# سحب السياق المحدود الغامض: ما يُتذكر
2026-01-06T16:00
أحد أسهل الطرق لجعل نظام الذكاء الصناعي يفشل هو أن نجعله يتذكر الكثير
معظم "التعامل مع السياق" المقاربات تنتهي إلى واحدة من الأخطاء
- **قم بوضع كل شيء في الملاحظات** ونأمل أن يكتشف النموذج ما هو المهم
- **إعادة مرة أخرى -summarise summaries** وتقبل التدفق كحقيقة للحياة
كلا المقاربتين مكلفتان , غير شفافة , وغير مستقرة على الأفق الطويل
هناك نمط أفضل - واحد يعكس كيف أن الأنظمة البيولوجية في الواقع تدرج الإدراك
أسميها **سحب السياق الخافت المقيد** (CFCD).
[TOC]
---
## النمط في جملة واحدة
> **سحب السياق الخافت المقيد** هو نمط حيث تقترح النماذج الإحتمالية ما هو الملحوظ , لكن فقط القواعد القطعية تسمح بنقل هذا الملحوم للأمام لتأثر بالتفكير أو الجيل المستقبلي .
أو بشكل أكثر وضوحا:
> *قد يلاحظ النماذج*
هذا هو نفس الانقسام الفلسفية [الغموض المقيد](/blog/constrained-fuzziness-pattern) و [MoM مقيدة](/blog/constrained-mom-mixture-of-models) - تم تطبيقه على طول **محور الزمن** بدلا من **محور القرار**.
---
## الخطأ الأساسي: التعامل مع السياق كنص
لا تتطابق الـ LLMs "remember". إنها نمط -match over tokensM SK3
عندما نتعامل مع السياق كـ " فقط المزيد من النص ", نحصل على:
- الهبوط الصامت
- مصطلحات غير متجانسة
- تكلفة الهرب
- الإحصائيات التي تتعارض مع الإحصائية السابقة
- الترجمات التي تعيد تسمية الشيء نفسه خمس مرات
- becomes a unversioned dependency (nobody knows what changed, but results changed )
النوافذ السياقية الطويلة لا تحل هذا
السؤال الحقيقي ليس *كم* السياق للحفاظ على, لكن:
> **ما يستحق البقاء على قيد الحياة**
---
## قاعدة CFCD
CFCD يفرض فصلاً صلباً:
| دور | يسمح أن يكون غامضاً? | يسمح بأن يصبح القيود المستقبليةM SK4 ♫|
|------|---------------------|--------------------------------------|
| إكتشاف الغضب | نعم | لا |
| تعزيز السياق | لا | نعم |
| الجيل | نعم | لا |
| تخزين ال anchor (ledger
الاحتمال يمكن *تقترح*. يقرر الإختيار ما الذي يسحب إلى الأمام .
المعنى المعرفي: **نفس المدخلات + نفس السياسة ⇒ نفس القنابل**. لا يزال بإمكانك استخدام الدرجات الإحتمالية ; فقط تقوم بتشغيلها من خلال ترقية ثابتة
CFCD هو كيفية الحصول على فوائد السياق دون دفع سعر السياق.
