Juarez Junior
Full Stack Sênior · Mobile, backend e IA
Desenvolvedor full stack desde 2014. Usa agentes de IA especializados, MCP, embeddings e busca semântica no dia a dia.
É para
Desenvolvedores Python que já tentaram usar LLM em automação e sofreram com parsing e respostas fora do formato
Quem tem uma decisão repetitiva no produto: triagem de tickets, roteamento, pontuação de leads, moderação
Tech leads e PMs que precisam decidir quanto automatizar e onde manter revisão humana
Times que querem um filtro de entrada (guardrail) antes de um chatbot ou agente
Quem quer comparar o Jev com um LLM no próprio dado antes de adotar
Não é para
Quem nunca programou em Python: o guia supõe Python básico, JSON e noção de API HTTP
Quem procura um curso oficial da TypeSafe ou acesso garantido ao Jev (o acesso é por lista de espera)
Quem quer aprender a treinar modelos de machine learning do zero
Quem busca um guia de prompts para chat ou geração de texto
01
Por que saída tipada com schema definido antes é mais confiável que texto de LLM, e o que ela não garante
02
Escolher entre Choice, Score e Noul e escrever perguntas atômicas com critérios contrastivos
03
Escrever "if-statements inteligentes" com faixas agir, confirmar e escalar conforme o risco
04
Montar fallback para humano ou LLM e tratar falhas da API com retry, sem inventar rótulo
05
Medir acerto por faixa de confiança e escolher limiares com um conjunto rotulado seu
06
Passar do limite de 255 opções com o fluxo em duas etapas e taxonomias em árvore
07
Aplicar os padrões a extração, map-reduce em lote, tempo real e detecção de jailbreak
08
Comparar Jev e LLM com o System One Adapter e planejar a adoção em 30 dias
03 · Sobre o materialOs 12 capítulos do guia
Um guia prático de 117 páginas, em 12 capítulos, sobre como tratar decisões de IA como valores tipados: uma escolha dentro de um conjunto fixo, uma nota numa escala ou uma probabilidade de "sim". Cada capítulo traz objetivo, explicação, exemplo em Python, exercício com gabarito e resumo. Você monta um mock (fake_jev.py) e pratica sem chave de API; com o System One Adapter, testa as mesmas perguntas num LLM. No fim, tem um kit reaproveitável: gate de confiança, retry e fallback, script de avaliação com CSV, fluxo em duas etapas, map-reduce e guardrail. Material independente, sem vínculo com a TypeSafe AI. O Jev está em early access: a API pode mudar e números de custo e velocidade aparecem como alegações da empresa.
01
Introdução: para quem é este guia e como usá-lo
02
Por que a automação com IA trava no parsing
03
Primeiros passos: state, perguntas e o SDK Python
04
As três primitivas: Choice, Score e Noul
05
Modelando decisões: perguntas atômicas, fan-out e composição
06
Confiança calibrada e "if-statements inteligentes"
07
Fallback: humano, LLM e falhas da API
08
Medindo antes de automatizar: avaliação e escolha de limiares
09
Muitas opções: cardinalidade 255, duas etapas e hierarquias
10
Casos práticos: rotear, extrair, map-reduce, tempo real e guardrails
11
Jev ou LLM? Comparação honesta com o System One Adapter
12
Plano de ação: da primeira decisão à produção
Gabriel Tavares Barbosa
Tech Lead · Flutter, mobile e backend
Tech Lead e desenvolvedor Flutter desde 2022. Apps multiplataforma, plugins nativos em C++, Kotlin e Swift, testes e CI/CD.
Bruno Moraes
Arquiteto de Soluções Sênior · Engenharia com IA
Arquiteto de software desde 2008. Constrói com Spec-Driven Development, Claude Code em harness controlado, MCP e evals.
06 · Perguntas frequentesAntes de comprar
Preciso ter acesso ao Jev para fazer os exercícios?
Não. Todos os exercícios rodam com o fake_jev.py, um mock que você monta no capítulo 3 e que imita as respostas do SDK, inclusive erros como limite de taxa e timeout. Com uma chave de LLM você também pode usar o System One Adapter.
Este material é oficial da TypeSafe AI?
Não. É um guia independente, sem vínculo com a empresa. A fonte oficial é a documentação em docs.typesafe.ai, que você deve conferir antes de ir para produção.
O código vai continuar funcionando se a API mudar?
Os exemplos seguem a forma documentada em outubro de 2026, e o Jev está em early access. O guia isola a chamada à API em poucas funções, então ajustar uma mudança de parâmetro costuma ser localizado, mas confira sempre a versão atual do SDK.
Que nível de Python preciso ter?
Python 3.10 ou superior, nível júnior avançado em diante. O código usa type hints, dataclasses e um pouco de asyncio no capítulo de map-reduce. Não precisa saber estatística: calibração e matriz de confusão são explicadas do zero.
O guia diz que o Jev é melhor que um LLM?
Não. Há um capítulo de comparação honesta: o LLM costuma ganhar quando é preciso gerar texto ou raciocinar em vários passos; decisões fechadas, repetidas e em volume tendem a favorecer modelos de decisão. O guia mostra como medir no seu próprio caso.
Serve para decisões de alto impacto, como crédito ou saúde?
O guia mostra os cuidados (revisão humana, limiares altos, log para auditoria, LGPD), mas é conteúdo educativo e não substitui orientação jurídica ou de segurança. Guardrails reduzem risco, não garantem segurança.
Como recebo o material?
Logo após o pagamento você é levado a uma página com o botão de download do PDF. Guarde o link: ele também serve para baixar de novo.
E se eu não gostar?
Você tem 7 dias a partir da compra para pedir o reembolso integral pelo e-mail de suporte.
Decisões de IA Tipadas com o Jev
Como colocar classificação, roteamento, scoring e guardrails dentro do seu código Python, com confiança calibrada e fallback seguro
Garantia de 7 dias · Pagamento único · Sem assinatura