Simon Willison pubblica llm-typesafe 0.1a0 per il modello Jev

Simon Willison ha rilasciato llm-typesafe 0.1a0, un plugin per il suo strumento “llm” che aggiunge il supporto al modello Jev di TypeSafe AI (22 settembre 2026)¹.

Installazione da terminale:

llm install llm-typesafe

Impostazione della chiave API:

llm keys set typesafe

Willison segnala che la lista d’attesa per ottenere la chiave “sembra muoversi piuttosto in fretta”¹.

Il plugin include esempi di output strutturato. Il primo mostra una domanda sì/no con un tipo personalizzato “noul”:

llm -m jev 'Please refund my last payment.' \
  -s 'Does this message explicitly request a refund?'

Output riportato:

{"type": "noul", "noul": 0.99}

L’esempio evidenzia il tipo “noul” e un valore numerico associato al campo omonimo¹.

Segue un esempio per una scelta guidata da criteri espressi in JSON. L’input arriva da file con pipe:

cat message.txt | llm -m jev \
  -s 'Which team should handle this message? If billing and technical issues both occur, choose billing.' \
  -o answer_type choice \
  -o criteria '{
    "billing":"Charges, invoices, payments, or refunds",
    "technical":"Problems installing or using the product",
    "other":"Neither category fits"
  }'

L’opzione “-o answer_type choice” richiede una risposta di tipo “choice”. “-o criteria” definisce etichette e descrizioni (“billing”, “technical”, “other”) che guidano la selezione¹.

Un terzo esempio mostra lo scoring con criteri elencati come array ordinato:

cat report.txt | llm -m jev \
  -s 'How reproducible is the problem described in this report?' \
  -o answer_type score \
  -o criteria '[
    "No reproduction instructions",
    "Some instructions, but important steps are missing",
    "Complete steps with expected and actual results"
  ]'

Qui “-o answer_type score” impone un punteggio, mentre “-o criteria” passa la scala da usare¹.

Gli snippet pubblicati chiariscono tre modalità di risposta: “noul”, “choice”, “score”. In tutti i casi si usa “-s” per la consegna, “-o answer_type” per il formato dell’output, “-o criteria” per vincolare il modello. Gli esempi usano “cat” e la pipe per inviare contenuti da file al comando “llm”¹.

Willison rimanda al README del plugin per dettagli aggiuntivi e per ulteriori indicazioni d’uso¹.

La presenza di criteri espliciti in JSON e array rende prevedibile la forma dell’output. Per chi integra LLM in pipeline da terminale, questa struttura riduce ambiguità e semplifica la verifica automatica dei risultati¹.