---
## مثال 1: تلخيص (سحب عمودي)
### المقاربة البسيطة
- وثيقة Chunk
- تلخص كل قطعة
- تلخيص الخلاصات
- تقبل الهبوط
هذا يفشل لأن:
- تراكم الأخطاء المبكرة
- يتغير التركيز بشكل عشوائي
- التناقضات مخفية
### مقاربة CFCD
الفكرة الرئيسية: **إكتشاف الأهمية لا يتطلب '**. بإمكانك استخدام الـML الإفتراضي (الدمجات, TFM SK3IDFMスク4 BMMSC5 لإيجاد ما يهمMNK6 ثم تقيد الـLM لرؤية فقط ما تبقى من الانتقاءMMK7
[DocSummarizer](/blog/docsummarizer-advanced-concepts) ينفذ هذا:
1. **تحليل الوثائق إلى أجزاء** (جمل,رؤيئاتM SK2 القوائم , بلاكات الرمز )
2. **تنتج المداخلات** باستخدام جملة ONNX-transformers (ML, ليس LLMM SK3
3. **حساب نقاط الأهمية** باستخدام:
- شبيهة الكوسين للوثيقة مركزية
- TF-IDF لأهمية المدى
- وزنات الموضع (intro/conclusion boostM SK2
- المحتوى-تصحيحات النوع (خبرة مقابل مخزن )
4. **إختيار أعلى-K باستخدام MMR** (مقدار الأهمية المحدودة):
- توازن الأهمية (متشابهة مع مركزية ) مع التنوع
- إختبارية: نفس المدخلات → نفس الانتقاء
5. **ينتج LLM فقط من أجزاء sélectionnés**
لا يرى الـ LLM المشهد الكامل ــ . ــ إنه ينتج حول الأسلاك ــ, ــ وليس من خلالها
```csharp
// From DocSummarizer: SegmentExtractor.cs
public class SegmentExtractor
{
private readonly OnnxEmbeddingService _embeddingService; // ML, not LLM
public async Task ExtractAsync(string docId, string markdown)
{
// 1. Parse document into typed segments
var segments = ParseToSegments(docId, markdown);
// 2. For large docs: semantic pre-filtering with multi-anchor approach
// - Guaranteed coverage: first/last sentences per section, constraints
// - BM25 candidate generation with pseudo-query from TF-IDF terms
// - Topic anchors via k-means clustering on sample embeddings
if (segments.Count > _config.MaxSegmentsToEmbed)
{
(segmentsToEmbed, centroid) = await SemanticPreFilterAsync(segments, targetCount);
}
else
{
await GenerateEmbeddingsAsync(segments);
centroid = CalculateCentroid(segments);
}
// 3. Score by salience using MMR (deterministic)
// Salience = lambda * sim(segment, centroid) * position_weight * content_weight
// - (1 - lambda) * max_sim(segment, higher_ranked_segments)
ComputeSalienceScores(segments, centroid, contentType);
// 4. Return top-K as anchors for synthesis
var topBySalience = segments
.OrderByDescending(s => s.SalienceScore)
.Take(Math.Max(_config.FallbackBucketSize, targetCount))
.ToList();
return new ExtractionResult
{
AllSegments = segments,
TopBySalience = topBySalience,
Centroid = centroid,
ContentType = contentType
};
}
///
/// Greedy MMR selection: balances relevance with diversity
///
private void ComputeSalienceScores(List segments, float[] centroid, ContentType contentType)
{
var candidates = new HashSet(segments.Where(s => s.Embedding != null));
var ranked = new List();
// Pre-compute centroid similarities with content-type adjustments
foreach (var segment in candidates)
{
var baseSim = CosineSimilarity(segment.Embedding!, centroid);
var contentWeight = ComputeContentTypeWeight(segment, contentType);
segment.SalienceScore = baseSim * segment.PositionWeight * contentWeight;
}
// Greedy MMR: pick best, penalise similar, repeat
while (candidates.Count > 0)
{
var best = candidates
.Select(c => new {
Segment = c,
Score = _config.MmrLambda * c.SalienceScore
- (1 - _config.MmrLambda) * MaxSimToRanked(c, ranked)
})
.OrderByDescending(x => x.Score)
.First();
best.Segment.SalienceScore = 1.0 - ((double)ranked.Count / segments.Count);
