# Eingeschränkte Fuzzy MoM-:-Signalverträge über Agent Chatter [Teil](/blog/constrained-fuzziness-pattern) beschrieben eine Pipeline, die von einer probabilistischen Komponente mit deterministischer Wahrheit begrenzt wird. Aber was passiert, wenn man *Mehrfach* Vorschlagende mehrer LLMs ,? , Vision-Modelle sprechen mit Textmodellen ,? , Heuristik in neuronale Netzwerke einspeisen , ? , Das ist eingeschränkte Fuzzy MoM **eingeschränkte Auswahl von mehreren Antragstellern**Nicht " let viele Modelle sprechen ". , nicht Routing , . . > *CFMoM ist ein Muster, in dem mehrere probabilistische Komponenten signale vorschlagen, die aber nur deterministische Logik kombinieren können.* Die Regel 1. **Modelle Veröffentlichung von Signalen** Keine natürliche Sprache zwischen den Komponenten 2. **Substrat speichert Fakten und Beweise** Typisiert mit Zeigern zur Quelle 3. **Constrainer entscheidet:** Cross---Validierungen - , - löst Konflikte -, - erzwungen Schwellenwerte > Das gemeinsame Substrat ist die Sprache und der Constrainer ist die Grammatik. [TOC] --- ## Terminologie Vor dem Tauchen in Beenden Sie das Vokabular Der Begriff „|" bedeutet „|" |------|---------| | **CFMoM** Beschränkte Auswahl von mehreren Bewerbern | **Unterlage** Fakten Fakten Fakten Informationen Informationen Informationen über die Budgets | **Signalvertrag** Wie Komponenten in das Substrat schreiben | **Konsensraum** Speichern Sie das Routing-Routing, um die Auswertung des Assync-Verfahrens zu ermitteln. | **Koordinierungsbeschränkung** Endgültiger Gatekeeper für Aktionen **Anmerkung:** Consensus Space ist ein Bus und Speicher, nicht ein Schiedsrichter, sondern kann die Ingestion durchführen.--Zeit-Validierung (-Schema-,-Evidenz-Existenz-), aber nie Entscheidungen treffen. Dies sind keine neuen Konzepte, sie sind das Teil-Muster, das über Komponenten erweitert wird. ### Invarianten Diese sind nicht ,-'verhandelbar , :' - **Nur der Constrainer kann Nebenwirkungen auslösen.** - **Fakten müssen gegen Schema bei der Einnahme validieren** Anderenfalls ablehnen - **Der Nachweis muss Zeiger sein.** Keine Prosa-Zitate - **Signale sind unveränderlich** Einmal veröffentlicht, nicht geändert, nicht verändert - **Canonicalisation geschieht bei der Einnahme ..-** Constrainer geht von kanonischen Fakten aus - **Das Vertrauen in die Quelle ist nicht vergleichbar, es sei denn kalibriert.** - **Alle Entscheidungen produzieren einen Audit-Rekord** --- ## Was das nicht ist Warum CFMoM anders ist |-------|------------------------| | **Mischung von Experten** MoE mischt Modellausgänge mathematisch – .® CFMoM-Mischungen *Signale unter Einschränkungen* mit Evidenz und Politik | **Agent chatter** Viele Agenten-Systeme passieren frei-.form Nachrichten zwischen den Komponenten... CFMoM verbietet freies -.form inter--.component Nachrichten, die nur eingegebene Signale in das Substrat eingeben. | **Routing** Routing wählt aus *welches Modell anzurufen ist*CFMoM akzeptiert mehrere Vorschläge und beschränkt die Auswahl nach | **Abstimmungen Assembles** Die Abstimmung geht davon aus, dass die Ergebnisse vergleichbar sind. | **LangChain---Stilgraphen** Graphen übergeben Botschaften – . – CFMoM veröffentlicht unveränderliche Signale zu einem gemeinsamen Substrat –. – | – CFMoM ist keine Bibliothek oder ein Framework.Es ist eine epistemische Regel. **probabilistische Komponenten können vorschlagen, ,, aber nur deterministisch,,, Evidenz, -, unterstützte Logik kann kombinieren oder handeln** --- ## Warum LLM---to---LLM-Kommunikation fehlschlägt Wenn zwei LLMs über natürliche Sprache kommunizieren, erhalten Sie Compounding-Ausfälle, auch wenn jeder Hopfen meistens korrekt ist., ?Fehler Verbindung schneller als Sie erwarten. **Semantische Drift**Jedes Modell interpretiert etwas anders als das Modell A sagt, dass der Benutzer frustriert scheint.Das Modell B liest, dass, wie ",der Benutzer wütend ist..", das Modell C eskaliert, um ",feindlichen Benutzer entdeckt..", Drei Hops, ,, drei Interpretationen, ein falscher Schluss... **Vertrauenswäsche**Es sagt Modell B in fließenden Prosa , . , Modell B behandelt es als Tatsache, weil die Sprache klingt bestimmte ,. , Ungewissheit wird an jedem Hopfen ausgewaschen . **Halluzination Verstärkung**Modell