Compare / jev-vs-llm-chat
Jev vs LLM Chat
チャット LLM は会話と自由文を最適化します。Jev は散文パースなしで実行できる有界決定を最適化します。多くの本番エージェントは両層が必要です。
Where Jev is stronger
- ルータ/ゲート向けの安定 enum とスコア
- escalate / review 向け校正信頼度
- 高 QPS 分類に合うコストとレイテンシ
Where the other side wins
- マルチターン会話がプロダクト
- メール・文書・説明の起草
- 固定ラベルのない開かれた計画
Use Jev when
- チャット返信前の分類・振り分け・モデレーション・スコア
- エージェントツール呼び出しリスクゲート
- 取得文脈の keep/drop
Prefer the other when
- ユーザーが文章の回答を期待
- 未定義問題空間の探索
- トーンと物語性がプロダクト
Which should you use?
Jev にチャットさせない。チャット LLM だけを本番分類器にしない。意思決定エッジに Jev、言語はチャットモデルへ。
Developer deep dive
デモでは会話 UX と決定 UX が衝突しがちで、一モデルが「話し」かつ「決める」。本番ではパース破綻・ラベルドリフト・段落の単体テスト不能が起きます。層を分ける：有界質問は Jev、分岐後のユーザー向け文はチャット LLM。「勝者総取り」比較は両方が必要な製品を見誤ります。分類をシステムプロンプトに詰め込み次のアシスタント文がスキーマ通りと期待するのはアンチパターンです。
Cost and latency
ラベルだけ欲しいときでも長い履歴のチャット完了がコストを支配します。コンパクト state の決定呼び出しは単位経済を予測可能にします。匿名プレイグラウンドでパック購入前に Choice / Score / Noul レイテンシを体感できます。
Hybrid pattern
入口：Jev ゲート → 許可時のみチャット → 任意で Jev score の SLA キュー。決定 ID とチャットターン ID を監査ログに。/jev-free/ と /tools/ から登録なしで型付き回答を確認。