ranked.Add(best.Segment);
candidates.Remove(best.Segment);
}
}
}
```
### إختيار متكيف: الوعي في النافذة السياقية
لأن المخرج هو **المجموعة المصنفة**, يمكنك أن تكيف عدد ال anchor مع نموذج التركيب في وقت التشغيل:
```csharp
public class AdaptiveSynthesizer
{
public int ComputeAnchorBudget(ModelProfile model, ExtractionResult extraction)
{
// Larger context windows → more anchors
var baseTokenBudget = model.ContextWindow / 4; // Reserve 25% for output
// More powerful models → can handle more complex synthesis
var complexityMultiplier = model.Tier switch
{
ModelTier.Small => 0.5, // tinyllama: fewer, simpler anchors
ModelTier.Medium => 1.0, // llama3.2:3b: standard
ModelTier.Large => 1.5, // llama3.1:8b+: more context, nuanced synthesis
_ => 1.0
};
var anchorBudget = (int)(baseTokenBudget * complexityMultiplier / _avgTokensPerSegment);
// Never exceed what we have
return Math.Min(anchorBudget, extraction.TopBySalience.Count);
}
public async Task SynthesizeAsync(
ExtractionResult extraction,
ModelProfile model)
{
var budget = ComputeAnchorBudget(model, extraction);
// Take top-K from already-ranked segments
var anchors = extraction.TopBySalience.Take(budget).ToList();
// Synthesis model only sees what survived selection + adaptation
return await _llm.SynthesizeAsync(anchors, model);
}
}
```
هذا مازال محدداً **نفس المدخلات + نفس نمط النموذج → نفس الأسلاك**. التصنيف يحدث مرة ; التكيف هو مجرد قطعة
هذا يعني أنه يمكنك
- إستخدم نموذج صغير سريع مع أربطة 5 للخلاصات السريعة
- استخدم نموذج قوي مع 50 لنخات للتحليل الشامل
- ضبط موصل mid- Dynamically if the first attempt lacks coverage
الفكرة الرئيسية: **ال anchors are structure, not prose**. المداخلات و MMR هي معرفية. الـ LLM تقوم فقط بتجميع النهائيM SK2 محصورة بما تبقى
**عقد العnker:** يمكن أن يتغير الصيغة, لكنها لا يجب أن تتناقض مع الأسلاكM SK1 إذا كانت الأسلاك غير كافية, يجب أن يغطي وMSC3 أو يطلب المزيد من الأدلة .
ممثل لل anchor المعدني:
```json
{
"policyVersion": "cfcd-v1",
"segments": [
{"id":"seg-12","text":"Reset requires holding button 10s","salience":0.92},
{"id":"seg-45","text":"Factory reset clears all settings","salience":0.88}
],
"coverage": "3.2% semantic sample",
"hedging": "sampled 3% - avoid definitive conclusions"
}
```
---
## مثال 2: الترجمة (سحب المراحل)
الترجمة تكشف هذا النمط بشكل أكثر وضوحاً
### طريقة الفشل
ترجمة الجملة-byM SK1sentence وتحصل على:
- مصطلحات غير متجانسة
- تم إعادة تسمية الوحدات
- التحرك اللغوي
حتى مع نافذة سياق ضخمة، نماذج , لا تزال " تشعر بحرية، "M SK2" لتتغير الصيغة
### مقاربة CFCD
1. في البداية في المخرج , **مرشحي المصطلحات**:
- الأسماء الصحيحة
- المصطلحات التقنية
- العبارات المتكررة
2. بناء **وثيقة المصطلحات**:
- مصدر → رسم هدف
- الثقة
- الأول-مكان الرؤية
3. لكل جملة:
- تسمح بترجمة غامضة
- **القيود** إختيارات باستخدام المحاسبة
- تسمح بالابتعاد فقط مع أدلة محلية قوية
4. تحديث المحاسبة بشكل محدد إذا :
- تظهر خرائط أفضل مرارا وتكرارا
- أو يتم الإعلان عن تجاوز واضح
**ما يُعتبر دليلا محليا قويا**
- يظهر المصطلح في القاموس , جدول , أو بلاك تعريف | ( | إشارات هيكلية |)
- تخطي المستخدم الواضح في الإعداد
- كررت في آخر قطعة W ( نافذة مزلجة) مع إستخدام متماسك
هذا هو المعرفي: المؤشرات الهيكلية تُكشف عن طريق تصنيف النمط أو المقصّر, ليس الحكم على النماذجM SK2
سياسة تلقائية: ΔM SK1 فجوة الثقة , W=50 قطع MST4ثروة لكل مجالMSC5
```csharp
public class TermLedger
{
