# 我如何学会停止忧郁和爱情概率系统 多数软件仍假定世界会给它干净的投入和稳定的规则 通常生产既不是M.也不是 这篇文章是透过「-」连结的一则讯息, [DiSE 日志](/blog/dise-architecture-overview), [受限制的模糊](/blog/constrained-fuzziness-pattern), [CFMOM :CFMoM](/blog/constrained-mom-mixture-of-models), [减少的RAG](/blog/reduced-rag), [斯泰罗花](/blog/styloflow-signal-driven-workflows), [AI工程公司的十诫](/blog/tencommandments),和 [Stylolot 调制解码器](/blog/botdetection-part2-signature-pipeline-and-stylobot-architecture). 我从一个宏伟的理论开始 .我来到这里, 通过探究工具... ...我觉得很有趣. 建立足够多的系统后, 我不再认为它们是不同的把戏, - 收集微弱信号 - 明确保留不确定性 - 随着时间的推移积累的证据 - 让确定性政策主宰最终行动 这正是我意思的核心 **行为推断系统**. 也解释了为什么这些建筑与代码LLMZ.(LLOM)运作良好的原因, 不是因为LLMA是 @"}情报=",}而是因为这个系统的结构足以进行检查并容易调和#.} **本丛书前情提要** - [使用 DISE 烹饪 (Part _4): 建筑系统来学习\ , 适应\, 和进化](/blog/dise-architecture-overview) - [用于概率构件的控制系统模式](/blog/constrained-fuzziness-pattern) - [限制 Fuzzy MoM: 与Chatter探员的信号合同](/blog/constrained-mom-mixture-of-models) - [受限制的模糊环境拖拉](/blog/constrained-fuzzy-context-dragging) - [停止附加上下文窗口并开始提取信号](/blog/reduced-rag) - [StyloFlow : 受控的模糊信号@- @Driven工作流程](/blog/styloflow-signal-driven-workflows) - [AI工程公司的十诫](/blog/tencommandments) - [签名管道和建筑](/blog/botdetection-part2-signature-pipeline-and-stylobot-architecture) [TOC] --- ## 问题=:}动态环境=MSSK1}部分证据 多数生产系统仍能达到两种坏的默认值之一: 1. 添加更多规则@. @% 2. 添加更大的型号@. @% 当环境变迁时, 两者均可以工作一段时间\.}当环境变换\.} 有多少实际的系统是这个“:” ```mermaid flowchart LR A[Messy Input] --> B[Partial Signals] B --> C[Conflicting Evidence] C --> D[Uncertain Interpretation] D --> E[Need to Act Anyway] style A stroke:#ef4444,stroke-width:2px style E stroke:#22c55e,stroke-width:2px ``` 例如 @: - 检测温度 - 文档提取文件 - 推荐系统 - 观众群表达式 - 欺诈打分 - 适应性工作流程路线 在那些域中 你很少得到一个决定性的事实 . -你得到的碎片 一些有用的东西 这就是为什么我不断回到信号 , 限制 MS K1 和可观察性 如果您想要一个系统来改进 @ ,, 您需要看到它所观测到的@ MS K1 相信什么 @ I, 以及为什么它会采取行动? --- ## Disese: 选择压力下的建筑 重要的一步 [DiSE 日志](/blog/dise-architecture-overview) 不是 "let 一个LLM 更改代码@." 是这个: > 将架构作为选择压力下可能出现的东西处理@, @没有在前面完全已知的#.}fn微软雅黑 DISE 重新设置软件, 从 @ " @ building@ MS K1 @ ship @ MPK2 patch_ "} 到 @ I" @ perceepive{ ,} 评价 @ MASK6 mutate @ MISK7} 选择\ MSKO8} ```mermaid flowchart LR subgraph Traditional["Traditional Software"] T1[Build] --> T2[Ship] --> T3[Patch] end subgraph DiSE["DiSE"] D1[Perceive] --> D2[Evaluate] D2 --> D3[Mutate] D3 --> D4[Select] D4 --> D1 end style Traditional stroke:#ef4444,stroke-width:2px style DiSE stroke:#22c55e,stroke-width:2px ``` 这很重要,因为在许多系统中你事先不知道 : - 哪些探测器会重要? - 证据的结合会维持 - 实际交通流量的阈值 - 哪些昂贵的部件值得运行 所以系统需要空间去探索 . 