A erfindet ein plausibles Detail Das Modell B baut darauf auf Das Modell C nennt es als etabliertes Modell Die Halluzination wird zur Belastung **Formatinstabilität**Das Modell A liefert JSON-.. Manchmal schneidet das Modell B es aus. Manchmal vermehren sich die Silent-Ausfälle von .. Der Instinkt ist, mehr Aufforderungen hinzuzufügen, um Format zu erzwingen... Aber weiche Einschränkungen scheitern zwischen den Komponenten genauso wie sie in Komponenten fehlschlagen.... Die Fix-:-Kraft alle Inter---Komponente Kommunikation durch einen gemeinsamen deterministischen Raum ### Was bedeutet "-Modelle in der Praxis? Dies ist die harte Regel. - **Modelle, die keine anderen Modelle aufnehmen** Keine Zusammenfassung dessen, was Modell A sagte - **Sie nehmen nur Substrataufzeichnungen auf** das Schema bestanden hat, das Beweiskontrollen bei der Aufnahme durchgeführt hat, - **Human--'facing Erklärung wird zuletzt generiert** und wird nie wieder in das System eingespeist - **Wenn Sie sich finden, schreiben Sie eine Aufforderung, die Verweise auf ein anderes Modell.**Sie haben das Muster verletzt. Dies tötet das -", aber mein Agent kann den anderen Agenten zusammenfassen -" loophole - . , Das Schlupfloch ist, wie semantische Drift beginnt - . , --- ## Der Signalvertrag Das Herz des Musters ist ein typisierter Datensatz, den jede Komponente verwenden muss... keine Prosa-.. Keine freie Ausgabe von -. ### Nachweise Zunächst definieren Sie, was "?Beweis bedeutet. ```csharp public record EvidenceRef( string Kind, // "chunk", "frame", "timestamp", "request", "row" string Store, // namespace (e.g., "documents", "video-frames") string Id, // chunk-12, frame-0042, t=00:13:21.200, req-abc JsonElement? Locator = null, // span, bbox, row-range - schema depends on Kind string? ContentHash = null // optional hash for version verification ); ``` Dies ist kein String, es ist ein Zeiger auf überprüfbares Ausgangsmaterial. `Locator` Feldgriffe Spannweiten ,-Grenzkästen ,-Timestamps,- oder andere Lageschemas (--Schema) wird durch `Kind`. ### Der eingeschränkte Signalrekord ```csharp public record EmbeddingRef(string ModelId, float[] Vector); public record ConstrainedSignal( string Id, // stable identifier string SourceId, // component name/version string FactsSchemaId, // "bot-detection/1.0", "summarization/2.1" DateTimeOffset At, // when produced string? CorrelationId, // ties signals to one input/request string? SubjectId, // what this signal is about, if known JsonElement Facts, // schema-validated, not ad-hoc object IReadOnlyList Evidence, // what it's based on float Confidence, // self-estimated probability of correctness IReadOnlyList? Embeddings = null // optional, supports multi-model migration ); ``` ### Warum das funktioniert - **Fakten werden bei der Einnahme validiert**: `FactsSchemaId` verweist auf ein Schema, das definiert, was `palette_dominant_hue` bedeutet: ,,,', welcher Typ es ist ,,', welche Einheiten es verwendet ,MSSK2' Kein ad , -'hoc `Dictionary`Die Schemata sind JSON-Schema oder ein Äquivalent von ),, versioniert und gepinnt. - **Canonicalisation geschieht bei Einnahme**Stable types: Stabile Einheiten: stabiler Normalisierung: konstanter Normierung: stabile Standard-Zeitstempel: ISO-Farben sind Hexus: .; Koordinaten: WGS, 84.; der Constrainer geht von kanonischen Fakten aus. - **Die Beweise sind strukturiert.**Hinweise auf nachprüfbares Ausgangsmaterial - **Vertrauen ist definiert**Nicht kalibrierte Konfidenz wird nie über Quellen verglichen. Im Constrainer behandelt , das cross-Vertrauen als Gewicht nur nach der Kalibrierung. - **Einbettungen sind optionale Hilfsmittel**Für Retrieval und Gruppierungen, nicht für die Ermittlung der Wahrheit, nicht - **Erforderliche Slots müssen ausgefüllt werden oder das Signal wird abgelehnt.** Optionale Felder sind erlaubt ### Ingestion: :, wo die Validierung lebt Signale werden validiert und kanonischisiert, wenn sie in das Substrat gelangen, nicht wenn der Constrainer sie verarbeitet. ```csharp public async Task IngestAsync(ConstrainedSignal signal) { // Hard fail if schema invalid _schemaRegistry.Validate(signal.FactsSchemaId, signal.Facts); // Canonicalise units, formats, types _canonicaliser.Apply(signal.FactsSchemaId, ref signal); // Verify evidence pointers exist and are in scope foreach (var evidence in signal.Evidence) _evidenceStore.VerifyExists(evidence); await _store.WriteAsync(signal); } ``` Wenn der Constrainer ein Signal sieht, ist es bereits schema.