# begränsad otydlighet : Ett kontrollsystemsmönster för sannolikhetskomponenter ## Det mönster som kom fram Det började med min blogg [översättningsverktyg](/blog/fire-and-dont-quite-forget-ephemeral-execution). Cachet bevarade bara ♫ 5 ♫ uppgifter per användare ♫ МSK2 ♫ med ♫6- ♫ timmar av absolut och ♫ De flesta utvecklare skulle se dessa som begränsningar för att arbeta kring. Men kasken blev *själv-tvättande* och *själv-specialiserande*. Den bevarade vad användaren behövde och glömde vad de inte gjorde. *var* systemet. Jag extraherade det primitiva till [Mostlylucid.Ephemeral](https://github.com/scottgal/mostlylucid.atoms): begränsad samspelning , glittrande utgångsdatum M SK2 signal -baserad koordinering mellan aktiviteterna MSC4 Samma idé generaliserade Pattern visade sig hela tiden. I [DiSE](/blog/dise-architecture-overview), LLM utvecklar koden , men enhetens tester och kvalitetkontroller bestämmer vad som överlever M SK2 LL: n föreslår [Bot-detektor](/blog/learning-lrus-when-capacity-makes-systems-better), känseldetektorer får poäng till målsättningar , men policyschwellor tvingar till slutsatsen, . i kundenintelligens, , LLM genererar beteendesegment, M SK4 men mätte mätvärden begränsar vad de kan påstå Fyra system . Samma form. Begränsningen är alltid läraren En begränsning förvandlar tvetydighet till en tvingad val. *resurser* (, storlek, ,, tid, ,, kostnad, M SK3, ibland ' *epistemiska* ( bevis ```mermaid flowchart LR subgraph Constraint["The Constraint (Primitive)"] C1[Constrained Size] C2[Sliding Expiration] end subgraph Emergence["Emergent Behavior"] E1[Selective Forgetting] E2[Focus on Relevance] E3[Self-Optimization] end C1 --> E1 C2 --> E1 E1 --> E2 E2 --> E3 style Constraint stroke:#ef4444,stroke-width:2px style Emergence stroke:#22c55e,stroke-width:2px ``` Detta är grundinsikten [Semantisk intelligens](/blog/semantidintelligence-part1) och [DiSE (Inriktad syntetisk evolution)](/blog/dise-architecture-overview): **Begränsningar don't limitera intelligensen . Begränsande *skapa ett användbart beteende* i system som annars driftar** LRU-skiffern under tryck . LLM begränsad av beräknings fakta. Heuristiska modell begränsade av policyschwellor. Varje begränsning tvingar systemet att fatta beslutMSC3 Dessa beslut skapar urvaltrycketM SK4 | System ♫ | ♫ Begränsning ♫( ♫ Primitiv ♫ |--------|----------------------|-------------------| | LRU Cache | | | Storleksgränsen |+ | Ruttrande utgång | МSK3 | glömmer irrelevanta mönster | | LLM sammanfattare | Det måste citera källskivor ♫ | ♫ Kan ♫ ' ♫ hallucinera osupporterade påståenden ♫ | Bot Detector | Politiska tröskeln | | (0.3/0.95) | Skrattar bara när det är verkligt osäkra | | Image Captioner | Beräknad färgpalette | Kan m' uppfinna färger som inte finns M' existerar Samma mönster --- > **TL;DR**: Låt probabilistiska modeller *föreslå*; låter deterministiska system *bestämma*. Beräkna fakta som du kan bedöma , låta AI tolka dem , och sedan validera varje påstående mot de fakta som är bevisade --- ### Pattern Kaart | | | |---|---| | **Intens** | Använd sannolikhetskomponenter säkrat i system med riktiga garantera | | **Krafter** | Höga - varierande utgångspunkter , tystna misslyckanden M SK3 begränsad databeräkningar | **Lösningen** | Aggregat | | fakta | МSK2 | → | författaren |( | osäkerhet | ) |→ | motverkare | | validera | SMK8 | skriva om | SKS9 | budget | MVK10 | SVK11 | utfall | VMK12 | fallback | MMK13 | **Konsequenser** | Mer ingenjörskonst i förspetsningen ; dramatiskt säkrare utveckling och operationer **Vad får du:** - Klarare misslyckande former ( nedbrytna utgångar med revīzijasspår , inte tyst korruption - Säkerare evolution ( omvandla förslaget fria ♫ ♫ ; ♫ hindren fångar fel ♫ - Modell-agnostik arkitektur M SK1swap 7B för gränsen utan strukturella förändringar) **Vad det kostar:** - Mer röra framifrån : du bygger bevisutvinning och mätningar innan du ser vinsten --- ## Begränsad otydighet Begränsat här betyder **begränsat**: hårda gränser som tillämpas mekaniskt snarare än genom att förhandlas med hjälp av instruktioner, . budgetar, M SK2, invarianter, ,, och konstrainer, (, validera, ♫ +, omskriva dörrarna igen, ), som fysiskt förhindrar överskridande, MSC7, inte ", vissa bevakningsvägar, МSK9 eller ", de bästa,-, ansträngning av kraften, Efter att ha byggt system i väldigt olika områden (document Summarization, bildanalysM SK2 botdetektorn , dataqueryingMSC4 så fortsatte den här arkitekturen att framträda ```mermaid flowchart TB subgraph Input I[Input Data] end subgraph Truth["Deterministic Substrate (Truth Layer)"] T1[Compute Facts] T2[Extract Evidence] T3[Calculate Metrics] end subgraph Fuzzy["Fuzzy Proposer (Creativity Layer)"] F1[Generate Proposals] F2[Score/Rank] F3[Synthesize Output] end subgraph Constrain["Constrainer (Contract Layer)"] B1{Acceptable?} B2[Rewrite/Hedge] B3[Enforce Limits] end subgraph Output O[Constrained Result] D[Degraded Fallback] end I --> T1 --> T2 --> T3 T3 --> F1 --> F2 --> F3 F3 --> B1 B1 -->|"Full"| B3 --> O B1 -->|"Partial"| B2 --> B3 B1 -->|"None"| D T3 -.->|"Evidence"| B1 style Truth stroke:#22c55e,stroke-width:3px style Fuzzy stroke:#f59e0b,stroke-width:3px style Constrain stroke:#ef4444,stroke-width:3px ``` Kerninsikten: **låta sannolikhetskomponenterna föreslå ",", men aldrig låta dem bestämma**. Använd dem för vad de är bra på Vad som gör detta mönster kraftfullt är dess flexibilitet. - En LLM som genererar sammanfattningar av naturliga språk - En heuristisk modell med lärde vikter som ger en robot sannolikhet att få poäng - Ett synmodell som föreslår bildcaptioner - En samling svaga klassificerer som röstar på ett beslut Architekturen är densamma. Bara komponenterna ändras. ## Problemet: Begränsade system misslyckas tyst Utan begränsningar, misslyckas probabilistiska system på sätt som är svåra att upptäcka och omöjligt att förhindra ```mermaid flowchart LR subgraph Unconstrained["❌ Unconstrained System"] U1[Input] --> U2[LLM/Model] U2 --> U3[Output] end subgraph Constrained["✓ Constrained System"] B1[Input] --> B2[Compute Facts] B2 --> B3[LLM/Model] B3 --> B4{Validate} B4 -->|Pass| B5[Output] B4 -->|Fail| B6[Fallback] end style Unconstrained stroke:#ef4444,stroke-width:2px style Constrained stroke:#22c55e,stroke-width:2px ``` **Oändliga avbrottsmodi:** - LLM beskriver colors som inte existerar i bilden - sammanfattningar citerar fakta som inte dyker upp någonstans i källmaterialet - Bot-detektorresultat fluktuerar enormt baserat på orelevanta signaler - En lärd heuristisk drift när trafikbilder förändras och tyst blockerar legitima användare - SQL-sökningar inkluderar UPDATE och DELETE-uttalande när du bara ville läsa - kostnaderna spiraliserar när marginalfall konsumerar oändliga resurser Instinkt är att lägga till mer uppmuntrande, mer exempel, mer mjuka bevakningsvägar, . Men