private readonly Dictionary _mappings = new();
public record TermMapping(
string SourceTerm,
string TargetTerm,
float Confidence,
string FirstSeenChunkId,
int LastSeenChunkIndex, // Track recency
int VotesForCurrentTarget,
int TotalVotes, // Preserve history
string? ChallengerTarget = null,
int ChallengerVotes = 0,
float ChallengerConfidence = 0);
public void ProposeMapping(string source, string target, float confidence, string chunkId, int chunkIndex)
{
source = source.ToLowerInvariant().Trim();
if (_mappings.TryGetValue(source, out var existing))
{
if (existing.TargetTerm == target)
{
// Same as current: accumulate votes
_mappings[source] = existing with
{
Confidence = Math.Max(existing.Confidence, confidence),
VotesForCurrentTarget = existing.VotesForCurrentTarget + 1,
TotalVotes = existing.TotalVotes + 1,
LastSeenChunkIndex = chunkIndex
};
}
else if (existing.ChallengerTarget == target)
{
// Same as challenger: accumulate challenger votes
var newChallengerVotes = existing.ChallengerVotes + 1;
var newChallengerConfidence = Math.Max(existing.ChallengerConfidence, confidence);
// Switch if challenger has >= 2 votes AND higher confidence
if (newChallengerVotes >= 2 && newChallengerConfidence > existing.Confidence)
{
// Swap: old current becomes challenger, challenger becomes current
_mappings[source] = existing with
{
TargetTerm = target,
Confidence = newChallengerConfidence,
VotesForCurrentTarget = newChallengerVotes,
TotalVotes = existing.TotalVotes + 1,
LastSeenChunkIndex = chunkIndex,
ChallengerTarget = existing.TargetTerm, // Preserve old mapping as challenger
ChallengerVotes = existing.VotesForCurrentTarget,
ChallengerConfidence = existing.Confidence
};
}
else
{
_mappings[source] = existing with
{
ChallengerVotes = newChallengerVotes,
ChallengerConfidence = newChallengerConfidence,
TotalVotes = existing.TotalVotes + 1,
LastSeenChunkIndex = chunkIndex
};
}
}
else if (confidence > existing.ChallengerConfidence)
{
// New challenger replaces old challenger
_mappings[source] = existing with
{
ChallengerTarget = target,
ChallengerVotes = 1,
ChallengerConfidence = confidence,
TotalVotes = existing.TotalVotes + 1,
LastSeenChunkIndex = chunkIndex
};
}
}
else
{
_mappings[source] = new TermMapping(
source, target, confidence, chunkId, chunkIndex,
VotesForCurrentTarget: 1, TotalVotes: 1);
}
}
public string? GetCanonicalTranslation(string source)
{
source = source.ToLowerInvariant().Trim();
return _mappings.TryGetValue(source, out var mapping)
? mapping.TargetTerm
: null;
}
}
```
في الواقع تريد أيضا تحطيم الصوت (or a sliding window) so early mistakes donM SK2t become permanentMSC3 The key is that the decay rule is deterministic
**لماذا هذا مهم لحل الأخطاء:** إذا كان الترجمة تقلب "factory resetM SK1 mid-document , يمكنكم أن تحوّل المحاسبة وترى بالضبط متى ولماذا
```
chunk-12: "factory reset" → "Werkseinstellungen" (votes: 3, conf: 0.82)
chunk-47: challenger "Zurücksetzen" reaches 2 votes, conf: 0.91
chunk-47: SWITCH - "factory reset" → "Zurücksetzen" (old mapping preserved as challenger)
```
لا تخمين . لا " لقد قررت النموذج للتو
هذا يعطيك
- المرونة المحلية (نموذج يتعامل مع الفراغات)
- التماسك العالمي (العامل يفرض المصطلحات)
- التكلفة المحدودة (لا حاجة لإعادة -ترجمة من أجل التماسك)
- قرارات قابلة للفحص ( المشتري قابل للتفتيش )
هذا هو السبب **توازن المصطلحات** لا يمكن حله بواسطة "أكثر من السياق".