-.gültig.MS K2. kanonischisiert.,. und Evidenz.MS-K4.verifiziert. ### Nachweisniveaus `_evidenceStore.VerifyExists` tut wirkliche Arbeit, das sind die Levels, das ist - **Bestehend**Im Store existiert die Referenznummer /./«Request ID - **Geltungsbereich**Die Span-Grenzen sind innerhalb des Ausgangsmaterials. - **Inhalt: --Hash-Match**Evidence-Pointer-Matches erwartete Hash-/-Version Optional, aber empfohlen - **Genehmigungen**Der Anrufer darf diese Evidenz für Multi---Tenantsysteme aufzeigen. Signale, die jedes Niveau ausfallen, werden bei der Aufnahme abgelehnt. ### Die kritische Unterscheidung · :-Embeddings gegen Fakten Dies ist, wo viele Multi---Agent Architekturen falsch gehen **Einbettungen** dir eine Distanzgeometrie zu geben, die mit Ähnlichkeit korreliert... sie sind probabilistisch... nur weniger wackelig als natürliche Sprache... zwei Signale mit ähnlichen Einbettungen. *könnte* seien Sie ungefähr die gleiche Sache... **Fakten Beweismaterial** sind die Wahrheit... die Sache, die "bedeutet die gleiche "e über Komponenten muss sein... - Getippte messbare Merkmale (-Palettenbehälter ,-Objekt-IDs,-Zeitstempel - Evidenzzeiger (-Kunke--12,-Rahmen - KEINE Ähnlichkeit allein einbetten Einbettungen helfen Ihnen, Signale zu finden, die *könnte* seien über die gleiche Sache ... . Facts überprüfen, dass sie *sie werden*. ### Echtes Beispiel: Bot-Erkennung Im [Bot-Erkennung](/blog/botdetection-introduction),-Wellen-Detektoren und Wellen-LLMs kommunizieren über `DetectionContribution`: ```csharp DetectionContribution.Bot( source: "UserAgent", // or "LLM" category: "BotSignature", confidence: 0.85, reason: "Contains automation keyword", weight: 1.0 ); ``` Der Datensatz IST die Einschränkung ,. , Das LLM kann nicht versäumen .. , Es muss Steckplätze füllen ?. , Der UserAgent-Detektor und das LLM produzieren den gleichen geformten Ausgang , . , Downstream-Komponenten müssen nicht wissen, welche man produziert es .... , --- ## Der Raum des Konsenses Das gemeinsame Substrat ist kein passiver Speicher, sondern koordiniert aktiv den Signalfluss. ```mermaid flowchart TB subgraph Specialists["Specialist Proposers"] S1[Text Analyzer] S2[Image Processor] S3[Behavioral Model] S4[Domain Expert LLM] end subgraph Consensus["Consensus Space (includes Ingestion Gate)"] C1[Ingestion Gate] C2[Signal Aggregator] C3[Async Evaluator] C4[Cluster by Embedding] end subgraph Constrainer["Coordination Constrainer"] B1[Verify Facts + Resolve] B2[Conflict Resolution] B3[Budget Management] end subgraph Output["System Output"] O1[Coordinated Response] O2[Audit Trail] end S1 --> C1 S2 --> C1 S3 --> C1 S4 --> C1 C1 --> C2 --> C3 --> C4 C4 --> B1 --> B2 --> B3 --> O1 B3 --> O2 style Consensus stroke:#ef4444,stroke-width:3px style Constrainer stroke:#22c55e,stroke-width:2px ``` ### Asynchrone Signalverarbeitung Spezialisten warten nicht auf einander, sie tragen Signale bei, wie sie beenden, : ```csharp public class ConsensusSpace { private readonly ConcurrentDictionary _signals = new(); public async Task ContributeAsync(ConstrainedSignal signal) { _signals.TryAdd(signal.Id, signal); // Trigger evaluation without blocking the contributor _ = Task.Run(async () => { var evaluation = await _evaluator.EvaluateAsync(signal); await _distributor.DistributeAsync(evaluation); }); } public IDisposable Subscribe(Func handler) where T : ConstrainedSignal { // Components subscribe to signals they care about } } ``` Schnelle Detektoren Benutzer-Kontrolle ,-Header-Analyse )-Blockieren Sie nicht auf langsamen nicht (-LLM Analyse ,-Verhaltensmuster ).-Der Konsensraum sammelt Signale im Laufe der Zeit.-Frühsignale können frühe Ausgänge auslösen..