Como classificar suas notas nas pastas do método PARA usando o Jev?

A nota já está escrita

O que cansa é decidir onde ela mora

Sério, esse é o atrito real de quem tenta manter um segundo cérebro funcionando: você captura rápido, escreve bem, e aí trava na frente de quatro pastas se perguntando se aquilo ali é Projeto ou Área. Multiplica por 300 notas soltas e você simplesmente para de organizar

O método PARA vem do capítulo 5 do livro Building a Second Brain, do Tiago Forte, publicado em 2022, e divide a vida digital em quatro: Projetos (metas específicas e acionáveis, com prazo), Áreas (responsabilidades contínuas, sem data final), Recursos (material de interesse ou referência útil) e Arquivos (o que está inativo)

A regra é simples de ler e horrível de aplicar no automático, porque o critério é contextual: depende do que ESTÁ escrito na nota, não da categoria em abstrato

É aí que entra o Jev, o modelo de decisão estruturada da TypeSafe. Em vez de te devolver um parágrafo explicando o raciocínio dele, ele devolve uma escolha tipada: a opção vencedora, a probabilidade de cada opção e uma confiança entre 0 e 1 🙂

Ou seja, ele não escreve sobre a decisão, ele decide

O que você precisa antes de começar

Menos coisa do que parece

• Uma chave de API da OpenRouter. Não tem cadastro separado, lista de espera nem conta na TypeSafe: é chave da OpenRouter e o model typesafe/jev-1.13
• O SDK instalado e a variável de ambiente definida (o tutorial oficial indica esses dois passos de setup)

bun add --exact @openrouter/[email protected]
export OPENROUTER_API_KEY="sua_chave_aqui"

Detalhe importante antes de você tentar mandar pro endpoint errado: o Jev roda na Decisions API da OpenRouter (POST /api/alpha/decisions), não no endpoint compatível com chat da OpenAI

Então o formato de requisição e de resposta é específico de decisões. Se você chegou aqui achando que era só trocar o nome do modelo na sua chamada de chat, não é

Quer testar sem escrever uma linha de código? Tem o Jev Lab, app de navegador da OpenRouter pra rodar decisões estruturadas editando a entrada e as perguntas, inspecionando a requisição exata e vendo a saída do modelo. Pra quem só quer ver se isso funciona com as SUAS notas, começa por ali

Mais três dados que mudam o planejamento:

• Janela de contexto de 32.000 tokens, o que é bastante coisa pra uma nota, mas te obriga a pensar em lote se você quiser mandar o vault inteiro de uma vez
• Preço do Jev 1.13: US$ 0,042 por milhão de tokens de entrada e US$ 0,00 por milhão de tokens de saída
• A integração está em beta, segundo o anúncio da própria OpenRouter. Tome cuidado antes de colocar isso no meio de um fluxo crítico

E se a dúvida ainda é se vale usar um modelo de decisão ou pedir JSON pra um LLM genérico, eu já separei isso num post sobre quando usar Jev ou saída estruturada

Passo a passo: montando a pergunta de classificação PARA

Antes do como, o porquê: o Jev não vai "entender" o PARA porque o PARA é famoso. Ele vai decidir com base nas descrições que VOCÊ escrever pras opções

As descrições das opções chegam ao modelo como instruções da pergunta. Traduzindo: a descrição é o prompt. Todo o ganho do fluxo tá aqui, não no modelo

Bora montar

1. Monte a requisição com as três partes: model, state e questions

O model é typesafe/jev-1.13. O state é o texto a avaliar, que no nosso caso é o título da nota mais o corpo dela. E o questions é um objeto com uma ou mais perguntas tipadas, respondidas numa única passada e retornadas sob a chave que você definiu

Defina uma chave descritiva, tipo para_bucket, porque é por ela que você vai ler a resposta depois

O erro comum deste passo: mandar só o corpo da nota e cortar o título. O título costuma ser a maior fonte de sinal de prazo ("Entregar proposta até sexta" já resolve metade da classificação sozinho)

2. Use uma pergunta do tipo choice com as quatro opções do PARA

O Jev trabalha com três primitivas de pergunta: choice (escolhe uma opção de um conjunto que você define), noul (devolve probabilidade de sim) e score (posiciona o conteúdo em níveis descritos por você)

Pra PARA, é choice, sem discussão. Você quer UMA pasta, não uma nota de 0 a 10

Cada opção é definida com rótulo e descrição, e a resposta traz a opção vencedora, a probabilidade de cada opção e a confiança de 0 a 1

O erro comum deste passo: tentar fazer noul quatro vezes ("isso é um projeto? isso é uma área?") e depois comparar os números na mão. Você perde a distribuição inteira e a confiança calculada em cima dela

3. Escreva cada descrição como evidência observável, não como conclusão

Essa é A virada do post. A orientação da documentação é escrever as descrições como evidência que o leitor veria no texto, não como definições abstratas

Olha a diferença. Descrição ruim, que só conceitua:

Projeto: uma meta específica e acionável com prazo definido.
Área: uma responsabilidade contínua sem data final.

