Nota fugaz ou permanente? Como usar o Jev para decidir o que promover no Zettelkasten

Fala aí, beleza? Se você mantém um Zettelkasten, já sabe qual é o gargalo: a caixa de entrada de notas fugazes cresce muito mais rápido que a sua capacidade de revisar

Você captura no celular, no meio da reunião, no meio de um vídeo

E aí junta 300 fragmentos que ninguém nunca vai olhar de novo 😅

O Jev entra exatamente aqui, e ele é um bicho diferente do que você está acostumado. Não é um LLM que escreve pra você: é o primeiro modelo público da classe System One da TypeSafe AI, que recebe um estado e perguntas tipadas e devolve decisões tipadas com probabilidades calibradas e confiança

Zero geração de string

Ou seja: ele não reescreve sua nota, ele VOTA sobre ela

E é essa a tese deste post: numa promoção de nota fugaz para nota permanente, a máquina vota e você promove. Automatizar cego aqui é péssima ideia, e eu vou te mostrar o porquê

O que você precisa antes de começar

São duas frentes, e a conceitual vem primeiro (sem ela, o resto é firula técnica)

A parte conceitual: os três tipos de nota

O Zettelkasten é aquele velho método de fichário do Niklas Luhmann, e a divisão em três tipos de nota foi sistematizada depois por Sönke Ahrens

Os três tipos, resumindo:

• Nota fugaz: captura crua, o rascunho do pensamento
• Nota de literatura: suas palavras sobre o que você leu
• Nota permanente: ideia atômica, na sua voz, ligada ao que já existe no vault, escrita como se fosse pra publicação

Presta atenção no que define a permanente, porque isso vira critério depois: atômica, na sua voz, ligada, publicável

Se você não consegue escrever esses critérios em uma frase cada, o Jev não vai adivinhar 🙂

Curso Recomendado

Curso de Jev: Sistemas Mais Inteligentes, Rápidos e Robustos

Desenvolva sistemas mais inteligentes, rápidos e robustos com Jev

Conhecer curso

A parte técnica: acesso ao Jev

Aqui tem um detalhe importante de estado atual. A TypeSafe abriu cadastro direto pra qualquer pessoa em 20 de setembro de 2026 e pausou novos cadastros em 22 de setembro de 2026, sem data de reabertura anunciada

Contas já criadas seguem funcionando normal

Então, antes de montar seu fluxo, confere o estado do cadastro. Não conta com acesso direto como garantido

As alternativas pra chamar o modelo:

• OpenRouter: quem já tem chave do OpenRouter pode chamar typesafe/jev-1.13 ou o alias ~typesafe/jev-latest, com a cobrança caindo na conta do OpenRouter. Hospedado por um provedor único (a própria TypeSafe), sem decisão de roteamento no meio
• Vercel AI Gateway: o Jev também está listado lá, com página de modelo, preço e playground

Sobre custo: o preço de lista do Jev é de US$ 0,042 por 1 milhão de tokens de entrada, com tokens de saída gratuitos. Latência ponta a ponta informada pela TypeSafe: de 70 ms a 500 ms

Pra triagem de vault isso é barato de um jeito quase indecente

E se você vai codar: existe SDK Python oficial, que lê a variável de ambiente TYPESAFE_API_KEY, chama jev-latest por padrão e exige Python 3.10 ou superior (você importa Choice, Noul, Score e TypeSafeClient)

Quem preferir chamada direta manda um POST pra https://api.typesafe.ai/v1/systemone

Choice, Score ou Noul: qual primitiva serve para cada critério de promoção

O Jev expõe três primitivas, ou seja, três tipos de pergunta. E o pulo do gato é casar cada critério do seu Zettelkasten com a primitiva certa

Se você conhece tipagem em linguagem estática, a analogia é essa mesmo: você declara o TIPO da resposta que quer, e o modelo é obrigado a responder dentro daquele formato

E tem uma coisa MUITO massa: os três tipos podem ser misturados numa única chamada de API. As respostas voltam sob as mesmas chaves que você nomeou

A TypeSafe afirma que batelar várias perguntas na mesma chamada sai 12,2x mais barato e 10,0x mais rápido, sem mudar as respostas

Ou seja: não tem motivo pra fazer três requisições

Passo a passo: montando a decisão de promoção com o Jev

Bora ver na prática?