sannolikhetssystem kan inte lita på att de respekterar mjuka gränser. ## De tio budorden Pattern kristalliserades till [operationella regler](/blog/tencommandments) som koderifierar begränsad fuzziness (selekteradM SK1 | Kommandot | Begränsad fuzziness översättning |-------------|------------------------------| | **I. LLMs ska inte äga stat** | Staten lever i substratet , inte som förespråkare | | **II. LLMs ska inte vara den enda orsaken till** | Konstrainern lovar ; som LLM föreslog | **IV. Använd LLM där sannolikheten är accepterad** | Klassifiering, sammanfattningM SK2 klassificering | **V. Säg aldrig till en LLM att bestämma om en deribar booleer** | Om du kan beräkna det, beräknat det. | **VIII. Demotera LLM till rådgivaren , inte agent** | Förespråkare, inte beslutare | Belöningen **du behöver inga gränsmodeller**. En liten lokal LLM på handelshardware blir en kraft multiplikator när den gör klassificering och hypotes generation, ,, utan att låtsas vara en databas eller statmaskin. ## Kontrolteorins koppling Pattern har djupa rötter i **kontrollteori**: den administratör som begränsar en hög förändringsprocess ``` Classical Control: Steam Engine → Governor → Constrained Speed Constrained Fuzziness: LLM/Heuristic → Constrainer → Constrained Output ``` Du får inte motorn att explodera. Du hindrar den fysiskt. **Förknippade verk** för den akademiskt riktade: - Herbert Simon's [begränsad rationalitet](https://en.wikipedia.org/wiki/Bounded_rationality) - beslut - "[En övergripande undersökning av RAG](https://arxiv.org/abs/2410.12837)" (2024) | | - | sökning | - | ökade gener - Mitchell's | " | Behovet av fördomar i lärande Generaliseringar | | " | ## Vad sägs om Frontier-modeller? Den uppenbara motsägelsen, men GPT, skulle vara så bra att dessa begränsningar skulle klara sig. Kanske. Frontier-modeller *kan* papper över många luckor som mindre system exponerar. Men "färre än vanligt " är inte Den [små modeller artikel](/blog/small-models-not-budget-option) utforskar detta i djupet, men den grundläggande insikten är **gränsmodeller misslyckas annorlunda, inte mindre**. Deras misslyckanden är semantiska snarare än strukturella. *svårare* att upptäcka Mer viktigt: **prompt engineering kan inte ersätta ingenjörskonst**. Oavsett hur bra modellen blir , kvarstår dessa problem | Problemet | Varför kan prompting lösa det? |---------|---------------------------| | Stadsstyrning | Modeller har ingen uthärdlig minne över samtalen | | Nebeneffekter | Modeller kan rekommendera handlingar men kan inte garantiera Execution | Vridbarhet | | " | Modellet sade så | " | är inte ett accepterat auditspår | Determinism | Samma prompt kan generera olika utgångar | kostnaderna i skala | | | Per |- | prismönster med volym | МSK3 Även om en gränsmodell skulle kunna pålitligt producera rätt utgång 99.9% av tiden , behöver du fortfarande - Validering för att fånga 0.1% - Fallbacks när validering misslyckas - Att logga in för att förstå vad som hände - Metrik för att spåra drift över tid Att "'" är konstrainerlayern, ".", Du , ' , bygger den ändå. Skillnaden är huruvida du bygger den *före* misslyckanden lär dig varför det är viktigt *efter*. Konsträngd Fuzziness säger: :, bygg den först , ., så blir modellens storlek ett tillvägagångsval, ,, inte en arkitektonisk modell, .. Ett 7, B-modell med bra begränsningar presterar ofta bättre än ett gränsmodell med dåliga