-Spätsignale verfeinern oder überschreiben. --- ## Spezialisierung und Tiefe Mit einem gemeinsamen Signalvertrag können sich Spezialisten auf das konzentrieren, was sie am besten tun ### Natürliche Arbeitsteilung ```csharp public class TextSpecialist : ISpecialist { public async Task AnalyzeAsync(InputData input, string correlationId) { var entities = await ExtractEntitiesAsync(input.Text); var sentiment = await AnalyzeSentimentAsync(input.Text); var facts = JsonSerializer.SerializeToElement(new { entities = entities.Select(e => e.Label).ToArray(), sentiment_score = sentiment.Score, sentiment_label = sentiment.Label }); return new ConstrainedSignal( Id: Guid.NewGuid().ToString(), SourceId: "TextSpecialist/1.2", FactsSchemaId: "text-analysis/1.0", At: DateTimeOffset.UtcNow, CorrelationId: correlationId, SubjectId: input.Id, Facts: facts, Evidence: entities.Select(e => new EvidenceRef( "span", "documents", input.Id, JsonSerializer.SerializeToElement(new { Start = e.Start, End = e.End }))).ToList(), Confidence: CalculateConfidence(entities, sentiment), Embeddings: [new EmbeddingRef("all-MiniLM-L6-v2", _embedder.Embed(entities, sentiment))] ); } } public class ImageSpecialist : ISpecialist { public async Task AnalyzeAsync(InputData input, string correlationId) { var objects = await DetectObjectsAsync(input.Image); var palette = await ExtractPaletteAsync(input.Image); var facts = JsonSerializer.SerializeToElement(new { objects = objects.Select(o => o.Label).ToArray(), palette_dominant_hex = palette.Dominant.ToHex(), palette_accent_hex = palette.Accent.ToHex() }); return new ConstrainedSignal( Id: Guid.NewGuid().ToString(), SourceId: "ImageSpecialist/2.1", FactsSchemaId: "image-analysis/1.0", At: DateTimeOffset.UtcNow, CorrelationId: correlationId, SubjectId: input.Id, Facts: facts, Evidence: objects.Select(o => new EvidenceRef( "region", "images", input.Id, JsonSerializer.SerializeToElement(o.BoundingBox))).ToList(), Confidence: CalculateConfidence(objects, palette), Embeddings: [new EmbeddingRef("all-MiniLM-L6-v2", _embedder.Embed(objects, palette))] ); } } ``` ### Grenzüberschreitendes --Modalabkommen Beide Spezialisten veröffentlichen auf das gleiche Substrat mit getippten Fakten, aber Tatsachen aus verschiedenen Bereichen können nicht direkt verglichen werden. Wenn der Textspezialist produziert `entity_color: "blue"` und der Bildspezialist produziert `palette_dominant_hex: "#0000CC"`Wie überprüfen Sie die Vereinbarung? **Nicht rohe Gleichheit** Sie benötigen einen Resolver. ```csharp public interface IFactResolver { bool CanResolve(string factNameA, string factNameB); FactAgreement Resolve(JsonElement factA, JsonElement factB); } public class ColorResolver : IFactResolver { public bool CanResolve(string a, string b) => (a.Contains("color") && b.Contains("hex")) || (a.Contains("hex") && b.Contains("color")); public FactAgreement Resolve(JsonElement factA, JsonElement factB) { // Canonicalise both to RGB space var colorA = ParseToRgb(factA); var colorB = ParseToRgb(factB); // Tolerance-based comparison in perceptual space var distance = CieDeltaE(colorA, colorB); return new FactAgreement(distance < 10.0, distance); } } ``` *(" `Contains` Logik oben ist illustrativ...... in der Produktion.. ..,...Resolver werden von Schemapaaren registriert.* **Der Vergleich von Cross---Schema ist standardmäßig nicht möglich.** Sie erhalten es nur, indem Sie einen expliziten Resolver registrieren.Dies ist eine Sicherheitsfunktion. Der Coordination Constrainer verwendet ein Resolver-Register. 1. Embeddings verwenden, um Signale zusammen zu clusteren 2. Für jedes Faktenpaar finden Sie den Resolver. 3. Resolver kanonischisieren und mit entsprechender Toleranz vergleichen 4. Zusammenführen, wenn aufgelöst – ,-Flagge bei Konflikten Keine natürliche Sprache erforderlich..-Abstimmungen werden erkannt, ,- nicht versteckt.MSC2-Cross---modale Fakten werden in ihrem gemeinsamen kanonischen Raum verglichen. --- ## Der Koordinierungszwänger Im Teil war der Constrainer ein Gatekeeper, der : validiert, , validieren oder das , zurückweisen Im Teil ist der Koordinationszwänger ein **Orchester**,. , es , : , 1. **Kreuz---Validierungen**Die Signale verschiedener Spezialisten stimmen auf Fakten überein. 2. **Löst Konflikte auf**Wenn Spezialisten nicht einverstanden sind, wie man mit ? umgeht 3. **Verwaltung von Budgets**Wie viele Spezialisten können für diesen Input aufgerufen werden? 4. **Durchsetzung von Konsensschwellen**Wie viel Einigung vor der Aktion? **Der Constrainer ist deterministisch.