活用事例 / 本番向け Recipes
Jev 実務活用レシピ：実際の業務意思決定から始める
曖昧なチャットプロンプトから脱却。各レシピは境界が明確で検証可能な業務タスクに焦点を絞り、標準スキーマ、実装ステップ、信頼度フォールバック設計を提供します。
クイックガイド：Jev Recipes とは？
Jev Recipes は、本番ソフトウェアの意思決定に特化した再利用可能な設計テンプレートです。自由テキストを生成する従来のプロンプトと異なり、入力コンテキスト State の整形規則、型安全なスキーマ構造（Choice / Score / Noul）、較正済み信頼度に基づく自動実行と人手トリアージの分岐閾値を定義します。AI の判断を通常の業務コード同様にテスト・観測・ロールバック可能にします。
Production Blueprints
Ten Core Decision Recipes
Jev によるサポートチケットの自動ルーティング
問い合わせメッセージを型安全なキュー判定へ変換し、較正済み信頼度を用いて自動処理と人手トリアージを正確に切り分けます。
Jev による型安全なスパム・不正投稿検知
自由文テキスト生成に判定を埋没させることなく、明示的な二値シグナル（Noul）と信頼度を出力します。
Jev によるコンテンツモデレーション第1次スクリーニング
許可（Allow）、審査（Review）、遮断（Block）の結果を可視化し、規約改定時にも監査可能な状態を維持します。
Jev で作る AI リードスコアリング：型安全 Score スキーマと CRM ルーティング
リード記録を優先度スコア・ホットリード判定・CRM セグメントへ一括変換。しきい値はプロンプトではなくアプリケーションコード側で管理します。
AI エージェントワークフローにおける動的タスクルーティング
複数ツールや専門サブエージェントを持つ自律型システムにおいて、後続の実行パイプラインを高速・確実に入替え。
Jev vs Instructor：構造化出力から型安全な意思決定へ
大モデルの JSON 生成、スキーマ検証エラー、リトライループを解消。決定論的な単一フォワードパスでレイテンシを ~95ms へ圧縮。
Jev による LLM プロンプトインジェクション防御ゲートウェイ
Jev の非生成型アーキテクチャにより直接脱獄、間接データ持ち出し、ペルソナ攻撃を物理的に遮断。下流 LLM 呼び出し前に ~95ms の極小レイテンシで安全防御を実行。
Jev vs Llama Guard：GPU ファームなしで実現するコンテンツモデレーション
Meta の Llama Guard は常設 GPU と判定テキストの解析が必要。型付き Jev モデレーションゲートなら約 95ms でキャリブレーション済みの信頼度を返します。レイテンシ・コスト・デプロイ形態を徹底比較。
LLM フォールバック戦略：信頼度ゲート付き 3 レーンチェーン
本番 LLM システムの信頼性設計はリトライで終わりではありません。較正済み信頼度に応じて、高信頼は自動実行、中間帯はより強力なモデルで再質問、低信頼は人手へと段階的に切り替えます。
Jev で検知する AI slop：型付き品質ゲートの構築
公開前に量産型の低品質コンテンツ（AI slop）をふるいにかける。1 回の evaluate 呼び出しで is_slop 判定と 1〜5 の順序付き品質スコアを返し、較正済み信頼度が自動隔離・フラグ・人手レビューの 3 レーンを振り分けます。
Jev でドキュメント分類：分割してから判定する 2 段階パイプライン
メールに添付 3 件、スキャンに請求書 8 ページと契約書 1 ページが混在——まず Noul のページ単位境界判定でパケットを分割し、それから型付き Choice で 1 通ずつ分類します。較正済み信頼度がレビュー待ちへ自動振り分け。
Jev vs OpenAI Decision API（Luna）：型付き決定 API の正面比較
OpenAI が DevDay で Jev 対抗として GPT-6 Luna ベースの Decision API を発表しました——現在はパブリックベータで、入力のみ課金の料金も公開済みです。契約の違いを比較します。事前定義された回答セット vs Choice/Score/Noul の 3 プリミティブ、predicate と noul の命名差、100 万トークンあたり $0.10 対 $0.042、そして 2 つの信頼度スコアにそれぞれどれだけの信頼を置けるか。
Jev vs JSON Mode：型付き意思決定と制約付き生成の比較
json_mode が保証するのは「有効な JSON」であって「正しい答え」ではありません。リトライコスト・レイテンシ・出力課金・較正済み信頼度を、Jev のゼロ生成型付き呼び出しと対比します。
Jev で経費分類：銀行明細の自動仕訳と信頼度ゲート
カード明細や銀行明細の各行を型付きの財務判断へ変換します：category Choice、控除 Score、needs_review Noul——明細 1 件分を 1 回の evaluate 呼び出しで処理し、0.85 の信頼度ゲートが自動計上と人手レビューを振り分けます。
Jev で監査証跡を構築：すべての判断を記録・再生・説明できる形に
自動判断をコンプライアンス等級の証拠に変える：Jev の evaluate 呼び出しは毎回、較正済み信頼度付きの型付き回答を返すため、監査ログには契約・回答・ゲートを同時に記録できます——保存コストは一定、再生は決定論的、GDPR 第 22 条への回答も明示的。
Jev vs Clef 比較：Cloudflare の決定モデルを正面から
Cloudflare がオープンソースの Clef で Jev に応えました。出典付きのスコアカードを比較します。BFCL と When2Call の割れ方、38.8ms のホスト型レイテンシ、Apache 2.0 の重み、そして「fully Jev-API compatible」という表明が実際に何を約束しているか。