begränsingar, Modellvalsförändringar *hur ofta* du träffar konstrainern. ## Implementering av begränsad fuzziness ### 1. Definiera dina invarianter Vad måste **aldrig** ska överträdas? ```csharp public class SummaryInvariants { public bool ValidateSummary(Summary summary, SourceDocument source) { // No claims without evidence pointers (e.g., "[chunk-3]" must exist in source) if (summary.Claims.Any(c => !source.ChunkIds.Contains(c.EvidenceChunkId))) return false; // No color assertions unless we computed a palette from the image if (summary.ColorClaims.Any() && !source.HasComputedPalette) return false; // No PII in output if (PiiDetector.ContainsPii(summary.Text)) return false; return true; } } ``` De vanliga invarianterna är:: - Inga påståenden utan bevissfoster - Inga färger förutom de kommer från paletsstatistiker - Ingen PII-utsläpp - Inga skrivningar, bara läsad- endast SQL - Ingen identitets-attribution om inte det är explicitt grundat ### 2. ordnar hårda budgeter Vad måste **alltid** vara begränsad? ```csharp public record ProcessingBudget( int MaxContextTokens = 4000, int MaxModelCalls = 5, TimeSpan MaxLatency = default, // e.g., 30 seconds int MaxVramMb = 2048, decimal MaxCostUsd = 0.10m ) { public ProcessingBudget() : this(MaxLatency: TimeSpan.FromSeconds(30)) { } } ``` Budjetet är inte en föreställning, det är en strömbrytare. När det överskrids, så bryts systemet graciöst, istället för att fortsätta smälta resurserna. ### 3. Att bygga dina grindsorter Konstrainern rejecterar inte bara *omskriver* övertygade utgångar till riskfyllda deklarationer | (" | | möjligen ", | МSK2 | osäkerhet ", |" | baserat på tillgängliga bevis "), | eller tar bort helt osupporterade påståenden . | Omskrivandet bevarar signalen medan övertygelsen elimineras , | håller systemen användbara under osäkerhet istället för britta | vanliga trepunktstrainer du kommer att återanvända över olika system **Schema-grind**: JSON-schemat + typsvalidation ```csharp public class SchemaGate { public (bool Valid, T? Result, string? Error) Validate(string json) { try { var result = JsonSerializer.Deserialize(json, _options); return (true, result, null); } catch (JsonException ex) { return (false, default, ex.Message); } } } ``` **Evidence Gate**: Varje claim måste länka till källskivor ```csharp public class EvidenceGate { public Summary EnforceEvidence(Summary proposed, IReadOnlySet sourceChunkIds) { // Keep only claims that reference chunks we actually have var validClaims = proposed.Claims .Where(claim => sourceChunkIds.Contains(claim.EvidenceChunkId)) .ToList(); return proposed with { Claims = validClaims }; } } ``` **Politiska grinden**: Privatsphäre **Budgetgate**: tid **Omskriv gaten igen**: Omvandla påståenden till riskfyllda deklarationer ### 4. Definiera felbehandling När den otydliga delen misslyckas, don ' inte kraschar. Degrader ```csharp public async Task SummarizeWithFallback(Document doc) { try { var proposed = await _llm.GenerateSummary(doc); var constrained = _constrainer.Enforce(proposed, doc); if (constrained.Claims.Count > 0) return SummaryResult.Success(constrained); // LLM output was entirely invalid. Fall back to extractive return SummaryResult.Degraded( _extractiveSummarizer.Summarize(doc), reason: "LLM claims failed validation"); } catch (BudgetExceededException ex) { // Log for evolution, return deterministic-only _logger.LogWarning(ex, "Budget exceeded for {DocId}", doc.Id); return