Isso é a definição do livro. Bonita, correta e inútil pro modelo, porque não diz o que procurar DENTRO da nota

Agora descrição boa, que aponta pistas textuais:

Projeto
O texto cita uma data, um prazo, uma entrega ou uma sequência de
passos que termina. Aparecem verbos de conclusão (lançar, entregar,
finalizar, publicar, migrar), checklists com itens pendentes ou
referência a um resultado único que, depois de feito, não se repete.

Área
O texto descreve uma responsabilidade que segue rodando sem data de
término: um padrão que a pessoa quer manter, uma rotina, um papel
(saúde, finanças, gestão do time, manutenção do blog). Não há
entregável único nem verbo de conclusão, e sim verbos de manutenção
(acompanhar, manter, revisar periodicamente, monitorar).

Recurso
O texto é material de referência ou interesse: resumo de artigo,
trecho copiado, link salvo, anotação de estudo, receita, snippet.
Não pede ação da pessoa e não descreve responsabilidade dela.

Arquivo
O texto trata de algo encerrado, cancelado ou suspenso: menciona
que terminou, que foi entregue, que não vai mais acontecer, ou é
referente a um período já passado.

Repara que nenhuma dessas descrições fala "segundo o método PARA". Elas falam do que está escrito na nota

O erro comum deste passo: descrever a categoria e não a pista. Se a sua descrição de Área pudesse aparecer num slide de produtividade, provavelmente ela não ajuda o modelo a distinguir nada

4. Inclua sempre uma opção none explícita

A documentação recomenda dar a toda pergunta choice uma opção de none, pra o modelo não ser forçado a escolher algo arbitrário quando nada se encaixa

No PARA isso é ouro, porque metade do seu inbox é fragmento solto, lembrete de três palavras e print sem contexto. Essas notas não são Projeto, não são Área, não são nada: elas são "decide você, humano"

None
Não há sinal suficiente no texto para escolher uma das quatro
categorias: a nota é muito curta, é um fragmento sem contexto ou
mistura assuntos sem foco definido.

O erro comum deste passo: omitir o none e depois reclamar que "tudo virou Recurso". Se você não dá saída, o modelo empurra pro balde mais genérico

5. Leia a resposta: answers pela chave, probabilidade por opção, confiança e usage

A resposta vem com answers organizadas pela chave que você definiu na pergunta, e um bloco usage com o custo daquela chamada

Não olhe só a vencedora. Olhe a distribuição inteira: uma nota com 0,52 em Projeto e 0,44 em Área é uma nota que você mesmo ia demorar dois minutos pra decidir

E olhe o usage de vez em quando, principalmente se você estiver rodando lote em cima de um vault grande

O erro comum deste passo: tratar a confiança como "chance de estar certo". Não é: ela mede o quanto a distribuição de probabilidade está concentrada, e a próxima seção mostra o que dá e o que não dá pra fazer com esse número

O nome exato dos campos do JSON da pergunta choice (como aninhar rótulo e descrição, qual a chave da lista de opções) muda de versão pra versão, então pega o formato literal na documentação do Jev na OpenRouter e cola as descrições de cima dentro dele, beleza?

Quando o Jev confunde Projeto com Área (e como corrigir)

Sintoma: você roda um punhado de notas e percebe que a probabilidade fica rachada entre duas opções, quase sempre Projeto e Área, e a confiança despenca. Às vezes a vencedora muda de uma nota quase idêntica pra outra

Causa: quase sempre uma das duas

1. Suas descrições conceituam em vez de apontar evidência. "Meta acionável" e "responsabilidade contínua" se sobrepõem MUITO em linguagem natural, e o modelo fica sem critério pra separar
2. A nota realmente não tem sinal de prazo. "Melhorar o onboarding do time" é Projeto ou Área? Sem uma data ou um entregável no texto, isso é ambíguo pra você também

Solução: reescreva as descrições com pistas textuais concretas (verbo de conclusão versus verbo de manutenção, data versus recorrência, entregável único versus padrão a manter) e use a confiança como filtro de revisão manual

Aqui entra o dado que dá sustentação a essa estratégia. Num teste de classificação divulgado pela OpenRouter no dataset Banking77, com 3.080 falas, a relação entre confiança e acerto ficou assim:

