# Jev 公式 Cookbook 18 本の早見: やりたいことから探す TypeSafe 公式の Cookbook 18 本を、やりたいこと別に整理した早見。検索と並べ替え、分類、抽出、LLM の検査、エージェント連携、費用の削減。各レシピが何を解くのかと公式へのリンクをまとめる。 - 正規URL: https://jevguide.jp/guides/cookbook-index/ - 公開: 2026-09-21T00:00:00.000Z - 更新: 2026-09-21T00:00:00.000Z - 最終確認: 2026-09-21T00:00:00.000Z TypeSafe の公式ドキュメントには、Jev の使い方を実例で示す **Cookbook が 18 本**あります（2026-09-21 時点）。このページは、それを**やりたいこと別**に並べ直した索引です。各レシピの説明は公式の一行要約をもとに、このサイトの言葉でまとめています。 > このサイトは Cookbook を翻訳していません。コードと詳しい説明は、リンク先の公式ページ（英語）にあります。精度や速度の数値は公式が測ったもので、**このサイトでは再現していません。** ## まず読む1本 | レシピ | 何を解くか | | --- | --- | | [Parallel questions](https://docs.typesafe.ai/cookbooks/parallel_questions) | GDPR の Wikipedia 記事に 13 の質問をする。全部を1回の呼び出しにまとめると、答えは変わらないまま、公式の計測で 12.2 倍安く、10.0 倍速かった、という例 | Jev の使い方の基本である「同じ `state` への質問は1回にまとめる」が、数字で分かります。このサイトでも、1問と4問で応答時間がほとんど変わらないことを確かめています（[設計パターン4種](/guides/design-patterns/)）。 ## 検索と並べ替え | レシピ | 何を解くか | | --- | --- | | [Re-ranking](https://docs.typesafe.ai/cookbooks/rerank_typesafe) | キーワード検索（BM25）で出した 30 件の候補を、質問と候補の組ごとに Jev で判定して並べ直す。法律文書の検索で、1位の正解率が 5% から 18% に、上位10件では 38% から 62% に上がったという例 | | [Line-by-line search](https://docs.typesafe.ai/cookbooks/semantic_find) | 利用規約の 218 行を、自然文の問いに対して1回のリクエストで判定する意味検索。Choice で該当行を選び、Noul で「そもそも答えが文書にあるか」を確かめる | | [Classifying RAG passages](https://docs.typesafe.ai/cookbooks/classifying_rag_passages) | 検索で取ってきた文章を1つずつ採点し、回答用のモデルに渡すかをコードで決める。質問と矛盾するものには印を付け、隠れた指示（プロンプトインジェクション）を含むものは落とす | ## 分類 | レシピ | 何を解くか | | --- | --- | | [Classification using confidence](https://docs.typesafe.ai/cookbooks/classification_using_confidence) | 年次報告書を 75 の業種に Choice で分類し、確信度が低いときは1つ上の大分類で答える | | [Hierarchical classification](https://docs.typesafe.ai/cookbooks/hierarchical_classification) | 特許・商品・医学・ソースコードのような深い階層の分類を、Choice の確率を使った並列のビーム探索でたどる | | [Knowledge graph entity alignment](https://docs.typesafe.ai/cookbooks/entity_alignment) | 2つの商品カタログの 450 組が同じ商品かを判定する。Score の3段階を「統合する／別物のままにする／人に回す」という**3つの行動そのもの**にして、しきい値の調整を不要にする | Choice の選択肢は1つの質問につき最大 255 個です。それより多い分類は、階層に分けてたどります（[質問タイプの書き方](/guides/question-types/)）。 ## 抽出 Jev は文章を生成できません。値の抽出は「候補をコードで出し、正しいものを Jev に選ばせる」形にします。 | レシピ | 何を解くか | | --- | --- | | [Pre-parsed value extraction](https://docs.typesafe.ai/cookbooks/pre_parsed_value_extraction_cookbook) | メールアドレス・電話番号・金額の候補を正規表現で見つけ、求められているものを Jev に選ばせる。値は原文のままコードで整形できる | | [Date extraction](https://docs.typesafe.ai/cookbooks/date_extraction_cookbook) | 日付を年・月・日の部品ごとに聞き、組み立てと妥当性の確認はコードで行う。相対的な日付と、確信度による確認待ちも扱う | | [SDE cascade](https://docs.typesafe.ai/cookbooks/sde_cascade) | 構造化データの抽出を「小さなモデル → 検証 → 推論モデル」の2段のカスケードにして、大きな推論モデルの品質の大部分を、わずかな費用で得る | | [Structure recovery](https://docs.typesafe.ai/cookbooks/autoformat) | 書式を失ったプレーンテキストから Markdown を復元する。