** Es enthält keine LLM.,... keine probabilistische Logik... keine Anrufe... jede Entscheidung folgt expliziten Regeln... das ist die architektonische Garantie, die den Rest der Musterarbeit macht. ### Die drei Schritte ```csharp public class CoordinationConstrainer { public async Task ConstrainAsync( IReadOnlyList signals) { // Step 1: Cluster candidates by embedding (cheap, fuzzy) var clusters = ClusterByEmbedding(signals); // Step 2: Within each cluster, verify agreement on FACTS (hard) var verified = new List(); foreach (var cluster in clusters) { // Time-of-use re-check: evidence may have expired or been GC'd since ingestion var withValidEvidence = cluster.Where(s => s.Evidence.Any() && _evidenceStore.IsStillAuthorisedAndAvailable(s.Evidence)).ToList(); var factAgreement = VerifyFactAgreement(withValidEvidence); if (factAgreement.Agreed) verified.AddRange(factAgreement.Signals); // Disagreeing signals are logged for analysis, not merged } // Step 3: Check consensus threshold (policy, hard) if (verified.Count < _policy.MinimumSignals) { if (_policy.AllowEscalation) return await EscalateToTiebreakerAsync(signals); else return CoordinatedResult.Degraded("Insufficient consensus"); } // Step 4: Merge and apply output constraints var merged = MergeSignals(verified); return ApplyOutputConstraints(merged); } private FactAgreement VerifyFactAgreement(IReadOnlyList cluster) { // Agreement is on Facts via rules registry, not raw equality foreach (var (signalA, signalB) in AllPairs(cluster)) { var result = _rules.CheckAgreement( signalA.FactsSchemaId, signalA.Facts, signalB.FactsSchemaId, signalB.Facts); if (!result.Agreed) return new FactAgreement(false, cluster, result.ConflictingFact); } return new FactAgreement(true, cluster, null); } } // The rules registry handles type-appropriate comparison public class FactAgreementRules { private readonly Dictionary _resolvers = new(); private readonly IFactResolver _defaultResolver = new DefaultFactResolver(); public void Register(string factPattern, IFactResolver resolver) => _resolvers[factPattern] = resolver; public AgreementResult CheckAgreement( string schemaA, JsonElement factsA, string schemaB, JsonElement factsB) { // Cross-schema: use resolvers to map between schemas if (schemaA != schemaB) return CheckCrossSchemaAgreement(schemaA, factsA, schemaB, factsB); // Same schema: compare fact by fact foreach (var prop in factsA.EnumerateObject()) { if (!factsB.TryGetProperty(prop.Name, out var valueB)) continue; var resolver = FindResolver(prop.Name); var result = resolver.Resolve(prop.Value, valueB); if (!result.Agreed) return new AgreementResult(false, prop.Name); } return new AgreementResult(true, null); } private IFactResolver FindResolver(string factName) => _resolvers.FirstOrDefault(r => factName.Contains(r.Key)).Value ?? _defaultResolver; } public class DefaultFactResolver : IFactResolver { public bool CanResolve(string a, string b) => true; public FactAgreement Resolve(JsonElement a, JsonElement b) { return a.ValueKind switch { JsonValueKind.Number => ResolveNumeric(a, b), // Tolerance JsonValueKind.String => ResolveString(a, b), // Exact match JsonValueKind.True or JsonValueKind.False => new FactAgreement(a.GetBoolean() == b.GetBoolean(), 0), _ => new FactAgreement(a.GetRawText() == b.GetRawText(), 0) }; } private FactAgreement ResolveNumeric(JsonElement a, JsonElement b) { var va = a.GetDouble(); var vb = b.GetDouble(); var tolerance = Math.Max(Math.Abs(va), Math.Abs(vb)) * 0.001; // 0.1% return new FactAgreement(Math.Abs(va - vb) <= tolerance, Math.Abs(va - vb)); } private FactAgreement ResolveString(JsonElement a, JsonElement b) => new FactAgreement(a.GetString() == b.GetString(), 0); } ``` Die wichtigsten Erkenntnisse **embeddings propose-,-Fakten entscheiden**Die Einbettung der Ähnlichkeit deutet darauf hin, dass diese Signale verwandt sein könnten. ### Die Entscheidungsfunktion Die Constrainer-Entscheidung von ' ist deterministisch... Nein LLM...,. keine Heuristik. 