概要
確率的な判断（noul/choice/score）を返すLLMモデル「Jev」の実測データに基づき、適合する問題のパターン（列挙可能な選択肢、低コスト全件処理）と不適合な領域を明確化したガイド。
詳細内容
Jevは文字列生成ではなく、型付きの確率判断に特化したモデルです。本ドキュメントでは、その適合性を「問題の形」に基づいて分類しています。
### 向いているケース（Fit）
- **選択肢の列挙が可能な判断:** MOBAの行動選択やチェスの合法手など、不正な答えを表現不能にできるケース。
- **順序のある判定:** 重要度（severity）や許可レベルの多段階評価。
- **1つの状態に対する並列判定（Fan-out）:** ファイル全体やチーム全体の視界に対し、複数の判断を同時に行う処理。
- **低コスト・高速性が求められる全件スキャン:** 1関数あたり$0.000017、数百msという性能を活かし、サンプリングではなく全数検査を行う用途。
### 向いていないケース（Unfit）
- **文字列生成:** そもそも文字列を返さない設計のため、クエリ生成などは不可。
- **深層的なAPI知識が必要な判定:** 特定の言語仕様やAPIの挙動（.sort()のデフォルト挙動など）に依存する判断は、Linterやテストの領域であり、Jevは苦手とする。
- **計算や閾値の境界:** 1行のコードで書ける規則や、微細な入力差で結果が反転する境界域の自動化。
結論として、Jevは「コードが自己の契約と矛盾しているか」という論理的整合性の読み取りに強みを持ち、既存の静的解析を補完する役割に適しています。