但光靠探索是不够的 你就能轻易地变换成无稽之谈 就像变成有用的东西一样 --- ## 保持墙壁 [受限制的模糊](/blog/constrained-fuzziness-pattern) 是控制层 阻止整件事转向 mush @.} 规则是简单的@: @% > 概率元件可能提议“;”确定系统决定. ```mermaid flowchart TB I[Input] --> S[Deterministic Substrate] S --> P[Fuzzy Proposer] P --> C{Constrainer} C -->|Pass| O[Output] C -->|Partial| R[Rewrite / Hedge] C -->|Fail| F[Fallback] S -.evidence.-> C style S stroke:#22c55e,stroke-width:3px style P stroke:#f59e0b,stroke-width:3px style C stroke:#ef4444,stroke-width:3px ``` DISE说“" explore}." 受约束的模糊性 ” “" 身处边界边上 ‘." ’ 没有这些边界 , - 超额 - 浮动 - 将不确定性隐藏在流流输出背后 - 成为装入@- @% 包含在他们不应拥有的地方 这就是为什么 [AI工程公司的十诫](/blog/tencommandments) @.@ "LLMs不应拥有状态@",# @MS K3Llms 不能成为侧面的独有原因 @-effectes @MSKO5}和 @MSSK6Never a LLM 来决定可衍生布林安{"不是风格便笺_.}它们对于需要生存的系统来说是操作规则\.} 同样的模式在各地都显示出来。 - 在 RAG, 中,模型合成但不拥有存储或过滤 - 在图像管道中 , 愿景模型提出字幕 但计算事实制约了它们 - 检测器发出证据,但政策本身采取行动 - 在工作流程中的 {,} 元件发出信号,但管弦乐拥有升级和副作用 ```mermaid flowchart LR A[DiSE
Search and Selection] --> B[Constrained Fuzziness
Bounded Proposal] B --> C[Behavioural Inference
Evidence Over Time] style A stroke:#3b82f6,stroke-width:2px style B stroke:#f59e0b,stroke-width:2px style C stroke:#22c55e,stroke-width:2px ``` 把这两个想法放在一起,你会得到一个实用的图案 从虚弱的证据中推导出...",,但使行动可以辨认 并控制\. --- ## 真正的原始信号 这里就是 [减少的RAG](/blog/reduced-rag), [斯泰罗花](/blog/styloflow-signal-driven-workflows)和信号- 合同工作 [CFMOM :CFMoM](/blog/constrained-mom-mixture-of-models) 全部排成一行 @. @% 一旦你停止假装一个模型或规则引擎应该 做所有事情,,有用的原始设计就变成了 **信号讯号**. 良好的信号是: - 要低廉计算 - 可溶性 - 足够具体到物质 - 可审计和可审计的 - 在不确定情况下有用 最重要的是,一个信号是压缩行为 . 它不是整个世界 这是你能保存的部份 ```mermaid flowchart LR R[Raw Reality] --> X[Extraction] X --> S1[Signal] X --> S2[Evidence Pointer] X --> S3[Confidence] S1 --> A[Accumulation] S2 --> A S3 --> A A --> I[Inference] style R stroke:#64748b,stroke-width:2px style A stroke:#3b82f6,stroke-width:2px style I stroke:#22c55e,stroke-width:2px ``` 不同区域发出不同的信号@: @% - :计时 entropy,不可能的头套组合 @,TLS/HTTP不匹配@,爆裂 cadence},签名相似性 - 文档提取@: 字段近地点 @, OCR 信任 @MS K2 表正统性}%,实体密度_,页面布局一致性 - 重复崩溃=,转换意图 - 工作进程系统@:retries @, lantency trapes @MS K2缓存 crn,}路径偏差=,信心衰减 信号允许您从 @ " @ 模型认为@ MS K1 @ 移动到 @ I"# 系统有证据\ ." @ 这就是前进的后退 [减少的RAG](/blog/reduced-rag): 提取信号, 而不是塞入更大的上下文窗口@. 