---
## هذا ليس بالذاكرة - إنه تمدد القيود
CFCD يفعل **لا** أعطي ذاكرة النموذج.
إنها تعطي *النظام* الذاكرة.
النموذج:
- لا يحمل الدولة
- لا يقرر ما الذي يبقى
- لا يملك السياق
النظام:
- تخزين القنابل
- يفرض الحدود
- ي expires stale salience
- يتحكم في مدى الحياة بوضوح
**وقواعد فاتورة** (إختباري,لانموذجي -تقريرM SK3
- **الوقت-based:** ينتهي عمر القنابل بعد `T` دون أن يشير إليها
- **استخدموا-based:** ال anchors مع صفر ضربات فوق `N` تتلاشى الجسيمات التالية
- **التناقض-based:** المتحد لديه ≥2 الأصوات ويتجاوز الثقة الحالية بـ Δ, في نافذة متحركة من قطع W
هذا التمييز هو كل شيء
```mermaid
flowchart TB
subgraph Model["Probabilistic Model"]
M1[Detect Salience]
M2[Generate Output]
end
subgraph System["Deterministic System"]
S1[Promote Anchors]
S2[Store in Ledger]
S3[Enforce on Generation]
S4[Expire Stale Context]
end
M1 --> S1 --> S2
S2 --> S3 --> M2
S2 --> S4
style Model stroke:#f59e0b,stroke-width:2px
style System stroke:#22c55e,stroke-width:3px
```
### أنابيب CFCD
هنا هي النمط مع المحاسبة ككائن أول
```mermaid
flowchart LR
S[Stream: chunks/sentences] --> M[Model proposes salience]
M --> P[Promotion rules]
P --> L[Ledger / Anchors]
L --> G[Generation constrained by anchors]
G --> O[Output]
L --> E[Expiry rules]
E -.-> L
style L stroke:#22c55e,stroke-width:3px
style P stroke:#22c55e,stroke-width:2px
style E stroke:#22c55e,stroke-width:2px
style M stroke:#f59e0b,stroke-width:2px
style G stroke:#f59e0b,stroke-width:2px
```
الصناديق الخضراء هي إفتراضية. الصناديقات البرتقالية هي إحتمالية . المسجل يجلس بينهم, يحمل ما تبقى
### ما هي التغيرات في العمل?
ثلاث مرحلات
- أنت توقف عن الإستمرار في الخطابة
- أنت تستمر *القنابل المطبعة*
- فأنت تتعامل مع المحاسبة كAPI , ليس بطلب
الاقتراح يصبح *نظرة* من المذكرات, ليس المذكرة نفسها.
أن"MSC0" هو "MSC1" "MSc2" اللحظة" " MSC3" ال ledger is not context" . It' is a contract"
### ما الذي يُعد ك anchor?
المعلقات ليست "نص مهم". إنها **टाइपت, الحقائق المبنية** التي تقيد الإنتاج:
- **خرائط المصطلحات**: `factory reset` → `restore factory settings`
- **Entities and IDs**: `ProductName`, `ModelNumber`, `UserID`
- **القيود / غير متغيرة**: "تعديل requires holding button 10s"
- **वरीयता المستخدم / القيود في शैली**: "إستخدم النغمة الرسمية", ≥"لغة بريطانيةM SK4
- **بيانات تغطية**: "3.2% عينة سيمانسية, | | 5 | لنخات
- **الإصدار**: `policyVersion: "cfcd-v1"`, `anchorSchemaVersion: 2`
النقطة هي : القنابل ليست نباتة . إنها هيكلية . .. . النموذج يكتب حولها .
