الجزء 1 وصفت خط أنابيب: طبقةM SK1 المقترح, مزخرفة . جزء إفتراضي واحدMSC4 محصور بالحقيقة الإفتراضيةMNK5

ولكن ماذا يحدث عندما يكون لديك عدة proposers? multiple LLMs ? نماذج الرؤية تتحدث مع نماذجا نصية? حاسة السمع التي تغذي الشبكات العصبيةM SK3

وهو مُحَمْلٌ بـ MoM (CFMoM): اختيار مقيد من العديد من المقترحين, تم اعتباره ضد الحقيقة المشتركة. لا " جعل العديد من النماذج تتحدثM SK3 لا تقوم بالانتقال

CFMoM هو نمط حيث العديد من المكونات الإحتمالية تقترح إشارات, لكن فقط المنطق المعرفي يمكن أن يجمع, ي Validate , أو يتصرف عليها

القاعدة:

1. نماذج نشر الإشارات. لا لغة طبيعية بين المكونات.
2. المظلة تخزن الحقائق والأدلة مكتوبة, schema-validated , مع المؤشرات إلى المصدرM SK3
3. يقرر المتدرب . Cross-validates, resolves conflicts, enforces thresholds .

" في العديد من - الأنظمة العاملة , الس substratة المشتركة هي اللغة

المصطلحات

قبل الغوص في

ملاحظة: الفضاء المتفق عليه هو حافلة وذاكرة, ليس حاشيًا. يمكن أن ينفذ التدخينM SK2 التحقق من الوقت ( الخارطةMSC4 وجود الأدلةMST5 لكن لا يصنع قراراتMSM6 القرارات تعيش في مشغل الإجماعMSV7

هذه ليست مبادئ جديدة.

غير متغيرة

هذه غير قابلة للتفاوض

• فقط جهاز المضاد يمكنه تحريك الآثار الجانبية.
• يجب أن تثبت الحقائق ضد الرسم البياني عند الإمتصاص رفض بطريقة أخرى.
• الأدلة يجب أن تكون مؤشراً لا اقتباسات قضائية
• الإشارات غير قابلة للتغيير. بعد نشرها, لم يُعد مُعدلاً .
• يحدث التصغير عند الاستهلاك. يفترض المتدرب الحقائق الاصطناعية.
• Cross-الثقة في المصدر غير مقارنة إلا إذا تم قياسها
• كل القرارات تنتج سجل فحص

ما هذا ليس

CFMoM ليست مكتبة أو إطار. يمكن أن تقترح مكونات إحتمالية, لكن فقط إثباتات إختبارية , .

لماذا فشلت اتصالات LLM-to-LLM

عندما تتواصل إثنين من الـ LLM عن طريق اللغة الطبيعية.

التقلب الدلالي: كل نموذج يفسر بشكل مختلف قليلًا . نموذج A يقول | " | المستخدم يبدو محبطاً | ." | نموذج B يقرأ أنه |" | مستخدم غاضب |." | النموذج C يتدرج إلى |

غسيل الثقة: النموذج "أ" هو 80% متأكد من شيء ما . يخبر النموذج"ب"بخطة سلسة". يعامل النموذج باعتباره حقيقة لأن اللغة تبدو مؤكدة. عدم اليقين يتم التخلص منه في كل خطوة

تضخيم الوهم: النموذج الأول يخترع تفصيلاً معقولاً . نموذج B يبني عليه , . , نموذج C يشير إليه كما هو مألوف .

Format instability: مخرجات النموذج A JSON. أحياناًM SK2 يفسرها النموذج B . أحياناَ. تتكاثر الاختلافات الصامتة

غريزة هي أن نضيف المزيد من التحفيز لإضفاء الشكل. لكن القيود الناعمة تفشل بين المكونات تماما كما تفشل داخل المكونات.

" fix" : يفرض جميع الاتصالات بين - و المكونات من خلال الفضاء المعرفي المشترك

ما يعنيه "نماذج لا تتحدث" في العمل

هذه هي القاعدة الصعبة

• النماذج لا تستهلك نماذج أخرى أبداً لا "جمع ما قاله النموذج A".
• إنهم يمتصون فقط سجلات الأس substrate التي تم قبولها schema + تفحص الأدلة عند الإمتصاص
• التفسير البشري - تم توليده أخيرا ولا يتم إدخالها مرة أخرى إلى النظام
• إذا وجدت نفسك تكتب اقتراحاً يشير إلى نموذج آخر, لقد قمت بمخالفة النمط

هذا يقتل "لكن عاملي يمكنه تلخيص الممثل الآخر" ثغرة . تلك الثغرة هي الطريقة التي يبدأ بها الهبوط الدلاليM SK3

العقد الإشارات

قلب النمط هو سجل مكتوب يجب أن يستخدمه كل جزء.