也是进 [斯泰罗花](/blog/styloflow-signal-driven-workflows)@: 校对:Portnoy 一旦信号明确 , 可以问更好的工程问题 - 暗号实际上驱动着决定 - 它们都是吵闹的 ? - 我们的升级速度太早了 ? - 阈值太保守 *?* - 与假阳性有关的模式 - 新的探测器属于何处@ ? @ 这是运输功能和调控机器的区别 . --- ## 行为推断系统 传统系统通常看起来像这个 : ```text Rules -> Decisions ``` 行为推断系统看起来更像此@ : @ ```text Signals -> Evidence accumulation -> Behaviour inference -> Deterministic action ``` ```mermaid flowchart TD subgraph Old["Old Shape"] O1[Rules] --> O2[Decision] end subgraph New["Behavioural Inference Shape"] N1[Signals] N2[Evidence Accumulation] N3[Inference] N4[Policy Action] N1 --> N2 --> N3 --> N4 end style Old stroke:#ef4444,stroke-width:2px style New stroke:#22c55e,stroke-width:2px ``` 这些系统从何而来 ? - 意图 - 异常反常 - 类别 - 结构结构 - 协 调 - 浮动 通常不会得到一个完美的事实 行为通常比身份更容易推导 比身份更容易推导 . 在隐私中重要\-preservation system 和对抗性系统@.你可能不知道什么是 {,但你经常知道它属于哪种类型的行为模式_.} 仅此就足以引导“,”或“.”的升级。 也使得这些系统适合代码LLMZ., 当系统给它们:时它们能做得最好 - 明确边界 - 可观测状态过渡 - 可计量产出 - 本地调频表面 - 重复评价循环 行为推断系统自然暴露了那些东西 --- ## Stylobot 作为一种行为推断系统 [Stylobot 部件 *\ 2\ {} @ info/ plain](/blog/botdetection-part2-signature-pipeline-and-stylobot-architecture) 可能是目前为止最清晰的具体例子 Stylobot不只是一堆探测器 . 它是一种行为推导物 ```mermaid flowchart LR R[Request] --> D[Detector Signals] D --> E[Evidence Aggregation] E --> T[Signature + Temporal Context] T --> I[Behaviour Inference] I --> P[Probability + Confidence + Risk] P --> A[Policy Action] A --> F[Response Feedback] F --> D style D stroke:#3b82f6,stroke-width:2px style T stroke:#8b5cf6,stroke-width:2px style P stroke:#f59e0b,stroke-width:2px style A stroke:#22c55e,stroke-width:2px ``` 管道中的几样东西直接来自先前的工作 ### 1. 检测器层是 DISE-形 没有单一的探测器被假定为足够. 您有一群专业贡献者 提供证据,}随着时间的推移,您学到了哪些能真正帮助"MS K2" 这不是完全自主的进化 , 但它是相同的本能 在压力下得到完善 ### 政策表面的模糊性受限 Stylobot 将概率和信心分开@,}但行动是决定性的 @: - `Allow` - `Throttle` - `Challenge` - `Block` 证据可以是模糊的\. 控制表面无法." ### 3. 签名模式创造行为内存 Stylobot 建构一个多@ - @ vector 签名及时间原因@.} 这已不再是简单的分类@. @ it is memory about actions *% .}这是关于行为的记忆。 ### *4. 推断与执行是分开的 置信度低的概率高不应引发与高度自信高的概率相同的反应*. 系统保持模棱两可,直到有足够证据证明有理由采取更强有力的行动为止。 ### “5.”可观测性使它可以调和。 