--- title: "TypeSafe: a skill oficial do Jev para descobrir onde decisões tipadas substituem código frágil" description: "A skill oficial da TypeSafe instala o contexto do Jev (System One) no seu agente de código, e um roteiro de auditoria em quatro etapas mapeia onde uma decisão tipada com probabilidade calibrada vale mais que parse frágil." canonical: "https://ronanrodrigo.dev/notes/skill-typesafe-jev" markdown: "https://ronanrodrigo.dev/notes/skill-typesafe-jev.md" last-updated: "2026-09-22" --- ## Skill oficial typesafe-ai A TypeSafe mantém um skill de agente (licença MIT) que dá contexto completo sobre a API System One: os três tipos de pergunta, os padrões de arquitetura e boas práticas de avaliação. O Jev é o primeiro System One model da empresa: em vez de gerar texto, devolve julgamentos tipados com probabilidades calibradas — choice, boolean, ranking, extração — que o código consome direto. Instalação via skills.sh ou plugin do Claude Code: ``` npx skills add typesafe-ai/skills --skill typesafe-ai ``` O skill é instalado local ao projeto por padrão; `-g` instala globalmente. O uso típico é apontar o agente para a skill e pedir para ele trocar um trecho de prompt-and-parse por uma decisão estruturada. [Acesse a fonte original](https://github.com/typesafe-ai/skills) ## SKILL.md: o contrato do skill O `SKILL.md` declara o caso de uso com precisão: use quando uma feature precisa de "senso comum programável", ao fazer brainstorming do que a IA viabiliza numa aplicação, ou quando um passo de LLM com prompt e parse pode virar uma decisão estruturada. Aplicações citadas incluem roteamento, ranking, extração e verificação. Ele instrui o agente a ler a documentação viva como fonte de verdade e a consultar o cookbook mais próximo antes de desenhar uma integração. [Leia o SKILL.md](https://github.com/typesafe-ai/skills/blob/main/skills/typesafe-ai/SKILL.md) ## TypeSafe Agent skill: prompts de auditoria A página de documentação do skill traz prompts prontos para encontrar onde a TypeSafe faz sentido num projeto existente: explorar o repositório em busca de julgamento inteligente que substitua parsing complexo ou código frágil, apontar o agente para um cookbook específico, ou rodar consultas de teste baratas com a chave `TYPESAFE_API_KEY` exportada. Também lista princípios para esse uso: revisar o plano antes de implementar, concentrar perguntas e thresholds num só lugar — o agente não escreve boas perguntas sozinho — e não aceitar as afirmações do agente sem validação. [Confira a página do skill](https://docs.typesafe.ai/agent-skill) ## Introdução aos System One Models e ao Jev O anúncio assinado por Diogo Almeida, fundador da TypeSafe, descreve a diferença de treino: RLCD (Reinforcement Learning for Calibrated Decisions) em lugar de RLHF/RLVR, saída estruturada tipada em vez de string gerada, amostragem paralela em vez de sequencial, custo de saída irrisório e respostas em 70–500 ms. A tabela compara ainda calibração: o modelo sempre comunica confiança e incerteza, o que é o requisito prático para automatizar uma etapa de decisão. [Acesse o anúncio](https://typesafe.ai/blog/introducing-system-one-models-and-jev) ## Auditoria JEV: o processo em quatro etapas Roteiro para mapear onde o Jev realmente agrega valor num projeto existente, em quatro etapas. **01 — Mapeie oportunidades.** Faça uma auditoria somente leitura sobre os materiais existentes (regras, docs, prompts, código) — sem alterar arquivos nem executar integrações. As candidatas são projetos, tarefas ou arquivos que envolvam escolher entre opções, pontuar ou classificar, verificar se algo é verdadeiro, avaliar trabalho do agente ou selecionar evidências ou trechos relevantes. **02 — Defina o que o Jev precisa.** Transforme o contexto numa pergunta clara: liste a informação (dados e contexto) e as referências (arquivos e fontes), formule uma pergunta específica, defina as respostas permitidas, indique o que o app fará com a resposta e trate a incerteza. Preserve caminhos de origem e sinalize referências ausentes ou conflitantes; em bases de conhecimento, avalie também busca semântica, recuperação de trechos e preservação das fontes. **03 — Escolha o primeiro teste.** Compare as tarefas candidatas por utilidade, esforço de implementação, facilidade de teste, frequência de uso e impacto de erro — e prefira uma tarefa recorrente, com exemplos já avaliados. O primeiro experimento pede referências claras, exemplos revisados e integração prática. **04 — Compare com exemplos revisados.** Rode respostas de exemplos conhecidos e respostas do próprio Jev lado a lado e compare tempo de resposta, custo e qualidade das respostas, anotando sua revisão: inconsistências para investigar, perguntas e referências a ajustar e decisões a revisar. Depois itere e só então decida sobre a integração. ## Jev: TypeSafe's System One Model Explained Análise de terceiros que resume a proposta do Jev como um modelo de decisão, e não de geração: retorna decisões tipadas com probabilidades calibradas e usa a primitiva *Choice* para classificação, incluindo exemplo de código. [Leia a análise](https://www.datacamp.com/blog/system-one-models-jev)