Motifs et fan-out

Les quatre schémas publiés

fan-out spéculatif : envoyez de nombreuses questions en un seul appel, y compris des questions spéculatives, puis laissez votre code déterminer lesquelles sont pertinentes. D'après TypeSafe, les avantages sont le coût et la rapidité. La démo domotique sert d'exemple détaillé. Pour « Éteins toutes les lumières de la maison », vous demandez simultanément la catégorie, le domaine, l'appareil et l'action, avant même de savoir que l'énoncé concerne des lumières. Des appels séquentiels devraient attendre. Tout l'intérêt réside dans l'évaluation parallèle suivie d'un filtrage dans le code.

Routage conditionné par la confiance : utilisez la confiance comme second axe pour décider s’il faut agir. Ses avantages sont la fiabilité et la sécurité. Une étiquette dépourvue de seuil de confiance se déclenchera même sur une distribution uniforme. Associez Choice ou Score à des seuils proportionnels au risque, et conservez Noul sur un axe distinct.

Notation composite : décomposez un jugement en scores atomiques et combinez leurs pondérations dans le code. Ses avantages sont le coût, la fiabilité et la rapidité. Ne demandez pas à Jev une unique note de qualité globale de 1-100. Évaluez séparément avec Score les preuves, l’adéquation à la politique et la gravité, puis additionnez les résultats. Routage par intention : classez l’intention et dirigez-la vers une logique, un LLM ou un humain. Ses avantages sont le coût et la rapidité. Jev décide quel gestionnaire s’exécute ; il ne devient pas celui qui rédige la réponse.

Exemples de décisions tirés de la carte des cas d’usage

La carte des cas d’usage de TypeSafe présente des exemples sectoriels plutôt qu’un second ensemble de primitives. Le support client classe les tickets, détecte l’urgence et les remboursements, puis route les files. Les assurances classent les déclarations initiales de sinistre et font remonter les dossiers à haut risque. La lutte contre la criminalité financière note les descriptions d’alertes et route les dossiers KYC ambigus. Les services juridiques et de conformité détectent les clauses manquantes et les allégations interdites. Les places de marché en ligne normalisent les annonces et signalent les indices de contrefaçon.

La modération applique des critères propres à l’entreprise en tenant compte de la gravité. La publicité vérifie la sécurité de la marque et la cohérence entre l’annonce et la page de destination. Dans le jeu vidéo, elle modère le chat, évalue la frustration et route l’assistance aux joueurs. Le recrutement évalue les CV selon des critères professionnels explicites. La génération de prospects compare les profils à un profil client idéal. Le routage de modèles choisit quel LLM reçoit un prompt. Les garde-fous pour LLM détectent les jailbreaks, les injections et les infractions aux politiques.

La recherche et la récupération évaluent la pertinence entre une requête et un résultat candidat. L’extraction de caractéristiques transforme le langage en variables probabilistes pour le ML classique. L’évaluation des risques convertit les comptes rendus d’incident en indicateurs. Les graphes classent les relations et détectent les contradictions. L’analyse sémantique du code exécute dans l’intégration continue des contrôles propres à l’équipe. La prévision de la demande extrait des caractéristiques d’intention et d’urgence. Chaque ligne décrit une forme de décision, pas un workflow hébergé. Le code qui agit reste sous votre responsabilité.

Composez dans le code, pas dans un prompt unique

L’éventail spéculatif et le routage selon la confiance forment le duo habituel en production : posez plus de questions que nécessaire, écartez les Nouls non pertinents, puis n’automatisez une action que si la confiance de Choice dépasse un seuil élevé. La notation composite s’y ajoute lorsqu’un seul Score masquerait trois jugements distincts. Le routage par intention sert de point d’entrée et détermine si Jev, un LLM ou un humain traite le reste de la requête.

Les familles d’évaluations publiées sur evals.typesafe.ai couvrent notamment les incidents de sécurité, l’observabilité des traces d’agents, le traitement des factures et le service client. Les chiffres 193.6x / 444.6x affichés sur la page d’accueil de TypeSafe proviennent de ces évaluations de workflows, comparées aux moyennes d’Astra et de Fable. Considérez-les comme la comparaison publiée par TypeSafe, et non comme des résultats reproduits par ce wiki.

Si le modèle de conception recherché ne figure pas parmi les quatre, les primitives restent combinables. Conservez tout nouveau flux de contrôle dans votre dépôt. Envoyez une note à TypeSafe si vous souhaitez le voir dans l’index de la documentation. Les autres compositions restent dans le code de l’application jusqu’à ce que TypeSafe publie un nouveau modèle nommé.

Choisir un modèle pour un workflow

Commencez par speculative fan-out dès que plusieurs questions partagent le même état et que certaines peuvent ne pas s'appliquer. C'est le choix par défaut pour les assistants, les bots de gestion des tickets et tout système faisant office de standard. Ajoutez un aiguillage soumis à un seuil de confiance dès qu'une réponse peut déclencher un effet secondaire : remboursement, bannissement, virement ou déploiement.

Utilisez la notation composite lorsqu’un seul Score mélangerait des dimensions différentes. La qualité des preuves, le respect des règles et la gravité pour le client constituent trois Scores, suivis d’une somme pondérée définie par vos soins. Placez le routage par intention à l’entrée d’un système mixte comprenant aussi un LLM ou une file humaine, afin que Jev choisisse la destination sans effectuer le travail qui lui revient.

Les 18 exemples de décisions de cette page constituent la carte de TypeSafe, et non des endpoints supplémentaires. Le support client, les sinistres, les garde-fous, la recherche et le jeu appellent toujours POST /v1/systemone avec Choice, Score et Noul. Reprenez la structure de décision, puis rédigez les critères à partir de vos règles plutôt que d’une bibliothèque générique de prompts.

L’éventail est le choix par défaut. Ajoutez des seuils de confiance lorsqu’une étiquette peut entraîner une dépense ou le bannissement d’un utilisateur. Séparez les Scores lorsqu’une même légende mélangerait des axes différents. Placez le routage par intention à la frontière avec un LLM. Ces quatre phrases résument tous les modèles publiés.

La carte des cas d’usage présente dix-huit structures de décision, pas dix-huit API. Chaque ligne devient toujours une ou plusieurs questions envoyées à POST /v1/systemone. Adaptez la structure à votre domaine, puis rédigez les critères d’après vos règles. Un prompt de modération générique qui ne reflète pas vos règles ne correspondra pas à cette carte.

Le fan-out spéculatif est le modèle dont le nom sert aussi de H1 à cette page, car c'est celui que TypeSafe présente en premier. Les trois autres figurent en dessous et décrivent comment exploiter les réponses une fois l'appel unique terminé.

Dix-huit exemples de décisions partagent un même nom de famille, automation, car ce sont des jugements logiciels et non une seconde gamme de produits.