Stylobot 的设计是为了让您能够检查决定路径中几乎每一个有意义的部分@: @% - 发射的探测器 - 发出哪些信号 - 积累哪些证据 - 哪些签字特征相匹配 - 为什么信心移动 - 早期退出发生地点 - 哪个政策边界触发了行动 这使它成为一个可调时的引擎,而不是一个黑盒子 . ```mermaid flowchart TD S1[Observable Signals] --> S2[Compare Outcomes] S2 --> S3[Tune Thresholds / Weights / Waves] S3 --> S4[Re-run on Traffic] S4 --> S5[Observe Drift / Improvement] S5 --> S1 style S1 stroke:#3b82f6,stroke-width:2px style S3 stroke:#f59e0b,stroke-width:2px style S5 stroke:#22c55e,stroke-width:2px ``` 这个循环正是代码LLM 帮助.}不是通过替换引擎\,}而是通过加快发动机的更改_: 200)} - 添加或改进探测器 - 符号检查 - 曲调阈值 - 重组波序 - 围绕假阳性和误差建立诊断 这只管用,因为这个建筑能观测到足以支持 最初的调试 --- ## 为什么《法典》LLMs公司 有用的转换不是 @"LLMs现在可以写入软件@."}这条线几乎马上变得无聊了 @MS K2{# 重要的是代码LLMS能降低勘探成本 . [RAG于5月公布,](https://arxiv.org/abs/2005.11401)“.Retreival,嵌入搜索”“,信号提取’, 和证据包不是新想法‘. ” 而改变的是,在它们上面的迭代成本 $. 画出20个探测器候选人_, 有线评估用具>,检查讯号覆盖@, 并调控关卡MS K9 多数团队将建立一个设计{, 船}“, 」 然后与他们切下的任何角落生活在一起 代码LLMs改变了该循环的经济学. 他们能帮你做原型 : - 探测器 - 变换 - 合同合同 - 评价员 - 排名制度 - 合成合成试验 - 诊断性意见 - 调频 ```mermaid flowchart LR A[Human Hypothesis] --> B[Code LLM Acceleration] B --> C[More Candidate Signals] C --> D[More Evaluation] D --> E[Better Selection Pressure] E --> F[Stronger Inference System] style B stroke:#8b5cf6,stroke-width:2px style F stroke:#22c55e,stroke-width:2px ``` LLM不需要成为战略上有用的决策者 @. @它能让设计#-_space探索更便宜@.} 但先前的规则仍然适用 : - LLM 并不拥有国家 - LLM 不具有副作用 - LLM 无法重新定义真相 - 定点基质仍然是基质 因为他们加快了搜索和调试... ...","不是因为他们取消了对建筑的需求吗? --- ## 横跨其他系统 同样的形状一直显示在 @. @% ### 减少的RAG 内 [减少的RAG](/blog/reduced-rag), 你在摄入时提取确定性信号 MS K1单独存储证据 , 让LLM从捆绑的证据包中合成 不是“"”而是将模型的一切和希望都化为样板。 希望." 提取第一个, 限制表层@," ,并从证据中合成=.} ### 更清晰 斯泰洛博特在一段时间内根据请求推断行为的行为 `lucidRAG` 来自多式证据的推论意指 :文档结构 *, OCR信任*,实体图形=%,排序信号@,}来源质量_, dedusition. 不同的基质@.}相同的形状 @ . ```mermaid flowchart LR subgraph Stylobot["Stylobot"] SB1[Request Signals] SB2[Temporal Evidence] SB3[Behaviour Inference] SB4[Policy Action] SB1 --> SB2 --> SB3 --> SB4 end subgraph LucidRAG["lucidRAG"] LR1[Content Signals] LR2[Evidence + Retrieval] LR3[Meaning Inference] LR4[Bounded Synthesis] LR1 --> LR2 --> LR3 --> LR4 end style Stylobot stroke:#3b82f6,stroke-width:2px style LucidRAG stroke:#22c55e,stroke-width:2px ``` “"app." ”两者都是不同投入的推论引擎“. ### CFMOM :CFMoM 内 [限制的模糊MOM](/blog/constrained-mom-mixture-of-models),多个概率构件可以提议,,但是它们通过打字信号和确定性逻辑进行沟通,决定什么能活下来。 