1. **Kandidatengruppe** durch Einbettung von Ähnlichkeiten 2. **Filtern** durch Schema-Validität und Beweisverifizierung bereits bei der Aufnahme gemacht , aber kann re ,- ,check , ) , 3. **Fakten lösen** in kanonischen Vergleichsraum über Resolver Registry 4. **Ergebnis der Berechnung von Vereinbarungen** pro Cluster Der Bruchteil der erforderlichen Fakten, die Resolver sind -, die über verschiedene Quellen vereinbart werden 5. **Politik anwenden**Mindestgrenze für die Vereinbarung: Mindestanzahl der Quellen: Mindestschwelle für das Vertrauen in - 6. **Aktion auswählen**Verschmelzen, wenn vereinbart, ,, degradieren, wenn nicht, falls konfiguriert, eskaliert Jeder Schritt ist eine deterministische Funktion, jede Entscheidung erzeugt einen Audit-Rekord. --- ## Mischung von Modellen mit objektivem Feedback Der Konsensraum ermöglicht etwas Mächtiges **unabhängiges Lernen aus geteilter objektiver Wahrheit**. ### Die Lernschleife ```mermaid flowchart TB subgraph Specialists["Specialist LLMs"] S1[Model A] S2[Model B] S3[Model C] end subgraph Consensus["Consensus Space"] C1[Signal Aggregation] C2[Decision Selection] end subgraph Action["Deterministic Execution"] A1[Execute Decision] A2[Measure Outcome] end subgraph Memory["Long-Running RAG"] M1[Decision Record] M2[Objective Outcome] M3[Attribution] end subgraph Feedback["Independent Learning"] F1[Model A reviews own history] F2[Model B reviews own history] F3[Model C reviews own history] end S1 --> C1 S2 --> C1 S3 --> C1 C1 --> C2 --> A1 --> A2 A2 --> M1 --> M2 --> M3 M3 --> F1 --> S1 M3 --> F2 --> S2 M3 --> F3 --> S3 style Memory stroke:#3b82f6,stroke-width:3px style Feedback stroke:#22c55e,stroke-width:2px ``` ### Warum das funktioniert 1. **Entscheidungen werden zurückverwiesen**Die RAG speichert, welches Modell vorgeschlagen, was 2. **Ergebnisse sind objektiv**Deterministische Komponenten messen, was tatsächlich passiert ist 3. **Feedback wird geteilt, aber Gewichtung ist unabhängig**Jeder LLM sieht die gleichen Ergebnisdaten, entscheidet aber wie man sich anpasst ```csharp public record DecisionRecord( string DecisionId, string ProposingModel, // Which LLM proposed this ConstrainedSignal OriginalSignal, // What it claimed float ConsensusScore, // Agreement at decision time DateTime Timestamp ); public record OutcomeRecord( string DecisionId, bool ObjectiveSuccess, // Deterministic measurement Dictionary Metrics, // What we measured TimeSpan TimeToOutcome ); ``` ### Unabhängiges Lernen, geteilte Wahrheit Jeder LLM kann die RAG anders abfragen. ```csharp // Model A: Conservative, focuses on avoiding failures var modelAContext = await _memory.QueryAsync( "decisions WHERE ProposingModel = 'ModelA' AND ObjectiveSuccess = false", limit: 100 ); // Learns: "I was overconfident when X, be more cautious" // Model B: Aggressive, focuses on missed opportunities var modelBContext = await _memory.QueryAsync( "decisions WHERE ProposingModel != 'ModelB' AND ObjectiveSuccess = true", limit: 100 ); // Learns: "Others succeeded where I hesitated, be bolder on pattern Y" // Model C: Specialist, focuses on its domain var modelCContext = await _memory.QueryAsync( "decisions WHERE Domain = 'security' ORDER BY ObjectiveSuccess DESC", limit: 100 ); // Learns: "These security patterns work, reinforce them" ``` ### Die Beschränkung, die das Lernen ermöglicht Dies funktioniert nur, weil Feedback ist **Ziel**. Nicht deterministisches Feedback mit Deterministischem Feedback |-------------------------------|----------------------------| Modell Ein Gedanke, dass es gut tat, "...|.".Umwandlungsrate war 3.2%".|. Das Modell B war mit dem Ergebnis nicht einverstanden. Modelle argumentieren über Qualität"|.".Zusammenfassung zitierte gültige Stücke von ".|. Die deterministische Schicht misst die Realität..-LLMs können nicht mit Messungen argumentieren..-Jedes Modell lernt aus der gleichen Grundwahrheit, passt sich aber unabhängig an seine eigene Geschichte und Prioritäten an.MSC2- ### Emergente Spezialisierung Im Laufe der Zeit sind die Modelle natürlich spezialisiert. - Modell A lernt, dass es bei vorsichtigen Entscheidungen ausgezeichnet wird.,. wird höher gewichtet für High--. - Modell B lernt, dass es sich bei Randfällen auszeichnet wird aufgerufen, wenn andere unsicher sind - Modell C lernt seine Domäne tief – wird zum Experten für diesen Signaltyp Kein zentraler Orchestrator weist Rollen zu... Spezialisierung ergibt sich aus objektivem Feedback über die tatsächlichen Ergebnisse.... --- ## Warum Frontier-Modelle dies wichtiger machen Gegenintuitive Einsicht **bessere Modelle