Patrones y fan-out

Los cuatro patrones publicados

fan-out especulativo: envía muchas preguntas en una sola llamada, incluidas las especulativas, y deja que el código determine cuáles son relevantes. Según TypeSafe, sus ventajas son el costo y la velocidad. La demo del hogar inteligente es el caso práctico. Para «Apaga todas las luces de la casa», sigues preguntando a la vez por categoría, dominio, dispositivo y acción, incluida la pregunta sobre la acción antes de saber que el enunciado se refiere a luces. Las llamadas secuenciales tendrían que esperar. La clave es evaluar en paralelo y filtrar en el código.

Enrutamiento condicionado por confianza: usa la confianza como segundo eje para decidir si se debe actuar. Sus beneficios son la fiabilidad y la seguridad. Una etiqueta sin umbral de confianza se activará ante una distribución plana. Combina Choice o Score con umbrales proporcionales al riesgo y mantén Noul en su propio eje.

Puntuación compuesta: divide un juicio en puntuaciones atómicas y combina las ponderaciones en el código. Sus beneficios son el costo, la fiabilidad y la velocidad. No pidas a Jev una única cifra enorme de calidad entre 1-100. Evalúa con Score las pruebas, la adecuación a la política y la gravedad por separado, y después suma. Enrutamiento por intención: clasifica la intención y dirígela a la lógica correspondiente, a un LLM o a una persona. Sus beneficios son el costo y la velocidad. Jev decide qué controlador se ejecuta; no se convierte en el controlador que redacta la respuesta.

Decisiones de ejemplo del mapa de casos de uso

El mapa de casos de uso de TypeSafe enumera ejemplos sectoriales, no un segundo conjunto de primitivas. Atención al cliente clasifica tickets, detecta urgencias y reembolsos, y dirige las colas. Los seguros clasifican notas de FNOL y escalan expedientes de alto riesgo. Delitos financieros puntúa descripciones de alertas y dirige casos KYC ambiguos. Legal y cumplimiento detectan cláusulas ausentes y afirmaciones prohibidas. Los mercados de comercio electrónico normalizan publicaciones y señalan indicios de falsificaciones.

La moderación aplica criterios específicos de la empresa y niveles de gravedad. La publicidad comprueba la seguridad de marca y la correspondencia entre el anuncio y la página de destino. Los videojuegos moderan el chat, puntúan la frustración y dirigen la asistencia al jugador. La selección de personal puntúa currículos según criterios laborales explícitos. La generación de prospectos compara perfiles con un ICP. El enrutamiento de modelos elige qué LLM recibe un prompt. Las medidas de protección para LLM detectan jailbreaks, inyecciones e incumplimientos de políticas.

La búsqueda y recuperación puntúan la relevancia entre la consulta y los candidatos. La extracción de características convierte el lenguaje en variables probabilísticas para ML clásico. La evaluación de riesgos transforma las notas de incidentes en indicadores. Los grafos clasifican relaciones y detectan contradicciones. El análisis semántico de código ejecuta comprobaciones específicas del equipo en CI. La previsión de demanda extrae características de intención y urgencia. Cada fila representa una estructura de decisión, no un flujo de trabajo alojado. El código que actúa sigue siendo tu responsabilidad.

Compón en el código, no en un solo prompt

La dispersión en abanico más el enrutamiento por confianza es la combinación habitual en producción: formula más preguntas de las necesarias, descarta los Nouls irrelevantes y actúa automáticamente solo cuando la confianza de Choice supera un umbral alto. La puntuación compuesta sirve de base cuando un solo Score ocultaría tres valoraciones distintas. El enrutamiento por intención es la puerta de entrada que decide si Jev, un LLM o una persona recibe el resto de la solicitud.

Las familias de evaluaciones publicadas en evals.typesafe.ai incluyen incidentes de seguridad, observabilidad de trazas de agentes, procesamiento de facturas y atención al cliente. Las cifras 193.6x / 444.6x de la página de inicio de TypeSafe proceden de comparar esas evaluaciones de flujos de trabajo con los promedios de Astra y Fable. Úsalas como la comparación publicada de TypeSafe, no como un resultado que esta wiki haya reproducido.

Si el patrón que necesitas no está entre los cuatro, aún puedes combinar los Primitives. Mantén el nuevo flujo de control en tu repositorio. Envía una nota a TypeSafe si quieres que aparezca en el índice de la documentación. Las composiciones adicionales permanecen en el código de la aplicación hasta que TypeSafe publique otro patrón con nombre propio.

Cómo elegir un patrón para un flujo de trabajo

Empieza con speculative fan-out siempre que varias preguntas compartan un estado y algunas puedan no corresponder. Es la opción predeterminada para asistentes, bots de tickets y cualquier sistema similar a una centralita. Añade enrutamiento condicionado por la confianza en cuanto una respuesta pueda provocar un efecto secundario: reembolsar, bloquear, transferir fondos o desplegar.

Usa puntuación compuesta cuando un solo Score mezclaría dimensiones distintas. La calidad de las pruebas, el ajuste a las políticas y la gravedad para el cliente son tres Scores; después, aplica una suma ponderada definida por ti. Usa el enrutamiento por intención en el límite de un sistema mixto que también incluya un LLM o una cola para revisión humana, de modo que Jev decida el destino en vez de realizar su trabajo.

Las 18 decisiones de ejemplo de esta página forman el mapa de TypeSafe, no son endpoints adicionales. Atención al cliente, reclamaciones, barreras de seguridad, búsqueda y videojuegos siguen llamando a POST /v1/systemone con Choice, Score y Noul. Copia la estructura de la decisión y redacta los criterios a partir de tus políticas, no de una biblioteca de prompts genéricos.

La dispersión en abanico es la opción predeterminada. Añade umbrales de confianza cuando una etiqueta pueda gastar dinero o bloquear a un usuario. Separa los Scores cuando una sola escala mezclaría ejes distintos. Sitúa el enrutamiento por intención en el límite con un LLM. Esas cuatro frases abarcan todos los patrones publicados.

El mapa de casos de uso contiene dieciocho estructuras de decisión, no dieciocho APIs. Cada fila se convierte en una o más preguntas enviadas a POST /v1/systemone. Adapta la estructura a tu ámbito y redacta los criterios según tus políticas. Un prompt de moderación genérico que no refleje tus políticas no se ajustará a este mapa.

fan-out especulativo es el patrón cuyo nombre también encabeza esta página, porque es el primero que presenta TypeSafe. Los otros tres aparecen debajo como formas de usar las respuestas una vez que regresa la llamada única.

Dieciocho decisiones de ejemplo comparten un mismo nombre de familia, automation, porque son evaluaciones de software, no una segunda línea de productos.