september 2026 stond Jev niet als algemeen beschikbaar model in de publieke catalogus van CometAPI. CometAPI is van plan Jev te evalueren en te integreren zodra toegang beschikbaar is en de vereiste verbinding openstaat. Ontwikkelaars moeten de CometAPI-modeldirectory raadplegen voor de nieuwste beschikbaarheid.

Jev is momenteel toegankelijk via de TypeSafe-console en de officiële API. TypeSafe levert ook officiële Python- en JavaScript-SDK’s. De huidige API gebruikt state en getypeerde questions, met jev-latest als stabiele modelalias.

Zodra Jev beschikbaar komt via CometAPI, kunnen ontwikkelaars het model-ID, de ondersteunde endpoint, prijzen en het requestformaat vinden in de CometAPI API-documentatie en de modeldirectory.

Veelgestelde vragen

Wat is Jev AI?

Jev is het vlaggenschipmodel van TypeSafe en het eerste System One-model. Het evalueert een tekstgebaseerde toestand tegen getypeerde vragen en retourneert gestructureerde beslissingen en waarschijnlijkheden in plaats van gegenereerde tekst.

Is Jev een groot taalmodel?

TypeSafe presenteert Jev niet als een traditioneel LLM. Het noemt Jev een System One-model gebouwd voor gestructureerde beslissingen. Het bedrijf heeft het aantal parameters niet gepubliceerd, dus het model moet op basis van publieke informatie niet als groot of klein worden geclassificeerd.

Wat zijn Choice, Score en Noul?

Choice selecteert een optie uit een gedefinieerde set en retourneert waarschijnlijkheden plus vertrouwen. Score plaatst de toestand op een geordende rubric en retourneert ook waarschijnlijkheden plus vertrouwen. Noul retourneert een waarde van 0 tot 1 die de waarschijnlijkheid vertegenwoordigt dat een bewering waar is.

Genereert Jev tekst of code?

Nee. Jev retourneert begrensde beslissingen. Een generatief model is nodig wanneer een workflow proza, dialoog, broncode of een open-einde verklaring vereist.

Kan Jev GPT, Claude of Gemini vervangen?

Nee. Jev adresseert begrensde beslissingstaken, terwijl algemene LLM’s generatie en uitgebreide redenering afhandelen. Een productie­systeem kan beide modeltypes gebruiken voor verschillende stadia van dezelfde workflow.

Ondersteunt Jev afbeeldingen, audio of video?

Niet direct. Het huidige model accepteert tekst als een string, JSON-object of array van tekstwaarden. Niet-tekstuele inputs moeten eerst worden geconverteerd naar tekst of gestructureerde velden.

Garandeert type-veilige output een correcte beslissing?

Nee. Type-veiligheid garandeert dat output aan de ondersteunde structuur voldoet. Jev kan nog steeds de verkeerde geldige optie kiezen of een onnauwkeurige waarschijnlijkheid toekennen. Zakelijke nauwkeurigheid moet met representatieve data worden gemeten.

Is Jev open source?

TypeSafe heeft de modelgewichten van Jev niet publiek vrijgegeven. Het bedrijf publiceert documentatie, SDK’s, voorbeelden en gerelateerde integratiecode, maar die resources maken het model zelf niet open weight.

Conclusie

Jev introduceert een modelinterface die is gebouwd rond beslissingen in plaats van taal­generatie. Het accepteert gedeelde toestand en atomaire, getypeerde vragen en retourneert vervolgens categorieën, scores, binaire waarschijnlijkheden en onzekerheidsmaten die software direct kan gebruiken.

De meest geloofwaardige rol is niet het vervangen van algemene LLM’s, maar het afhandelen van frequente, begrensde oordelen eromheen. Customer-supportroutering, modelselectie, toolrisicochecks, outputverificatie, moderatie en workflowclassificatie passen allemaal in dat patroon wanneer de antwoordruimte vooraf is gedefinieerd.

Productiewaarde hangt af van meer dan lage latentie of een geldig schema. Teams hebben representatieve evaluaties, gekalibreerde drempels, expliciete permissieregels, modelversie­controles en paden voor menselijke review nodig. De gepubliceerde snelheids- en kostencijfers van TypeSafe maken Jev het testen waard voor besluitintensieve workloads, maar de claims blijven verbonden aan de evaluatiemethode van het bedrijf en moeten op echte applicatiedata worden geverifieerd.

Voor teams die al meerdere generatieve modellen via CometAPI gebruiken, illustreert Jev een bredere architectuur waarin generatie, probabilistisch oordeel, deterministisch beleid en toolexecutie afzonderlijke componenten zijn. Die scheiding maakt elk onderdeel makkelijker te testen en geeft applicatiecode de uiteindelijke controle over wat daarna gebeurt.