machen gemeinsame Substrate mehr kritisch**. Das Risiko steigt, weil das Risiko steigt. |---------------------|------------------------------| Mehr Potenzial für subtile Missverständnisse Mehr Vertrauen Überbewusste Signale verbreiten sich schneller Mehr Versuchung zum Überspringen von Typ-Beschränkungen Besser beim scheinbaren kohärenten Erkennbarmachen, wenn sie semantisch uneins sind Ein Grenzmodell, das über eine natürliche Sprache mit einem anderen Grenzmodell kommuniziert, ist nicht sicherer als zwei kleine Modelle, die dasselbe tun. Die Fixierung ist die gleiche ,: , Kraft-Kommunikation durch deterministische gemeinsame Räume , . , Das Einbettungsmodell kümmert sich nicht, wenn der Antragsteller klein oder Grenze ist , . , Gleicher Vektorraum , . , Gleiche getippte Fakten ,. , Dieselbe Einschränkungen , --- ## Evolution ohne Bruch Denn Kommunikation geschieht durch getippte Datensätze und geteilte Einbettungen - Tauschen Sie Textspezialist von GPT--4.00 bis Claude, ohne andere Komponenten zu berühren - Fügen Sie einen neuen Spezialisten hinzu, ohne bestehende zu verändern. - Einbettungsmodell über alle Komponenten atomar aufrüsten ### Version des Einbetten-Modells Sie möchten ein Upgrade von `all-MiniLM-L6-v2` zu `nomic-embed-text-v1.5`Aber alle Ihre gespeicherten Signale haben Einbettungen aus dem alten Modell. **Die Lösung – :- dual---write mit mehreren Einbettungen –.-** Weil `Embeddings` ist eine Liste von `EmbeddingRef`Migration ist einfach ```csharp public class EmbeddingMigration { // Phase 1: Dual-write (new signals get both embeddings) public ConstrainedSignal EnrichWithDualEmbedding(ConstrainedSignal signal) { var oldVector = _oldModel.Embed(signal.Facts); var newVector = _newModel.Embed(signal.Facts); return signal with { Embeddings = [ new EmbeddingRef("all-MiniLM-L6-v2", oldVector), new EmbeddingRef("nomic-embed-text-v1.5", newVector) ] }; } // Phase 2: Compare agreement rates public async Task CompareAgreementAsync() { var signals = await _store.GetRecentSignalsAsync(limit: 10000); var oldClusters = ClusterByEmbedding(signals, s => s.Embeddings?.FirstOrDefault(e => e.ModelId == "all-MiniLM-L6-v2")?.Vector); var newClusters = ClusterByEmbedding(signals, s => s.Embeddings?.FirstOrDefault(e => e.ModelId == "nomic-embed-text-v1.5")?.Vector); // Do the same Facts end up in the same clusters? var agreementRate = CalculateClusterAgreement(oldClusters, newClusters); return new MigrationReport(agreementRate, threshold: 0.95); } // Phase 3: Flip readers after threshold met public void CompleteMigration() { // Update config to use new model for queries // Keep old embeddings for rollback if needed // Optionally prune old embeddings after confidence period } } ``` Wesentliche Punkte - **Jede Einbettung trägt sein ModellId-.** Keine Vermutungen - **Dual---Write ist nur an eine Liste angehängt** Alte Leser arbeiten noch... - **Clustervereinbarung vergleichen**Nicht rohe Kosinus-Ähnlichkeit - **Nach der Schwelle umdrehen** (-e-.-g-.,-D-95%-gleiches --Cluster-Abkommen - **Die Fakten sind stabil.** Selbst wenn sich die Einbettungen ändern, bleiben die eingetippten Tatsachen die Grundwahrheit. --- ## Failure Modes und Fallbacks Dieses Muster glänzt, wenn die Dinge schief gehen Das Steuerelement-.System-Framing bedeutet, dass Ausfälle explizit und wiederherstellbar sind. ### Widersprüchliche Tatsachen Zwei Spezialisten berichten über unterschiedliche Werte für die gleiche Tatsache Der Resolver kann sie nicht in Einklang bringen **Ansprechen**Protokollieren Sie den Konflikt mit dem vollen Kontext.....Verschmelzen Sie nicht... Degradieren Sie die Ausgabe, um ein reduziertes Vertrauen anzuzeigen... Optional eskalieren Sie zu einem Tiebreaker. ### Fehlende oder ungültige Beweise Ein Signal kommt mit Evidenzzeigern an, die nicht vorhanden sind. **Ansprechen**Die vorgeschlagene Komponente wird benachrichtigt und kann mit gültigen Beweisen erneut versuchen. ### Kein Konsens Zu wenige Signale oder zu viel Meinungsverschiedenheit, um die politische Schwelle zu erreichen. **Ansprechen**Rückfall auf ein deterministisches Ausgangsresultat (Ausgangsweise .Auszugsweise Standardklassifikation .,Ausgangsergebnis ,Auslagerung vorheriges Ergebnis ,Austritts- oder explizite "Ungenügende