---
## التوازن البيولوجي
*هذا هو التناظر , ليس إدعاء بيولوجي : النقطة هي الجمع الانتقائي , ليست آلية حرفية .*
الدماغ لا يعيد تشغيل كل التيار الحسي.
انهم
- إكتشاف الجاذبية
- توصيل بشكل انتقائي
- منع الضوضاء
- تجميد التمثيلات بعد أن تكون مستقرة
اللغة, المهارات الحركية, والادراک كلها تعتمد على **تحمل محدودة-إتجاهاً**, ليس recall خام.
CFCD هو نفس المبدأ
| النظام البيولوجي | معادل CFCD |
|------------------|-----------------|
| الملاحظة ( ما الذي يجب ملاحظته) | الكشف عن الشفقة ( الغموض S) ||
| توصيل ( مالذي يجب أن نتذكره) | ترقية ال anchor | ( | deterministic
| منع ( مالذي يجب تجاهله) | | | قواعد نهاية المطاف |
| استرجاع ( ما الذي يمكن الحصول عليه) | | | سؤال المحاسبة |
---
## توحيد الأنماط
CFMoM وCFCD هي نفس الفكرة المنظرة من زوايا مختلفة:
| بعد | نمط |
|-----------|---------|
| مقترح واحد | [الغموض المقيد](/blog/constrained-fuzziness-pattern) |
| العديد من المقترحين | [MoM مقيدة](/blog/constrained-mom-mixture-of-models) |
| طويلة- السياق الأفقي | نقل السياق المحدود الغامض |
كل الثلاثة تتبع نفس القاعدة
> **تقترح إحتمالية. يستمر التنبؤ.**
بمجرد أن ت internalise تلك القاعدة , معظم " تصميم نظام الذكاء الصناعي | " يتوقف عن كونه غامض
```mermaid
flowchart LR
subgraph CFP["Part 1: Constrained Fuzziness"]
P1[Single Proposer] --> C1[Constrainer] --> O1[Output]
end
subgraph CFMoM["Part 2: Constrained Fuzzy MoM"]
P2A[Proposer A] --> CS[Consensus Space]
P2B[Proposer B] --> CS
P2C[Proposer C] --> CS
CS --> C2[Coordination Constrainer] --> O2[Output]
end
subgraph CFCD["Part 3: Context Dragging"]
T1[Time T] --> A1[Anchors]
T2[Time T+1] --> A1
A1 --> C3[Constrained Generation] --> O3[Output]
end
style CFP stroke:#22c55e,stroke-width:2px
style CFMoM stroke:#3b82f6,stroke-width:2px
style CFCD stroke:#8b5cf6,stroke-width:2px
```
---
## لماذا هذا ليس تدفق رئيسي
لأنه
- يقلل من استهلاك الحسابات (لا إعادة - معالجة لثبات الدقة)
- يعمل مع نماذج صغيرة (anchors do the heavy lifting)
- يبدو مملًا في العرض.