الإشارات إلى الأدلة

أولاً define what "evidenceM SK2 means:

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
);

هذه ليست سلسلة. إنها اشارة إلى المواد المصدرية قابلة للتحقق. كل تصريح يجب أن يشير إلى ما هو مبني عليه Locator يديز الحقل Spans, boxes boundingM SK1 timestamps, أو أي نظام موقعي آخر - نظامه يحدد بواسطة Kind.

سجل الإشارات المقيدة

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<EvidenceRef> Evidence,            // what it's based on
    float Confidence,                               // self-estimated probability of correctness
    IReadOnlyList<EmbeddingRef>? Embeddings = null  // optional, supports multi-model migration
);

لماذا يعمل هذا

• الحقائق هي schema-تثبت عند الإمتصاص: FactsSchemaId يشير إلى التخطيط الذي يحدد ما palette_dominant_hue يعني , ما هو نوعه , ما هي الوحدات التي يستخدمها . لا إعلان Dictionary<string, object>. schemes are JSON Schema (or equivalentM SK2 versioned and pinned.
• يحدث التصغير عند الاستهلاك: الأنواع المستقرة, وحدات مستقرة, قياس مستقر. العلامات الزمنية هي ISO 8601. الألوان هي هكسM SK5 الأبعاد هي WGS
• الأدلة هي مبنية: المؤشرات على المواد المصدرية قابلة للتحقق
• Confidence is defined: "نفسك-إحتمالية تقدير الدقةM SK3الثقة غير المقيّمة لا تقارن أبداً بين المصادرMSC4 في جهاز القياسMSL5عامل الثقة المتقاطعةMsl6ثقة المصدر كزن فقط بعد القياساتMSR7 استخدمها بطريقة أخرى لكلM SR8مقاييس المصدرM SL9
• المداخلات هي مساعدات إختيارية: للبحث والجمع, ليس لإثبات الحقيقةM SK2
• يجب أن تملأ الفراغات المطلوبة أو يتم رفض الإشارة حقول إختيارية متاحة.

الإمتصاص: أين تعيش Validation

الإشارات يتم تصديقها وتشكيلها عند دخولها إلى الأس substrate , وليس عند معالجتها من قبل الموصل

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);
}

بحلول الوقت الذي يرى فيه جهاز القياس الإصطناعي إشارة , إنها بالفعل مخططة - صحيحة | , | مكونة من نوع Canonicalised |, | و الأدلة ــ - | مثبتة ٬ . | يقرر جهاز القياسات الإصطدامي فقط |

مستويات التحقق من الأدلة

_evidenceStore.VerifyExists يقوم بعمل حقيقي. هذه هي المستويات:

• موجودة: قطعة مرجعيةM SK1 إطار/ يوجد رقم طلب في المتجر
• Scope-Valid: حدود Span (StartM SK2 End) هي داخل المواد المصدرية
• Content-hash match: علامة الدليل تطابق مع توقع hash/إصدار (optional but recommendedM SK3
• الإذن: يسمح للمتصل بالاقتباس من هذه الأدلة (لأنظمة مشغلة

الإشارات التي تفشل في أي مستوى يتم رفضها عند تناولها

الإختلاف الحرج: المداخلات مقابل الحقائق

هذا هو المكان الذي يخطأ فيه العديد من عمارة الممثلين -

الملحقات أعطيكم هندسية المسافة التي ترتبط بالتشابه. القدرة أن تكون تقريباً نفس الشيء

الحقائق + الدليل هي الحقيقة . الشيء الذي " يعني نفس الـ " عبر المكونات يجب أن يكون

• مميزات قابلة للقياس التي كتبتها (مربعات اللوحة,كائنات IDM SK2 ضربات زمنية )
• مؤشرات الأدلة (chunk-12, frameM SK2
• لا نضيف شباهة لوحدنا

المداخلات تساعدك على العثور على إشارات القدرة يجب أن يكون الأمر نفسه. هي.

مثال حقيقي: كشف البوت

في إكتشاف البوت, موجات 0 كاشفات و موجات الـ 2 تتواصل عن طريق DetectionContribution:

DetectionContribution.Bot(
    source: "UserAgent",        // or "LLM"
    category: "BotSignature",
    confidence: 0.85,
    reason: "Contains automation keyword",
    weight: 1.0
);

السجل هو القيود

فضاء الإجماع

الوسيط المشترك ليس مخزنا سلبيا. إنه ينظم تدفق الإشارات بشكل فعال.