Daten"Ausstiegs-).Wenn konfiguriert ,Ausgriffs-Menschung anfordern ### Sachbeweis Der Nachweis war bei der Einnahme gültig, hat aber seitdem abgelaufen., wurde Müll gesammelt oder hatte Berechtigungen widerrufen. **Ansprechen**:-Constrainer'-Zeit--of---Use-Kontrolle`IsStillAuthorisedAndAvailable`Das Signal wird von der aktuellen Entscheidung ausgeschlossen, wenn die Prüfungsgrundlage des " von der derzeitigen Entscheidung ausgeschlossen ist. ### Einzige Quelle des Scheiterns der Wahrheit Das Substrat selbst ist nicht verfügbar **Ansprechen**Keine Signale können aufgenommen oder verarbeitet werden. , System degradiert zu sicheren Standardeinstellungen oder Warteschlangen Eingänge für die spätere Verarbeitung ,. , Dies ist Infrastruktur-Ausfall , , , nicht Musterfehler , . . Das Muster verhindert nicht Ausfälle, es macht sie **loud-,-lokalisiert und wiederherstellbar**. --- ## Checkliste für die Umsetzung Für Teams, die Multi---Agentensysteme aufbauen 1. **EIN Einbettungsmodell wählen** für alle Komponenten 2. **Definieren Sie den Signalvertrag** (`ConstrainedSignal` + `EvidenceRef`Vor dem Bau eines Spezialisten 3. **Definition kanonischen Einheiten und Normalisierung** für alle Fakten (-ISO-Zeitstempel ,-Hexenfarben ,-WGS84-Koordinierung 4. **Bauen Sie zuerst den Konsensraum** Signal-Aggregation - Assync-Evaluierung 5. **Jeder Spezialist erzeugt Signale**Keine natürliche Sprache für andere Spezialisten 6. **Coordination Constrainer bestätigt Einigung über Fakten**Nicht embeddende Ähnlichkeit 7. **Registerbevollmächtigte** für den Vergleich der cross-Modalitäten von ( mit Farbnamen gegen Hex-, usw..) 8. **Alle Signale protokollieren** mit Zuschreibung für Debugging und Evolution 9. **objektive Messung der Ergebnisse** (-Konversionen Genauigkeit ,-Latenz 10. **Ergebnispaare speichern** in langanhaltender RAG 11. **Lassen Sie Modelle ihre eigene Geschichte abfragen** für unabhängiges Lernen 12. **Komponenten einzeln wechseln**Verifizieren von Signalen, die noch mit Schema übereinstimmen --- ## Das Substrat ist das System Teil-Beschränkungen erzeugen nützliches Verhalten in einzelnen Komponenten. Teil **Gemeinsame Einschränkungen schaffen kohärentes Verhalten über Komponenten hinweg** Der Konsens-Raum ist nicht Middleware.Es ist das Substrat erweitert, wenn Spezialisten kommunizieren durch getippte Fakten statt Sprache.,... durch Evidenzzeiger anstelle von prosa.,... die Einschränkungen, die einzelne Komponenten zuverlässig machen, machen das ganze System zuverlässig. Mehrere Antragsteller – eine gemeinsame Wahrheit – gleiches Muster – . Die Modelle sprechen nicht miteinander, sie veröffentlichen auf dem Substrat, der Constrainer validiert, das Ergebnis wird gemessen, die RAG erinnert sich an ., jedes Modell lernt ., **Teil Beschränkt ein ModellBeschränkt einen Teil Begrenzt die Raummodelle Teilen** Das ist die eingeschränkte Fuzzy MoM-. --- ## Notation - **Modelle sprechen nicht mit "** Weitere Modelle werden zugeführt.Nur Substrat-Datensätze, die Aufnahmeprüfungen bestanden. - **Nachweise bei der Entscheidung** ist zur Autorisierung bestimmt.... nur zur Aufbewahrung.... nicht zur Richtigkeit. - **Bewertung der Vereinbarung** Fraktion der benötigten Fakten, die resolver sind -... über unterschiedliche Quellen von ≥... Es ist deterministisch. --- ## Die Reihe Teil - Muster - Achse - | |------|---------|------| | 1 | [Beschränkte Fuzziness](/blog/constrained-fuzziness-pattern) Einteilige Komponente Dieser Artikel wurde von 2, | und ( verstopft. | 3 | [Beschränkte Fuzzy Kontext Drackging](/blog/constrained-fuzzy-context-dragging) Zeit-Speicher (MSK) | 4 | [Bildzusammenfassung](/blog/constrained-fuzzy-image-intelligence) Praktische Umsetzung **Teil** schränkt eine einzelne probabilistische Komponente mit deterministischen Grenzen ein **Teil** dehnt diese Architektur entlang der Zeitachse aus Modelle können bemerken ,, , aber Engineering entscheidet, was fortbesteht .. , Die Beschränkung wird Speicher selbst , . , **Teil** zeigt alle drei Muster umgesetzt in [ImageSummarizer](https://github.com/scottgal/lucidrag)Bildanalyse-Pipeline auf Basis von -, bei der mehrere Wellen Signale zu einem gemeinsamen Substrat veröffentlichen und deterministische Auswahl den Ausgang begrenzt