1. Escreva seus critérios de promoção em português, antes de tocar em código

Uma frase por critério. Exemplo: "a nota afirma algo que eu concluí, não o que o autor concluiu", "a nota trata de uma ideia só", "a nota cita pelo menos uma nota que já existe no vault"

O erro comum deste passo: pular ele e ir direto pro código. Se o critério está vago na sua cabeça, a pergunta sai vaga e a resposta vem lixo

2. Monte o state com o conteúdo da nota fugaz

O state é o conteúdo a avaliar. Pode ser uma string simples pra texto, ou um objeto/array pra dados estruturados (útil se você quiser mandar junto a lista de links que já existem no vault, por exemplo)

O erro comum deste passo: nota gigante. O jev-1.13 está listado com janela de contexto de 32.000 tokens, então se você joga uma nota de literatura de 40 páginas inteira ali dentro, vai estourar. Corta pelo trecho relevante

3. Declare o mapa de questions, com chaves nomeadas por você

Aqui você mistura as três primitivas na mesma chamada. As chaves são suas, e é sob elas que a resposta volta

{
  "state": "conteudo da nota fugaz aqui, em markdown mesmo",
  "model": "jev-latest",
  "questions": {
    "eh_ideia_propria": { "...Noul: pergunta sim/nao..." },
    "maturidade": { "...Score: niveis ordenados e descritivos..." },
    "tipo_de_nota": { "...Choice: fugaz | literatura | permanente..." }
  }
}

O formato exato de cada objeto Question (as opções do Choice, os níveis do Score, a pergunta do Noul) está na documentação de primitivas, inclusive os limites: Choice aceita no máximo 255 opções, Score exige no mínimo 2 e aceita até 10 níveis

O erro comum deste passo: níveis de Score genéricos tipo "baixo, médio, alto". Os níveis precisam ser descritivos, dizendo o que caracteriza cada degrau

4. Envie a requisição

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d @promocao.json

O endpoint avalia um state contra o mapa de perguntas tipadas e retorna uma resposta por pergunta

Quem for de Python usa o SDK, que já resolve autenticação pela variável TYPESAFE_API_KEY e aponta pra jev-latest por padrão

O erro comum deste passo: esquecer o header Content-Type: application/json, ou deixar a chave hardcoded no script que você vai commitar 🙃

5. Leia probabilidade e confiança, e defina suas faixas

Esse é o passo que separa fluxo sério de brinquedo. A resposta inclui confiança justamente pro código decidir quando agir e quando escalar pra uma pessoa ou pra um modelo de raciocínio

Três faixas resolvem a vida:

• confiança alta e voto "permanente": vai pra sua fila de promoção manual
• confiança baixa, ou voto no meio: vai pra fila de revisão, com prioridade
• confiança alta e voto "fugaz": deixa quieto no inbox

Essa lógica de cortar por confiança é a mesma que aparece quando você usa o Jev pra qualificar e priorizar leads no funil: o modelo não decide, ele ordena a sua fila

O erro comum deste passo: tratar a probabilidade como se fosse sentença. Ela é entrada pro SEU critério, não substituto dele

6. Revise a fila por ordem de confiança

Começa pelas mais duvidosas, não pelas mais óbvias. As óbvias você resolve em 2 segundos depois

O erro comum deste passo: revisar por data. Ordem de confiança é o que faz você gastar atenção onde ela rende

Quando a sugestão do Jev erra: sintomas, causas e como prevenir

A TypeSafe publica uma documentação de jaggedness do jev-1.13, que é basicamente a lista oficial de onde o modelo é fraco

Isso é raro e é muito massa de ter. Vamos usar ela pra prever seus problemas

Sintoma: nota claramente madura levando score baixo

Causa: o Jev responde a pergunta que você ESCREVEU, não a que você quis dizer. Palavras de escopo, negações e condições implícitas são lidas ao pé da letra

Se sua pergunta foi "esta nota não depende de contexto externo?", a negação já é um convite pra confusão

Como prevenir: reescreve em afirmativa e num escopo só. Uma pergunta, uma coisa. Se você precisa de duas condições, faz dois Noul separados (estão na mesma chamada de qualquer jeito, então não custa quase nada)

Sintoma: seu "índice de maturidade" não bate com nada

Acontece quando a pessoa tenta interpolar os níveis de Score pra reconstruir um número exato, tipo transformar um "nível 3 de 5" numa porcentagem de maturidade

Causa: a calibração numérica entre níveis de Score é fraca, e a doc é explícita que o Score não serve pra reconstruir número exato por interpolação. O modelo também tem dificuldade em tarefas que exigem precisão numérica ou níveis extras de indireção

Como prevenir: usa o Score pra ORDENAR, não pra medir. Ele é um ranqueador de fila, não um termômetro

Sintoma: a nota argumenta pela própria classificação e o Jev compra

Esse é sorrateiro. Você tem uma nota fugaz que começa com "esta é uma ideia original e importante, deve ir pro permanente" (você mesmo escreveu isso no impulso, meses atrás)

Causa: o Jev trata o state como dado, não como hostil por padrão. Conteúdo adversarial (instrução injetada, enquadramento enganoso, texto que argumenta pela própria classificação) pode mover a resposta

