TypeSafe AI lança Jev, e LangChain ensina a usar com agentes

Notícia
Tecnologia
17/09/2026

A TypeSafe AI apresentou o Jev, um modelo que a empresa classifica como parte de uma nova categoria, os chamados modelos System One. Em 17 de setembro de 2026, o LangChain publicou um guia mostrando como encaixá-lo dentro de agentes. A proposta ataca dois gargalos conhecidos do ciclo agêntico, latência e custo, substituindo parte das chamadas a grandes modelos de linguagem por decisões estruturadas.

Segundo a TypeSafe AI, o Jev é até 200 vezes mais rápido na inferência e 400 vezes mais barato que LLMs comparáveis em tarefas de classificação.

O que é um modelo system one

Diferente de um LLM tradicional, o Jev não gera texto. Ele recebe um estado, que é o contexto, e uma ou mais perguntas sobre esse estado.

Devolve respostas tipadas e probabilidades que o software consome diretamente.

O treinamento usa aprendizado por reforço para decisões calibradas, técnica que a empresa abrevia como RLCD. Na prática, o código da aplicação lê essas probabilidades para definir o próximo passo.

Não precisa de uma chamada completa de chat para cada decisão.

O exemplo citado na documentação é um ticket de suporte. A mensagem de um cliente que tenta conectar a conta Stripe há três dias vem acompanhada da instrução para avaliar se o texto transmite urgência.

A resposta aponta 99,9% de probabilidade de urgência, número que a aplicação pode usar para priorizar o atendimento.

Choice, score e noul: os três tipos de pergunta

O material descreve três formatos de pergunta. Choice escolhe entre opções e devolve a probabilidade de cada uma, além de uma pontuação de confiança geral.

Score avalia a entrada em níveis ordenados, como baixo, médio e alto, retornando um valor contínuo, a distribuição subjacente e uma confiança. Já o Noul responde a perguntas de sim ou não, entregando a probabilidade de uma afirmação ser verdadeira.

Um ponto central é que várias perguntas podem ser feitas sobre o mesmo estado em uma única requisição. Os modelos System One avaliam todas em paralelo.

Acrescentar perguntas quase não altera o tempo de resposta e custa apenas os tokens extras, descritos como baratos.

Para quem escreve código, isso muda o desenho da integração. Em vez de encadear chamadas sequenciais, é possível agrupar verificações.

Como funciona a integração com LangChain

O LangChain, cujo modelo é agnóstico de fornecedor, passou a expor o Jev por meio da classe TypeSafeClassifier. O fluxo é instalar o pacote LangChain-typesafe, configurar a chave TYPESAFE_API_KEY e enviar estado e pergunta ao método invoke, recebendo resultados de classificação em vez de uma resposta de chat.

O estado pode ser texto, dado estruturado ou mensagens do próprio LangChain. Isso facilita chamar o Jev a partir de um nó ou de um hook de middleware usando o contexto que o agente já tem.

from langchain_typesafe import Noul, TypeSafeClassifier

classifier = TypeSafeClassifier()
response = classifier.invoke(
 "O deploy falhou duas vezes e clientes veem erros 500.",
 instructions="Isso precisa de atenção agora?",
)
urgency = response.nouls["urgent"].noul

Onde o jev se encaixa no loop do agente

O texto do LangChain deixa claro que o Jev não substitui um LLM. Ele não gera texto, mas dá conta de tarefas de classificação hoje delegadas a modelos de linguagem, com menos latência e custo.

A recomendação é usar o LLM para raciocínio aberto e geração. O Jev fica para decisões rápidas e estruturadas ao longo do caminho.

Um dos casos citados é o roteamento de modelos: uma consulta simples não precisa do mesmo modelo usado para depurar um problema difícil.

O contexto é o funcionamento atual dos agentes, que rodam em ciclo. O LLM decide, a ferramenta executa, um modelo avalia o resultado e o processo segue até a conclusão da tarefa.

As primitivas que viabilizaram essa arquitetura em software foram a chamada de ferramentas, que permite pedidos e respostas estruturados, e as saídas estruturadas. Ainda assim, cada decisão exige uma nova chamada de modelo, o que mantém o ciclo lento e caro.

Por que isso importa

Se os números divulgados pela TypeSafe AI se confirmarem em produção, a economia pode ser relevante para aplicações que tomam muitas decisões pequenas, como classificar, priorizar e rotear, antes de acionar um modelo maior.

O ganho não vem de fazer o LLM pensar mais rápido. Vem de retirar dele tarefas que não exigem geração de texto.

A integração descrita no quickstart da TypeSafe sugere que a adoção depende menos de trocar o modelo principal. Depende mais de reorganizar onde cada decisão acontece dentro do agente.