- produces fewer dramatic failures (failures are explicit)
- يتطلب التفكير في أنظمة حقيقية ( ليس فقط الهندسة المسرعة )
بعبارة أخرى : يحسن الإنتاج , لا يثير الإنتباه
---
## Anti-Patterns هذا يبدل
| مضاد-كتابة | مشكلة | حل CFCD S|
|--------------|---------|---------------|
| **أضع كل شيء في السياق** | هزينة غير محدودة, تخفيض الإنتباه | تعزز فقط ما ينقذ الانتقاء
| **الخلاصة المتكررة** | DriftM SK1 contradictions | Anchors are structure, not prose |
| **أتمنى أن يتذكر النموذج** | لا توجد ضمانات | تملك النظام الإستمرارية |
| **لكل -quest full re-processing** | مقاييس التكلفة مع التاريخ | الخزانة تستمر عبر الطلبات |
| **اللغة الطبيعية "memory"** | الهبوط الدلالي | القناصات المطبعة, الخرائط الواضحة |
| **واحد-اندازة-تطابق مع -كل السياق** | مقياس النفايات أو نماذج الصخور | قطعة ملائمة من المجموعة المصنفة |
---
## طبقة التنفيذ: مؤقتة
[الأكثر وضوحا.طفيف](https://github.com/scottgal/mostlylucid.atoms) هو الغطاء الذي يجعل CFCD عملية. إذا لم تقرأوا المقالات الخلفية'
- [النار وdon't لا تنسى تماما](/blog/fire-and-dont-quite-forget-ephemeral-execution) - الفلسفة
- [مكتبة تنفيذ مؤقت](/blog/ephemeral-execution-library) - التنفيذ
- [إشارات مؤقتة](/blog/ephemeral-signals) - إشارة- تقود اللتنسيق
- [تعلم الـ LRUs](/blog/learning-lrus-when-capacity-makes-systems-better) - لماذا يهم الذاكرة المحدودة
| أولية بدائية | دور CFCD |
|--------------------|-----------|
| **الإشارات** | إختلاف المرشح ( يقترح النماذج
| **النوافذ المغلقة** | لا محدودة "ذاكرة" |
| **قواعد الطرد** | الغياب واضح |
| **انتهى الزمن المت Sliding** | سيختفي السياق المستقيم تلقائياً |
| **إنتشار الإشارات** | المعلقات تنتقل للأمام دون طفرة |
الطفيف لا "تذكر". إنه **decides what is allowed to be remembered, and for how long**.
هذا بالضبط ما يحتاجه CFCD.
```csharp
public class CFCDCoordinator
{
private readonly SignalSink _sink;
private readonly TermLedger _ledger;
private readonly TimeSpan _anchorLifetime = TimeSpan.FromHours(1);
public void PromoteAnchor(string term, string translation, string chunkId, int chunkIndex)
{
_ledger.ProposeMapping(term, translation, 0.8f, chunkId, chunkIndex);
// Emit signal for observability (key = chunkId for correlation)
_sink.Raise($"anchor.promoted:{term}", key: chunkId);
}
public void ExpireStaleAnchors()
{
var cutoff = DateTimeOffset.UtcNow - _anchorLifetime;
// Ledger entries older than cutoff without recent usage are removed
// This is deterministic, not model-decided
_ledger.ExpireOlderThan(cutoff);
_sink.Raise("anchors.expired");
}
}
```
---
## رسم التنفيذ: ترجمة مستندات
جمعها معاً لخط ترجمة مستند كامل:
```csharp
public class CFCDTranslationPipeline
{
private readonly ILlmService _llm;
private readonly TermLedger _ledger;
private readonly SignalSink _sink;
private readonly int _seedChunks = 3; // K: configurable seed window
public async Task TranslateAsync(
Document source,
string targetLanguage)
{
var chunks = Chunker.Chunk(source, maxTokens: 500).ToList();
var translated = new List();
// Phase 1: Extract terminology candidates (first pass, fuzzy)
// Seed from first K chunks: front-loads terminology, avoids churn later
for (var i = 0; i < Math.Min(_seedChunks, chunks.Count); i++)
{
var chunk = chunks[i];