Jev vs Perplexity Decisions API 比較：GA・価格公開で正面から
Perplexity が GA 済み・価格公開済みの決定 API で Jev に応えました。検証済みの契約を比較します。noul/choice/score の 3 プリミティブは同名、入力 100 万トークンあたり $0.02 対 $0.042、Apache 2.0 の重み、画像入力——そして選定を実際に決める違い。
Jev で棄答を実装：正解が「わからない」のとき
目の前の state から答えられない質問には、どの信頼度しきい値も効きません。型付き Choice に is_answerable Noul と missing_information Choice を組み合わせ、欠けている情報を名指す構造化された「わからない」を返させ、自動化を回答可能性と信頼度の 2 軸でゲートします。
Jev データレジデンシー：すべての判断を正しい轄区内に固定する
越境移転の可否を型付きの判断にする。Jev evaluate 呼び出し 1 回で、適法な処理ルート・移転リスク・上書きフラグが、個人データを含む state が国境を越える前に返ります。
Architecture comparison
アーキテクチャ選定：Jev vs Instructor
LLM の JSON パース失敗、リトライ遅延、トークン消費に悩んでいませんか？Python/TypeScript リトライコード vs ゼロリトライのコード比較と検証データを公開中。
10大業務シナリオの技術選定とパラメータ対照表
出力型、入力 State、推奨信頼度閾値、フォールバック戦略の横断比較：
| シナリオ名 | 出力型 | 代表的な入力 State 項目 | 推奨自動化閾値 | フォールバック戦略 |
|---|---|---|---|---|
| サポートチケット自動振り分け | Choice (離散キュー) | 問い合わせ本文、顧客契約プラン、過去履歴 | ≥ 0.85 で自動ルーティング | 境界サンプルはトリアージ（人手確認）キューへ |
| スパム・不正投稿検知 | Noul (二値セキュリティゲート) | 投稿内容、投稿頻度、アカウント登録日数、リンク数 | ≥ 0.90 で自動遮断 | グレーゾーンは即座に削除せず隔離観察キューへ |
| コンテンツモデレーション第1パス | Choice (三態判定) | 投稿テキスト、対象コミュニティ規約、文脈 | ≥ 0.88 で自動公開 / 遮断 | 疑わしい投稿は審査トリアージへ転送 |
| B2B リードスコアリング | Score (1-4 段階スコア) | 問い合わせ内容、企業規模、予算規模、役職 | スコア ≥ 3 かつ信頼度 ≥ 0.85 で自動ルート | 中間スコアは自動ナーチャリングメール列へ |
| AI エージェント動的ルーティング | Choice (ツール / エージェント) | ユーザー要求意図、利用可能ツール仕様、過去ターン | ≥ 0.85 で即時ツールディスパッチ | 低信頼度の場合はユーザーへ明確化の追加質問 |
| Jev vs Instructor 構造化出力 | Choice (ゼロリトライ判定) | 構造化対象の非構造化テキスト、スキーマ定義 | 較正済み確率値に基づく分岐 | リトライ待機ループを完全排除し ~95ms で即答 |
| LLM プロンプトインジェクション防御 | Choice (安全監査カテゴリ) | 外部入力、未検証 Markdown、RAG 検索断片 | ≥ 0.85 で 403 物理遮断 | 中間信頼度の疑わしい入力は安全隔離プールへ |
| LLM フォールバック戦略 | Choice (execute / escalate_model / human_review) | タスク内容、回答案、操作の可逆性、リスク度 | 信頼度 ≥ 0.85 で自動実行 | 0.60〜0.85 は強いモデルで再質問、0.60 未満は人手キューへ |
| AI slop 検知 | Noul + Score (1-5 段階) | 本文テキスト、ソース、セクション、著者タイプ | is_slop ≥ 0.85 で自動隔離 | 0.60〜0.85 はフラグしてレビュー、0.60 未満は人手 |
本番投入に向けた 3 つの設計原則
高信頼・低レイテンシな意思決定パイプラインを構築するためのベストプラクティス：
入力 State の最小化と整形
判定に直接影響する項目のみを抽出。余分な修飾テキストや機密テレメトリを削ぎ落とし、トークン節約とモデルの注意力集中を図ります。
客観的かつ MECE な判定基準 (Criteria)
社内業務マニュアル（SOP）を書くように Criteria を記述。選択肢間の境界を相互排他的かつ網羅的に定義します。
二重安全網（信頼度閾値 ＋ タイムアウト）
較正済み確率値による閾値判定と、厳格なリクエストタイムアウトを併用。基準未満の推論は人手レビューまたは安全なデフォルト値へ流します。
Jev レシピに関するよくある質問（FAQ）
プロダクトに最適なレシピをどのように選べばよいですか？
後続のプログラム処理に合わせて選択します：処理関数やキューを分岐させるなら Choice（チケット振り分け、エージェントルーティング）、二値の可否判定なら Noul（スパム検知）、審査トリアージなら三態 Choice（モデレーション）、優先度並び替えなら Score（リード採点）が最適です。
独自の業務要件に合わせたカスタムレシピを作成できますか？
当サイトの Schema Builder を使用して、カスタムな指示と判定基準を視覚的にモデリングできます。Jev は1回の呼び出しで複数設問を並行判定することも可能です。
なぜチケット振り分けには Choice、スパム検知には Noul を使うのですか？
チケット振り分けは請求、技術、営業など複数のカテゴリに分散させるため多肢確率（Choice）が必要です。一方スパム検知は本質的に二値の仮説検定であり、Noul が境界ケースでより高い識別力を発揮します。