//Receitas

Receitas do Jev: os cookbooks oficiais em português

A TypeSafe publica receitas com código e números. Treze delas estão aqui em português, com o que cada uma prova e o que ela não prova.

Uma receita é diferente de um padrão. O padrão diz como organizar o sistema; a receita resolve uma tarefa. A TypeSafe publica 18 delas no índice oficial que lemos em 18 de setembro de 2026, quase sempre com código e, em vários casos, com o número que a própria empresa mediu naquele experimento.

Esta seção traduz essas receitas para português e faz duas coisas que o material original não faz: separa o que foi medido do que foi afirmado, e comenta o que muda quando o texto está em português brasileiro.

O que as receitas medem

Quatro receitas trazem número publicado. Vale ler os números como o que são: resultado de um experimento da fabricante, em um conjunto de dados escolhido por ela.

ReceitaTarefa do experimentoResultado publicado
Perguntas paralelas13 perguntas de conformidade sobre o artigo do GDPR na Wikipédia12,2 vezes mais barato e 10,0 vezes mais rápido, sem mudança nas respostas
Reranking de busca40 consultas jurídicas do CLERC, listas de 30 passagens vindas do BM25acerto no primeiro resultado de 5% para 18%; nos dez primeiros, de 38% para 62%
Busca linha a linhatermos de serviço do GitHub, 218 identificadores de linhatudo pontuado em uma requisição, com um Noul checando se o documento responde
Escolher skill de agentecatálogo Hermes da Nous Research, 182 skillsduas requisições: uma ordena e pergunta se alguma é necessária, outra lê as três melhores

As demais receitas descrevem desenho, não placar: deduplicação de cadastro com um Score de três níveis sobre 450 pares candidatos, classificação de relatórios da SEC em 75 grupos industriais usando a confiança para subir um nível quando ela cai, recuperação de estrutura de markdown em duas requisições, cascata de extração em dois estágios, extração de datas por partes, seleção de valores já encontrados por expressão regular, function calling com argumentos de conjunto fechado, guardrails de entrada e saída para aplicações com LLM, filtragem de passagens de RAG, conferência de citações, classificação hierárquica com beam search e um laço de autoresearch que alimenta um modelo clássico com as probabilidades do Jev.

O fio que liga todas elas

Lendo as 18 em sequência, o mesmo desenho aparece:

  1. O código prepara o material. Busca, filtra, corta o que não interessa. Quase toda receita começa reduzindo o state, porque a documentação é explícita sobre acurácia cair quando o state cresce com detalhe irrelevante.
  2. Uma requisição faz muitas perguntas. Em vez de um laço de chamadas, uma chamada com todas as perguntas. É o fan-out aplicado.
  3. A decisão fica no código. A receita não termina na resposta do modelo; termina em um if, um limiar ou uma ordenação que você escreveu.
  4. A incerteza tem destino. Confiança baixa manda o caso para revisão, para um nível mais alto da taxonomia ou para um segundo estágio mais caro.

Esse é o ponto que diferencia uma receita de um prompt esperto: ela devolve números que o seu código sabe comparar, e não um texto que alguém precisa interpretar.

O que nós acrescentamos

Cada página desta seção segue o mesmo formato: o problema em português, o desenho da solução, o que a receita oficial mediu (com a fonte), o exemplo adaptado para conteúdo brasileiro e a parte chata — onde essa receita encosta nos limites do jev-1.13. Duas receitas dependem de aritmética e datas, exatamente o que a documentação diz que o modelo não faz bem; as duas resolvem isso tirando a conta do modelo e deixando no código, e é essa a lição que interessa.

Se você ainda não leu como as perguntas funcionam, comece pelas primitivas. Se quer ver o resultado de um fluxo inteiro montado com essas peças, vá para casos de uso.

Busca linha a linha dentro de um documento

Marque cada linha com um id, use as linhas como opções de um Choice e pergunte com um Noul se o documento responde. Uma requisição, 218 linhas pontuadas. Ler

Classificar passagens de RAG antes de responder

A busca ordena por semelhança de palavras e entrega lixo junto. Quatro perguntas por passagem separam evidência, conflito e injeção antes do modelo responder. Ler

Dizer se dois registros são o mesmo

Uma pergunta Score de três níveis resolve a deduplicação: unir, deixar separado ou mandar ao curador. Sem limiar para calibrar. Ler

Escolher uma skill entre 182 para um agente

Duas requisições na frente da decisão do agente derrubaram a carga de skill errada de 16,8% para 7,3% no experimento publicado pela TypeSafe. Ler

Extrair datas sem errar a conta

O Jev lê datas como texto, não como quantidade. A receita oficial pede as partes da data ao modelo e faz o calendário no código, com revisão por confiança. Ler

Extrair valores que a regex já encontrou

A expressão regular acha os candidatos, o Jev escolhe qual deles responde à pergunta e o código copia o trecho. Sem inventar valor, sem trocar dígito. Ler

Function calling com decisões tipadas

Cada argumento de conjunto fechado vira uma pergunta com exatamente os valores que a função aceita. O que chega na função é sempre válido. Ler

Guardrails para LLM em uma chamada

Triar entrada e saída de um LLM com quatro perguntas de risco e uma de severidade, e deixar o limiar de bloqueio no seu código, não nos pesos do modelo. Ler

Perguntas paralelas: 13 numa chamada

O experimento oficial mediu 12,2 vezes mais barato e 10,0 vezes mais rápido ao juntar 13 perguntas em uma chamada, sem mudar nenhuma resposta. Ler

Recuperar a estrutura de um texto cru

Duas requisições reconstroem markdown de texto que perdeu a formatação, sem gerar uma palavra: o modelo julga, o código renderiza. Ler

Reranking: reordenar o resultado da busca

A busca rápida acha a passagem certa mas raramente a coloca em primeiro. No experimento oficial, reordenar levou o acerto no topo de 5% para 18%. Ler

Subir um nível quando a confiança cai

Em vez de chutar a categoria específica ou mandar para revisão, responda a categoria acima. No experimento oficial, 40% de acerto viraram 70%. Ler

Verificar citações contra o documento fonte

Uma comparação de texto acha a citação inventada; uma pergunta Choice lê o contexto e diz se ele sustenta, contradiz ou não trata da afirmação. Ler

Perguntas frequentes

O que é uma receita oficial?

É um cookbook publicado pela TypeSafe: uma tarefa concreta, o código que resolve com o Jev e, em vários casos, o número que a empresa mediu naquele experimento. O índice oficial que lemos em 18/09/2026 traz 18 cookbooks; treze deles estão explicados aqui, e os dois de autoconsistência viraram o padrão de revisão humana.

Os números das receitas valem para o meu caso?

Não automaticamente. Cada número vem de um experimento específico, com um conjunto de dados específico, medido pela própria empresa. Eles mostram a ordem de grandeza do ganho e o desenho da solução; a sua taxa de acerto depende dos seus dados e dos seus critérios.

Preciso saber programar para usar as receitas?

Para aplicar, sim: as receitas terminam em código que monta o state, envia as perguntas e decide no seu lado. Para entender o desenho, não. Cada página nossa começa pelo problema e pela forma da solução antes de mostrar chamada nenhuma.

Qual receita começar?

Se o seu gargalo é custo ou latência, comece pela de perguntas paralelas. Se é qualidade de busca, pela de reranking. Se é risco de entrada maliciosa num produto com LLM, pela de guardrails.

Enquanto esta seção fica pronta, garanta o preço de pré-venda do curso de Jev em português.

Garantir pré-venda por R$ 499,00

Pré-venda: R$ 499,00 · Após o lançamento: R$ 799,00