这是多-模范协调 而不投降控制 ### 环境拖累 内 [受限制的模糊环境拖拉](/blog/constrained-fuzzy-context-dragging)“,”这个系统保持连接的内存,并保存上下文中重要部分足够长的时间供日后解释。”“.” 推论需要时间@. 上下文拖曳提供时间而不让内存生长而没有约束 @. ### 斯泰罗花 内 [斯泰罗花](/blog/styloflow-signal-driven-workflows)“,”组件不直接互相呼唤“. ”它们发出信号“MS K2 ”并对这些信号及其信任做出协调反应“MSC3 ” 这是适用于工作流程基础设施的行为推论 . “"Behaviora conference systems "是比“"Agentic System @"”或“MS K4LLM appsMAK5”更好的伞, 它描述的是建筑而不是营销包装纸@.# --- ## 设计规则 如果我不得不把整条线 压缩成几条规则 1. **不要混淆流利输出与系统知识@. @%** 2. **提取早期信号@. @%** 3. **保存不确定性的时间长于感觉舒适的 .** 4. **即使推论是概率的 . 也保持行动确定性** 5. **保存证据指针 @,}不只是摘要@.** 6. **让各构件提议 @;}不要任由他们自 己#-}授权@.** 7. **将时间作为真理的一部分处理@. @%** 8. **使用 LLM 探索设计空间@ , @ 不替换建筑_ .** 9. **构建您可以调控的引擎@ , @ 不只是配置像 App.} *** 这些规则的规范性版本是: [AI工程公司的十诫](/blog/tencommandments). 这篇文章是建筑版的 . ```mermaid flowchart LR A[Ten Commandments] --> B[Architectural Constraints] B --> C[Behavioural Inference Systems] C --> D[Tuneable Engines] style A stroke:#8b5cf6,stroke-width:2px style B stroke:#ef4444,stroke-width:2px style C stroke:#22c55e,stroke-width:2px style D stroke:#3b82f6,stroke-width:2px ``` ```mermaid mindmap root((Behavioural Inference)) DiSE Search Mutation Selection Constrained Fuzziness Substrate Proposer Constrainer Signals Evidence Confidence Provenance Time Memory Drift Temporal Context Action Policy Thresholds Deterministic Boundaries ``` --- ## 为何如此重要 生产中幸存下来的人工智能系统通常不是巨型自发软体 它们也不是无穷无尽的规则 . 这些系统就是 : - 收集狭窄的信号 - 随着时间的推移积累的证据 - 诚实地保留含糊不清之处 - 暴露于确定性控制表面 - 保持可检查的状态,足以发展 这是比"更好的工程故事 模型更聪明 模型将改善#.+Fine@.+Bructure仍然能决定一个系统是否可调试\,+Q审计},+Q廉价运行{,+Q安全进化},+和在对抗压力下坚固 行为推断系统认真对待这些制约因素 --- ## 结束式思考 在事后的观察中 线条看似明显 ```mermaid flowchart LR D[DiSE
Explore and Select] --> CF[Constrained Fuzziness
Bound the Uncertain] CF --> BI[Behavioural Inference Systems
Infer from Weak Signals] BI --> ST[Stylobot / Reduced RAG / StyloFlow
Working Architectures] style D stroke:#3b82f6,stroke-width:2px style CF stroke:#f59e0b,stroke-width:2px style BI stroke:#22c55e,stroke-width:2px style ST stroke:#8b5cf6,stroke-width:2px ``` DISE给了我一种思考 建筑搜索的方法 受困的模糊让我得以将概率组件 保存在清晰的边界内 当这些想法被迫维持生产时,行为推断系统就成了你得到的结果 . Stylobot 仅仅是目前的例子@. @ 一旦你开始将系统视为确定性动作表面的证据积累器 , 很多现代软件不再像 @"}=Ai type" 并开始在不同域中看起来相同模式 {.