Jevの公式クックブックとは｜18本を5テーマで整理し、数値付きの5本を読み解く

Jev（ジェヴ）の公式クックブックは18本あり、どれから読むか迷います。
結論から言うと、18本は「検証」「検索」「分類・抽出」「エージェント」「一括処理」の5テーマに分かれ、困りごとに近い1本を読めば型がつかめます。
業務に組み込むなら、数値付きの数本から読むのが効率的です。

公式クックブックとは

TypeSafe AI のドキュメント索引には Cookbooks が18本並んでいます。
各ページは Python のノートブック形式で、Noul（ヌール、はい／いいえ）、Choice（選択）、Score（段階採点）を題材に当てます。
応答は json_cache.json に同梱され、再実行で公開時の数値が再生されるとされています。

18本を5テーマで見る

数値で読む5本

Parallel questions

GDPR の記事（約54,000字）に13問を投げる例です。
公式ドキュメントでは、1回にまとめると13回に分けるより12.2倍安く10.0倍速く、答えは同じだったとされています。

Re-ranking

法律文書を BM25（単語一致の検索）で30件に絞り、各候補に「引用元か」を Noul で聞く例です。
公式ドキュメントでは、正解の1位率が5%から18%、10位以内が38%から62%に上がり、1,200回の費用は0.0645ドルとされています。

Skill suggestion

1回目で全スキルを Choice で順位付けし、2回目で上位3件を精読します。
公式ドキュメントでは、誤った読み込みが16.8%から7.3%、不要な読み込みが9.8%から4.0%に減ったとされます。

Classification using confidence

年次報告を75業種に Choice で分類し、confidence（信頼度）0.9未満なら上の区分で報告します。
公式ドキュメントでは、高信頼度の半分は正答率90%、低い半分は40%で、後者を上位区分にすると70%になったとされます。

Double-checking citations

引用文の有無は文字列一致で確かめ、あれば「文脈は主張を支えるか」を Choice で聞き、confidence 0.8未満は人に回します。
8件の題材では、正しい4件が0.93以上で verified、誤り4件は捕まったとされています。

どれから読むか

• LLM の出力を守りたいなら Guardrails と Double-checking citations。
• 検索や分類の精度なら Re-ranking と Classification using confidence。
• エージェントの道具選びなら Function calling と Skill suggestion。
• 費用を下げたいなら Parallel questions と SDE cascade。

活用例｜どんな業種・職種で使えるか

士業や不動産の事務では、契約書の日付を取る Date extraction の型が使えます。
年月日を選ばせ、期限計算はコードで行います。

EC のサポートでは、Guardrails の Noul 群を問い合わせの一次検査に使えます。
兆候ごとの確率をしきい値で担当者へ回します。

社内 FAQ 検索を作る情シス担当は、Re-ranking の1問採点を社内文書に当てられます。
絞ってから並べ直す型です。

つまずきポイント・注意点

• 導入は TypeSafe の独自パッケージ索引を指定します。通常の pip では cooksafe が入りません。
• しきい値は題材ごとの値で、自分のデータで再調整する前提です。

まとめ｜公式クックブックは「読んで型を知る」から「自分の題材で数値を出す」への入り口にする

18本はどれも「判断は Jev、計算と分岐はコード」の分担です。
核心は、確率や confidence をしきい値で分岐させる設計にあります。
次の一手は、目的別に1本を選び、json_cache を消して自分の題材で数値を出し直すことです。