Olha o tamanho do abismo. A confiança alta concentra quase todo o volume com acerto alto, e a confiança baixa é uma fatia pequena e bagunçada

Traduzindo pro seu vault: manda pra pasta automaticamente o que vier com confiança alta, e joga numa fila de revisão o resto. Você para de revisar 100% das notas e passa a revisar a minoria duvidosa

Mas atenção, e isso é importante: a confiança do Jev mede o quanto a distribuição de probabilidade está concentrada. Ela não é a probabilidade da opção vencedora e não é garantia de acerto no SEU domínio. Os números do Banking77 são de outro dataset, em outro contexto. Use-os como padrão de comportamento, não como promessa

Como prevenir: antes de rodar em lote, pega umas 10 notas que você JÁ sabe classificar (as difíceis, não as óbvias) e roda com as descrições atuais. Se a confiança vier baixa nas que você decide fácil, o problema tá na sua descrição, não no modelo

Onde isso encaixa no seu fluxo de notas

Três jeitos de usar isso de verdade

1. Classificação em lote do backlog. Aquele inbox com centenas de notas soltas que você nunca vai triar na mão. Roda tudo, separa por confiança, revisa só a fila duvidosa. Considerando US$ 0,042 por milhão de tokens de entrada e saída a US$ 0,00, o custo de passar um arquivo morto inteiro pelo modelo é baixo

2. Roteamento na hora da captura. Se você tem uma aplicação própria de captura (bot do Telegram, script de clipping, formulário), a decisão entra no meio do caminho: o texto chega, o Jev decide o destino, a nota já nasce na pasta certa. O tempo de resposta divulgado pela OpenRouter é de 70 a 500 ms de ponta a ponta, o que cabe dentro de uma captura sem o usuário sentir

Esse caso vale principalmente pra notas de estudo e pesquisa, que costumam se acumular como Recurso e nunca mais serem vistas. Se o seu material é acadêmico, tem um post aqui sobre usar manuais de pesquisa como fonte no NotebookLM que resolve o outro lado do problema

3. Cascata por confiança. Esse é o mais interessante pra quem se importa com qualidade E com conta no fim do mês. O padrão: o Jev decide sozinho tudo que vier acima do seu limiar, e um modelo maior revisa só o que ficou abaixo

No mesmo teste do Banking77, o Jev 1.13 sozinho ficou a 3,3 pontos de acurácia do Claude Opus 5. Com a cascata baseada na confiança, a diferença caiu pra 0,4 ponto, por menos de 30% do custo

E se você usa Obsidian e quer ver esse padrão já funcionando, existe o plugin da comunidade Auto Tagger (Jev), que usa o Jev e as tags já existentes no vault pra sugerir ou aplicar uma tag à nota aberta

Ele roda pelo comando Auto-tag current note na paleta de comandos ou pelo ícone de tag na ribbon, lê o título e o começo do corpo, junta as tags mais usadas do vault e faz uma única pergunta do tipo Choice ao Jev. A tag escolhida é aplicada (a não ser que vença a opção None of these fit well) e uma notificação mostra a tag e a confiança. Grava em frontmatter ou como #tag inline, e ele está listado no diretório de plugins da comunidade

Repara que é exatamente a receita deste post: uma pergunta choice, opções com descrição, opção de escape e confiança na saída. A diferença é que ele aplica tag, não move nota entre pastas

Complemento em vídeo: economizando custo com IA

Pra começar do zero na parte de custo, esse vídeo do canal mostra como cortar gasto no uso de IA no dia a dia

Conclusão

Se tu levar uma coisa só daqui, leva essa: o ganho não tá no modelo, tá nas descrições das opções

O Jev te dá o formato (escolha tipada, probabilidade por opção, confiança), mas quem ensina a diferença entre Projeto e Área é o texto que VOCÊ escreve na descrição de cada uma. Evidência observável no texto, nunca definição de manual

Próximo passo, e é bem concreto: abre o Jev Lab, cola três notas reais que você nunca consegue classificar, monta a pergunta choice com as quatro categorias mais o none e vai ajustando as descrições até a confiança subir. Leva uns 15 minutos e você descobre rápido quais pistas o seu jeito de escrever nota realmente deixa no texto

Depois é só levar essas descrições pro código

Ah, e um detalhe pra quem não quer ficar trocando versão na mão: além do typesafe/jev-1.13, lançado em 18/09/2026, existe o alias jev-latest, que aponta sempre pro modelo mais recente da família, com o mesmo preço e a mesma janela de contexto

até o próximo post! 😀