SummaryResult.Degraded( _extractiveSummarizer.Summarize(doc), reason: ex.Message); } } ``` Huvudprinciperna: - Degradera elegant till deterministiska - Ge tillbaka den delaktiga utgången med explicita osäkerhetsmarkörer - Protokollera oäkta förslag som utbildningssignaler för snabb utveckling ## verkliga-World exempel ### LLM-Based Systems (BriefM SK2 | System ♫ | ♫ Substrate ♫| ♫ Förespråkare ♫ |--------|-----------|----------|---------| | **DocSummarizer** | BERT `[chunk-N]`) | | **Beeldskapande** | ImageSharp-paletten/ mätdata | FlorenceM SK3LLaVA-beteckningen ♫ | Färger på färg måste matcha beräkningspalettet ♫| | **DataSummarizer** | DuckDB-schema | | | LLM | МSK2 | SQL | | | Inga skrivningar |, | Tabellens tillåtelselista | | | **Mediaanalys** | scentidstämpningarM SK1 transkription | LLM beat sheet | Körer måste citera tidstämpning/ citat | Patternet är alltid samma. ### Bot-detektorn: Den icke--LLM-exemplet *Denna sektion är avsiktligt detaljerad eftersom den visar mönstret utan någon LLM alls.* Mitt robotdetektionssystem ([Detektorn](https://www.nuget.org/packages/Mostlylucid.BotDetection)) visar att begränsad fuzziness är inte limited till LLM-baserade system. **De tre lagerna:** - **Ytan (Truth Layer)**: Individuella detektörer bearbetar objektsignaler från HTTP-behov - UserAgent analys: `ua.is_bot`, `ua.contains_automation_keyword` - Headeranalys: `hdr.accept_language_count`, `hdr.missing_standard_headers` - IP-analys: `ip.is_datacenter`, `ip.reputation_score` - Behavioral analys: `beh.requests_per_minute`, `beh.path_entropy` - **Förespråkare (Creativity Layer)**: Heuristisk modell aggregerar signaler via viktade sigmoider ```csharp // Each detector emits a contribution, not a verdict DetectionContribution.Bot( source: "UserAgent", category: "BotSignature", confidence: 0.85, reason: "Contains 'Googlebot' signature", weight: 1.0 ); // Aggregation via weighted sigmoid var weightedSum = contributions.Sum(c => c.ConfidenceDelta * c.Weight); var botProbability = 1.0 / (1.0 + Math.Exp(-weightedSum)); ``` - **Konstruenter (Kontraktslayer)**: Politisk motor tvingar på hårda trösklar och handlingar ```csharp public record DetectionPolicy( double EarlyExitThreshold = 0.3, // Exit if < 30% = confident human double ImmediateBlockThreshold = 0.95, // Block only if 95%+ certain double AiEscalationThreshold = 0.6 // Escalate if risk unclear ); ``` **Den viktigaste insikten** Varje detektor bidrar till den slutliga besluten utan att ta beslutet själv. `DetectionContribution` rekordinsamlingar: - `ConfidenceDelta`: Hur mycket detta trycker mot en robot (+) eller en människa - `Weight`: Hur stor påverkan har denna detektor - `Signals`: Den beräknade fakta ( aldrig rå PII - `Reason`: Människo Denna separation betyder att du kan - Add/dröva detektorer utan att ändra agregationslogiken - Tune vikter oberoende av detektorlogiken - Lär dig optimala vikter från feedback över tid **LLM Escalation optionellt** Här, ', är det som blir intressant. : stödjer mönstret **optional escalation till LLM** när hanuristisk modellen är osäkerhetsbar. Detta konfigureras via policy: ```csharp // Default policy: fast heuristics only var defaultPolicy = new DetectionPolicy { FastPath = ["UserAgent", "Header", "Ip", "Behavioral"], EscalateToAi = false }; // High-security policy: escalate uncertain cases to LLM var strictPolicy = new DetectionPolicy { FastPath = ["UserAgent", "Header", "Ip"], SlowPath = ["Behavioral", "ClientSide"], AiPath = ["Onnx", "Llm"], // Optional ML/LLM detectors EscalateToAi = true, AiEscalationThreshold = 0.4 // Escalate when 40-60% uncertain }; ``` När eskalationen utlöser, får LLM de ansamlade signalerna och ger en analys av språket , men konstrainern sätter fortfarande tröskeln på samma gång . Opinionen i LLM' påverkar poängen M SK4 så överrider det inte policyn MSC5 **Wave-baserad orkestrering** Systemet kör detektörer i vågor, med senare våger som aktiveras av tidigare signaler : ```mermaid flowchart LR subgraph Wave0["Wave 0: Fast & Free"] W0A[UserAgent] W0B[Header] W0C[IP] end C1{Consensus?} subgraph Wave1["Wave 1: Expensive"] W1A[Behavioral] W1B[ClientSide] end C2{Still Uncertain?} subgraph Wave2["Wave 2: AI"] W2A[ONNX Model] W2B[LLM] end subgraph Policy["Policy Enforcement"] P1{Score > 0.95?} P2[Block] P3[Allow] P4[Log & Learn] end Wave0 --> C1 C1 -->|"Yes: 3+ agree"| Policy C1 -->|"No"| Wave1 Wave1 --> C2 C2 -->|"No"| Policy C2 -->|"Yes + AI enabled"| Wave2 Wave2 --> Policy P1 -->|Yes| P2 P1 -->|No| P3 P3 --> P4 style Wave0 stroke:#22c55e,stroke-width:2px style Wave1 stroke:#f59e0b,stroke-width:2px style Wave2 stroke:#ef4444,stroke-width:2px style Policy stroke:#8b5cf6,stroke-width:2px ``` Det här är begränsad förvirring med **progressiv eskalation**: billiga heuristiker hanterar tydliga fall, , dyr AI hanterar randliga fall, **Att lära sig utan risk** Eftersom konstrainern kräver säkerhet oavsett vad detektorerna utsätter, kan systemet utan tvekan lära sig, ```csharp // After each request, submit learning event (non-blocking) LearningCoordinator.TrySubmit("ua.pattern", new LearningEvent { Features = extractedFeatures, Label = actualOutcome, // Was it actually a bot? Confidence = detectionConfidence }); // Background: EMA weight update var alpha = 0.1; // Learning rate newWeight = existingWeight * (1 - alpha) + observedDelta * alpha; ``` Weights converge toward true patterns over time. High - Beräkningar av självförtroende har mer inverkan **Varför det här spelar roll** BotDetection bevisar att begränsad oförklarhet inte handlar om LLMs specifikt, utan om alla system där 1. Flera osäkra signaler måste kombineras 2. Skillnade signaler har olika tillförlitlighet 3. Svåra begränsningar måste tillämpas oavsett poäng 4. Systemet borde lära sig och förbättras över tid 5. Den dyra analysen borde bara fungera när den billiga inte är tillräckligt LLM är bara ett möjligt fuzzy-komponent. ## När inte använda begränsad fuzziness Pattern har en kostnad. **Skip it when:** - **Uppgiften är helt deterministisk** Om du kan skriva `if X then Y`, du behöver inte ' behöver inte en föreslagare . Bara skriva koden - **Du'var prototypare.** Du vet inte vad begränsningar betyder. - **Utgången är utfallslös.** Brainstorming - **Iblanda misslyckanden är acceptabla.** Om 5% hallucinationsfrekvensen är bra för ditt användandefall , kan ansträngningskostnaden överträffa kostnaden för misslyckanden - **Du har inget substrat** Om du kan "'", kan du inte bearbeta gräsligt sanning, ,", så kan du "'", inte begränsa det, . "Don, ', du kan inte låtsas med det." ., du behöver antingen hitta beräkningsbara fakta eller acceptera oförklarheten. **Pattern är för system där:** - Probabilistiska resultat når användare eller andra system utan att bli omvärderade av människor. - Förluster är tysta, dyra, eller sammansättning - Du