1回目で折り返された行をつなぎ、2回目で各ブロックを見出し・リスト・コードなどに分類する | 日付の比較や計算を Jev にさせない理由は [Jev が苦手なこと](/guides/limitations/) にあります。 ## LLM の入出力を検査する | レシピ | 何を解くか | | --- | --- | | [Guardrails for LLMs](https://docs.typesafe.ai/cookbooks/llm_guardrails) | LLM アプリに入るメッセージと出ていくメッセージを、1回のリクエストで検査する。「脱獄の試みか」のような危険を聞き、「従ったらどれだけ害があるか」を採点して、通す・確認する・止める・回す をコードで決める | | [Double-checking citations](https://docs.typesafe.ai/cookbooks/citation_check) | 引用が出典の文書で本当に裏付けられているかを Choice で確かめ、確信度が低いものを人の確認に回す。誤った引用やでっち上げの引用を捕まえる | 公式は、Jev 自身も**敵対的な入力で答えを動かされ得る**と明記しています。検査役として使うなら、意地の悪い入力を自分で用意して配備前に試し、重要な判断を Jev の答え1つだけで自動実行しない設計にしてください。 ## エージェントとツール呼び出し | レシピ | 何を解くか | | --- | --- | | [Function calling](https://docs.typesafe.ai/cookbooks/function_calling) | 自然文の依頼を、型のついた普通の関数の呼び出しに変える。関数名と、値の決まった引数を、確信度つきの質問に対応づける | | [Skill suggestion](https://docs.typesafe.ai/cookbooks/skill_suggestion) | 182 個のスキルから、エージェントの1ターンに使うものを最大1つ選ぶ。1回目で全スキルを順位づけして「そもそも要るか」も聞き、2回目で上位3つを詳しく読んで、全部を却下することもできる | 「Skill suggestion」は、Choice（どれか）と Noul（そもそも要るか）を併用する例として、公式の弱点のページからも参照されています。 ## 確信度を使いこなす | レシピ | 何を解くか | | --- | --- | | [Self-consistency: nouls](https://docs.typesafe.ai/cookbooks/consistency_noul_cookbook) | 確率があいまいな判定を人の確認に回しつつ、元の Noul の値は見えるままにしておく | | [Self-consistency: choices](https://docs.typesafe.ai/cookbooks/consistency_choice_cookbook) | モデレーションの判定に「不確か」という結果を加え、判定の一致率と、自動で処理できる割合を比べる | しきい値の決め方の基本は [確率と confidence の読み方](/guides/reading-confidence/) にまとめました。 ## 機械学習と組み合わせる | レシピ | 何を解くか | | --- | --- | | [Autoresearch feature discovery](https://docs.typesafe.ai/cookbooks/autoresearch_feature_discovery) | 質問を自動で提案させて自由文を数値の特徴量に変え、モデルの誤りを手がかりに、教師ありの回帰モデル（CatBoost）を改善していく | Jev は顧客ごとのファインチューニングに対応していません。自分の領域に合わせる方法の1つとして、公式の Models ページがこのレシピを挙げています（[料金と制限](/guides/pricing-and-limits/)）。 ## 日本語で試すときに - Cookbook のデータと質問はすべて英語です。公式は、英語以外では精度が下がると明記しています - まず英語の例をそのまま動かして結果を確かめ、それから自分の日本語のデータに置き換えて差を見る、という順番が安全です - 選択肢のキーや `state` の項目名は英数字のままにしておくと、コードで扱いやすくなります 一覧の最新版は、公式の [ドキュメント索引](https://docs.typesafe.ai/llms.txt) にあります。 ## よくある質問 ### Cookbook の日本語訳はありますか？ このサイトでは公式ドキュメントの翻訳はしていません。このページは、各レシピが何を解くものかを一言でまとめ、公式ページへ案内する索引です。コードと詳しい説明は公式（英語）を読んでください。 ### どれから読むのがよいですか？ まず「Parallel questions」で、質問を1回にまとめる効果をつかむのがおすすめです。そのあとは自分の用途に近いものを選びます。問い合わせの振り分けなら「Classification using confidence」、RAG なら「Classifying RAG passages」、LLM アプリの安全対策なら「Guardrails for LLMs」です。 ### Cookbook の数値（精度や速度）はそのまま信用できますか？ 公式が自分のデータで測った値です。このサイトでは再現していません。データも言語も違えば結果は変わります。公式は英語以外では精度が下がると明記しているので、日本語のデータでは自分で測ってください。 ## 出典 - [TypeSafe AI ドキュメント索引](https://docs.typesafe.ai/llms.txt) - [Jev 1.13 jaggedness](https://docs.typesafe.ai/model-jaggedness/jev-1.13) - [Patterns](https://docs.typesafe.ai/patterns) --- typesafe.ai とは無関係の非公式ガイドです。