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

معالجة إشارات غير متتزامنة

الخبراء لا ينتظرون بعضهم البعض.

public class ConsensusSpace
{
    private readonly ConcurrentDictionary<string, ConstrainedSignal> _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<T>(Func<T, Task> handler)
        where T : ConstrainedSignal
    {
        // Components subscribe to signals they care about
    }
}

أجهزة الكشف السريعة (التحقق من العميل المستخدمM SK1تحليل الرؤوس) لا تقف على تلك البطيئة (تحليل LLMMSC4نمط السلوكMske5 الفضاء المتفق عليه يتراكم الإشارات على مر الزمنMska6 الإشارات المبكرة يمكن أن ت trigger خروجات مبكرةM Ska7 إشارات متأخرة تعالج أو تتخطى

تخصص وعمق

مع عقد إشارات مشتركة، يمكن للخبراء التركيز على ما يفعلونه بشكل أفضل.

قسم العمل الطبيعي

public class TextSpecialist : ISpecialist
{
    public async Task<ConstrainedSignal> 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<ConstrainedSignal> 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))]
        );
    }
}

إتفاقية متبادلة

كلا المتخصصين ينشرون على نفس الوسيط بطباعة الحقائق. لكن حقائق من مجالات مختلفة لا يمكن مقارنة مباشرة.

عندما ينتج المتخصص في النص entity_color: "blue" وصانع الصور ينتج palette_dominant_hex: "#0000CC", كيف تتأكد من اتفاقك?

ليس المساواة الخام. "blueM SK1 != | | "#0000 |CC |" | كسلسلة | МSK5 | تحتاج إلى حل

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);
    }
}

(The Contains المنطق المسبق هو مثالي. في الإنتاج, يتم تسجيل الحلول من خلال زوج الرسم التخطيطي M SK2 مفاتيح الحقائق , ليس هيuristics فرعية

Cross- المقارنة مع الschema مستحيلة بالលំនាំដើម. يمكنك الحصول عليه فقط عن طريق تسجيل حل واضح. هذه ميزة أمنية, ليست محدودةM SK2

مشغل التوازن يستخدم registru resolver:

1. إستخدم المداخلات لجمع الإشارات المجموعية معا ( رخيصةM SK1 غامضة)
2. لكل زوج من الحقائق , أبحث عن الحلول ( أو استخدم الدقة المسبقة الលំនាំية | - |match |)
3. إعادة التحليل يُمكنها من التكسير وقارنتها مع التسامح المناسب
4. دمج إذا حلت علم , إذا كانت متناقضة

لا حاجة إلى لغة طبيعية. يتم اكتشاف الإختلافات, لا يتم إخفاءهاM SK2 تم مقارنة الحقائق المُدوية في الفضاء канонي المشترك

المساعد في ال coordination

في الجزء 1, كان القفز حارسًا للبوابات: ت ValideM SK2 ت Rewrite , أو ت RejectMSC4

في الجزء 2, مشغل التوازن هو الأوركسترا. It:

1. الوثيقة المتقاطعة-: هل الإشارات من مختلف الخبراء تتفق على الحقائق?
2. يحل الصراعات: عندما لا يتفق الخبراء , كيف تسير ?
3. يدير الميزانية: كم عدد المتخصصين الذين يتصلون بهم لتلك المدخلات?
4. يضع حد الإجماع: كم agreement before action?

المtrainer هو محدد إنها لا تحتوي على LLM, لا منطق إفتراضي, لا M SK2 مكالمات استنتاجية ". كل قرار يتبع قواعد واضحةMSC4 هذا هو ضمان المعماري الذي يجعل باقي النمط يعمل

التحقق من الخطوات الثلاث

public class CoordinationConstrainer
{
    public async Task<CoordinatedResult> ConstrainAsync(
        IReadOnlyList<ConstrainedSignal> 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<ConstrainedSignal>();
        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<ConstrainedSignal> 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<string, IFactResolver> _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);
}

الفكرة الرئيسية: إقتراحات الإضافات, قررت الحقائق. تماثل الدمج يشير إلى " أن هذه الإشارات قد تكون مترابطة." مقارنة الحقائق تُبرر " أن تلك الإشارات متوافقة