behöver lära dig att utvecklas utan att riskera produktion Om det inte är din situation, så kan du vinna med enklare metoder. ## Integration med evolutionära system Begränsad Fuzziness blir ännu mer kraftfull när den kombineras med DiSE. (Inriktad syntetisk evolution 1. **Generera** flera felaktiga förslag 2. **Bekräftelse** mot invarianter 3. **Score** baserat på tillfredsställelse med begränsningar + 4. **Håll** den bästa, släng resten 5. **Accumulera** misslyckanden som utbildningssignaler för snabb utveckling Den viktigaste insikten **du kan utveckla förslaget utan att riskera systemet**, eftersom konstrainern kräver säkerhet och korrekthet oberoende av vad som väljare ger ut ```csharp public async Task EvolvePromptAsync( Prompt current, IReadOnlyList failures) { // Failures are safe to collect because constrainers caught them var patterns = AnalyzeFailurePatterns(failures); // Generate candidate prompt mutations var candidates = await _llm.GeneratePromptVariants(current, patterns); // Test each against held-out validation set var scored = await Task.WhenAll(candidates.Select(async c => { var results = await RunValidationSet(c); return (Prompt: c, Score: CalculateScore(results)); })); return scored.OrderByDescending(x => x.Score).First().Prompt; } ``` ## Definitionen av One-Sentence > "Konsträngt Fuzziness är praxis med att låta sannolikhetskomponenter föreslå mening medan deterministiska system tvingar sanning ## slutsats : Gouvernören, Inte motorn Tillbaka till den LRU-キャッシュen som blev smartare när minnet gick slut. Bestämningen var "'", det gav inte mer kapacitet ".". Bestämpningen var **att låta begränsningen göra sitt jobb**. Den begränsade storleken tvingade till att välja . Den glittrande utgångslängden tvingade att glömma Detta är den viktigaste insikten. **du kan inte fixa sannolikhetssystem genom att göra dem *mindre* probabilistisk**. Du fixar dem genom att inte låta sannolikheten fly in i dina garantera ```mermaid flowchart LR E[🔥 High-Variance
Engine] --> G[⚙️ Governor] --> O[✓ Constrained
Output] style E stroke:#ef4444,stroke-width:2px style G stroke:#22c55e,stroke-width:3px style O stroke:#3b82f6,stroke-width:2px ``` Dammmotorn förstår inte ", ", den ska inte explodera. Regern hindrar den fysiskt. ., LLM: n förstår inte', ", ", den borde ha hallucinationer av färger. M SK10, konduktören hindrar det komputativt. Samma mönster Nästa gång du är tvungen att lägga till en annan punkt i din system-prop, hoppades att modellen kommer förstå en begränsning. *kan jag beräkna den begränsningen?* Om ja, beräkna det. så begränsa modellen till det . Hard boundaries beat soft suggestions. Varje gång --- ## Serien | del | mönster ♫ ♫ | ♫ Axel ♫ |------|---------|------| | 1 | | | begränsad oförklarhet ♫ | denna artikel ♫ | 2 | [Begränsad Fuzzy MoM](/blog/constrained-mom-mixture-of-models) | Flera komponenter | | 3 | [Begränsat Fuzzy Kontexttdragning](/blog/constrained-fuzzy-context-dragging) | tid / minne | | 4 | [Image Summarizer](/blog/constrained-fuzzy-image-intelligence) | Praktisk implementation | **Del 2** sträcker ut den här arkitekturen till flera system. **Del 3** sträcker den längs tidens axeln. **Del 4** visar alla tre mönster som implementeras i [ImageSummarizer](https://github.com/scottgal/lucidrag)—, en våg, -, ett bildanalysrör där ColorWave bearbetar fakta, M SK2, VisionLlmWave föreslår , och deterministisk urval begränsar utgången.