No seu vault isso é acidente, não ataque. Mas se você estiver processando texto que veio de fora, aí o assunto vira sério mesmo e vale olhar como se faz detecção de jailbreak antes do LLM responder

Como prevenir: normaliza o state antes, tirando metanotas suas sobre a própria nota. E quando bater essa cara, escala pra humano

Por que aqui revisar vale mais que automatizar

Agora o ponto do post

Mover arquivo é reversível. Renomear tag é reversível

Promover nota fugaz para permanente não é uma operação de arquivo, é uma afirmação sua: você está dizendo "eu penso isso, e isso se conecta com aquilo"

Se a máquina promove sozinha, você acaba com um vault cheio de ideias que não são suas e de ligações que você nunca fez. O grafo fica bonito e vazio

Tome cuidado! Esse é o tipo de dívida que só aparece seis meses depois, quando você vai escrever algo e descobre que não lembra de metade do que "pensou" 😬

Por isso o desenho é esse: Jev vota e ordena, você promove e escreve

Como isso se encaixa em ferramentas que já existem no Obsidian

Não quer escrever código do zero? Já tem gente da comunidade construindo em cima do Jev

Importante: tudo que existe hoje é de comunidade, não tem plugin oficial da TypeSafe pra Obsidian

E repara como quase todos eles respeitam a linha entre sugerir e agir:

• Jevault: plugin desktop que sugere pastas de destino usando a estrutura de pastas que JÁ existe no seu vault mais o Jev, e devolve sugestões ranqueadas. Ele nunca move nota automaticamente: exige que você selecione a sugestão e confirme o movimento na mão. A chave da TypeSafe é configurada via secret do Obsidian, e o plugin guarda só o NOME do secret nas configurações (a orientação é justamente não colar a chave em config comum de plugin nem em arquivo do repositório). Repositório mantido por taichocop
• Auto Tagger (Jev): sugere ou aplica uma tag na nota atual, usando o conjunto de tags que já existe no vault. Ou seja, ele trabalha dentro do seu vocabulário, não inventa taxonomia nova
• jev-the-janitor: faxina pra vault markdown, do kylehovance-ai, e o desenho aqui é o mais próximo do que eu descrevi no passo a passo. O Jev vota, o código arquiva, e nada é movido (mover nota quebraria o grafo), nada é escrito sem passar a flag. A flag --review-pile FILE grava as notas encaminhadas pra humano (marcadas needs_review com suggested_bucket, ou em quarentena) como lista markdown de wikilinks, com sugestão, confiança e margem por linha. E dá pra blindar nota: colocando locked: true sob janitor: na nota, varreduras futuras pulam ela. A configuração parte do janitor.toml.example
• obsidian-note-filer: do someka-vrc, categoriza notas com o Jev e move pra pastas seguindo uma taxonomia padrão. Fica aqui como contraponto mais agressivo: se o que você quer é organização de arquivo e não decisão epistêmica, faz sentido. Pra promoção de nota, eu pensaria duas vezes

A pilha de revisão do jev-the-janitor é, pra mim, o formato mais interessante do lote: uma lista markdown ordenada, com margem e confiança visíveis, que você percorre tomando as decisões você mesmo

É literalmente "a máquina vota, você promove" em arquivo de texto

Vídeo: IA lendo o seu material e devolvendo estrutura

Pra pegar o espírito da coisa antes de montar seu fluxo, esse vídeo do canal mostra uma skill que faz a IA ler um código e desenhar a arquitetura sozinha, com o Archify

É a mesma dinâmica de fundo: a IA varre o acervo, devolve estrutura, e você revisa o resultado

Conclusão

O critério de promoção é seu, sempre. O Jev só acelera a triagem e te diz o quanto ele está seguro de cada voto

Seu próximo passo é bem concreto:

1. Escreve seus três critérios de promoção, uma frase cada
2. Transforma eles num Noul, num Score e num Choice, na MESMA chamada
3. Roda em 20 notas fugazes do seu inbox
4. Compara com o que você mesmo decidiria

Se bater, você ganhou um triador. Se não bater, o problema quase sempre está na pergunta que você escreveu, não no modelo

Contexto de novidade, só pra situar: a TypeSafe AI saiu do stealth em 15 de setembro de 2026 apresentando o Jev, com US$ 40 milhões de investimento (rodada seed liderada pela DCVC, segundo a fonte), e descreve o treino como Reinforcement Learning for Calibrated Decisions (RLCD), com arquitetura própria e sampler paralelo. A empresa afirma inteligência comparável a LLMs em tarefas System One sendo duas ordens de magnitude mais rápida e eficiente

A versão jev-1.13 saiu em 18 de setembro de 2026

É coisa MUITO nova, então confere o estado do cadastro antes de contar com acesso direto, e se precisar, vai pelo OpenRouter

Espero que ajude a limpar aquele inbox de 300 notas 😀

Até o próximo post!