var candidates = await _llm.ExtractTerminologyAsync(chunk);
foreach (var term in candidates)
{
_ledger.ProposeMapping(
term.Source,
term.ProposedTranslation,
term.Confidence,
chunkId: chunk.Id,
chunkIndex: i);
}
}
_sink.Raise("terminology.seeded");
// Phase 2: Translate with ledger constraints
for (var i = 0; i < chunks.Count; i++)
{
var chunk = chunks[i];
// Get canonical translations for terms in this chunk
var constraints = ExtractConstraints(chunk, _ledger);
// Translate with constraints (model must respect ledger)
var result = await _llm.TranslateWithConstraintsAsync(
chunk,
targetLanguage,
constraints);
// Update ledger with any new terms (deterministic rules)
foreach (var newTerm in result.NewTerminology)
{
if (ShouldPromote(newTerm, _ledger))
{
_ledger.ProposeMapping(
newTerm.Source,
newTerm.Target,
newTerm.Confidence,
chunkId: chunk.Id,
chunkIndex: i);
_sink.Raise($"anchor.promoted:{newTerm.Source}");
}
}
translated.Add(result.Chunk);
}
return new TranslatedDocument(translated, _ledger.GetAllMappings());
}
private bool ShouldPromote(TermCandidate term, TermLedger ledger)
{
// Deterministic rules, not model judgment:
// - Proper nouns always promoted
// - Technical terms promoted if repeated
// - Common words never promoted
return term.Type == TermType.ProperNoun ||
(term.Type == TermType.Technical && term.OccurrenceCount >= 2);
}
}
```
---
## الختام الفكري
الخطأ الذي يفعله معظم أنظمة الذكاء الصناعي هو افتراض أن الذكية تتطور عن طريق التذكر *أكثر*.
في الواقع , تتدرج الذكاء عن طريق اتخاذ قرار ما **لن يتوجب علينا أن نفكر مرة أخرى**.
CFCD هو كيف تفعل ذلك دون أن تكذب على نفسك.
---
## السلسلة
| جزء | نمط | محور |
|------|---------|------|
| 1 | [الغموض المقيد](/blog/constrained-fuzziness-pattern) | عنصر واحد |
| 2 | [MoM مقيدة](/blog/constrained-mom-mixture-of-models) | أجزاء متعددة |
| 3 ≥| نقل السياق المحدود الغامض (هذا المقال) ♫| الزمن / الذاكرة мSK7
| 4 | [توصيل الصورة](/blog/constrained-fuzzy-image-intelligence) | تنفيذ عملي |
جميع النماذج الثلاثة تشارك نفس التغير **مكونات الإحتمالية تقترح ; أن الأنظمة الثابتة تستمر**.
الـ [عشرة وصايا لاستعمال LLM](/blog/tencommandments) codify these rules. The [العمارة DiSE](/blog/dise-architecture-overview) يطبقها لتطور البرمجة. [إكتشاف البوت](/blog/botdetection-introduction) يطبقها لتصنيف الطلب. [DocSummarizer](/blog/docsummarizer-advanced-concepts) يقوم بتطبيقها للبحث عنឯកសារ. [ImageSummarizer](/blog/constrained-fuzzy-image-intelligence) يطبقها لتحليل الصور.
مجالات مختلفة. نفس النمط . نفس القاعدة. ["دوم سمماريزر"](/blog/doomsummarizer-deep-research) implementates context dragging for parallel long-form document generation MSC1 running summaries, negative promptsM SK3 entity continuityMスク4 and drift detection maintain coherence across concurrent LLM calls .
---
## التالي: تنفيذ عملي
**الجزء 4** الآن متاحة: [مخصّص الصور : محرك RAG لصورة غامضة محدودة](/blog/constrained-fuzzy-image-intelligence). إنه ينفذ جميع النماذج الثلاثة في موجة- بناء على أنابيب تحليل الصورM SK2 ColorWave يقوم بحساب الحقائق , ويقترح VisionLlmWave , ImageLedger يجمع الملامح البارزة MSC5 و تقيد الانتقاء المعرفي المنتج M SK6 محاكاه من [github.comM SK1scottgal/lucidrag](https://github.com/scottgal/lucidrag).