وظيفة القرار

إختبار المtrainer ' هو محدد . لا لـ LLM

1. مرشحين لمجموعة من خلال دمج التشابه (جمعات رخيصة)
2. المرشح من خلال اعتبار الرسم البياني والتحقق من الأدلة (فعلت بالفعل عند الإمتصاص, لكن يمكن أن تعيد -تفحصM SK3
3. حل الحقائق إلى الفضاء المقارن canonical عن طريق مسجل الحل
4. حساب تقييم اتفاقية في كل مجموعة : جزء من الحقائق المطلبة التي يمكن حلها - متوافقة عبر | ≥ مصادر مختلفة
5. تطبق سياسة: الحد الأدنى للاتفاق , عدد المصدر المحدود , لكل - حد الثقة في المصدر
6. إختيار الإجراء: تدمج إذا أتفقنا, تنخفض إذا لم تتطورM SK2 تتسارع إذا تم ضبطها

كل خطوة هي وظيفة إفتراضية

مزيج من النماذج مع ردود الفعل الموضوعية

الفضاء المشترك يسمح بشيء قوي: التعلم المستقل من الحقيقة الموضوعية المشتركة.

حلقة التعلم

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

لماذا يعمل هذا

1. تُسمّى القرارات: متاجر RAG ما هو النموذج الذي اقترحه
2. النتائج هي موضوعية: المكونات المحددة تقيس ما حدث بالفعل
3. تشارك الملاحظات ولكن التقييم مستقل: كل LLM يرى نفس بيانات النتائج ولكن يقرر كيف يمكن تعديلها

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<string, float> Metrics,  // What we measured
    TimeSpan TimeToOutcome
);

التعليم المستقل, الحقيقة المشتركة

يمكن لكل LLM أن يسأل RAG بشكل مختلف:

// 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"

القيود التي تمكننا من التعلم

هذا يعمل فقط لأن ردود الفعل هي الهدف.

الطبقة الإفتراضية تقيس الواقع. لا يمكن لـ LLM أن تجادل مع القياسات. كل نموذج يتعلم من نفس الحقيقة الأساسية لكنه يتكيف بشكل مستقل بناء على تاريخه و أولوياته

تخصص الطوارئ

مع مرور الوقت، نماذج ماسك0 تتخصص طبيعياً، ماسك1

• نموذج A يتعلم أنه يتفوق في اتخاذ القرارات الحذرة
• النموذج "ب" يتعلم أنه يفوق في حالات الحواف , gets invoked when others are uncertain
• النموذج C يتعلم مجاله بشكل عميق , يصبح الخبراء في هذا النوع من الإشارات

لا يوجد منظم مركزي يحدد الأدوار

لماذا نماذج الحدود تجعل هذا أكثر أهمية

رؤية متعارضة مع الحدس نماذج أفضل تجعل الأس substratات المشتركة أكثر أهمية , وليس أقل.

النموذج الحدودي الذي يتواصل مع نموذج آخر عبر اللغة الطبيعية ليس آمناً أكثر من نموذجين صغيرين يفعلون نفس الشيء

الحل هو نفسه: إتصال القوة من خلال المساحات المشتركة المعرفية. نموذج الدمج لا يهتم إذا كان المقترح صغيراً أو خطياً

التطور بدون الاختلافات

لأن التواصل يحدث من خلال سجلات مكتوبة ودمجات مشتركة:

• استبدال خبراء نص من GPT-4 إلى Claude دون لمس أجزاء أخرى
• إضافة متخصص جديد (تحليل صوتي ) بدون تعديل الاعتيادي
• تحسين نموذج الدمج عبر جميع المكونات بشكل ذري

إصدار نموذج الدمج

تريد التطوير من all-MiniLM-L6-v2 إلى nomic-embed-text-v1.5. لكن كل إشاراتك المخزنة لديها مداخلات من النموذج القديم.

الحل:double-write with multiple embeddingsM SK2

لأنه Embeddings هو قائمة من EmbeddingRef, الهجرة مباشرة:

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<MigrationReport> 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
    }
}

النقاط الرئيسية:

• كل مركب يحمل نموذجه لا تخمين
• Dual-write فقط يضاف إلى قائمة قراءات قديمة لا تزال تعمل.
• مقارنة اتفاقية المجموعات, ليس شبيهة الجسيمات الخام.
• تقلب بعد الحد الفاصل (eM SK1g., 95% نفسMSC4اتفاق مجموعةMST5
• الحقائق ثابتة حتى لو تغيرت المداخلات, تظل الحقائق التي كتبتها حقيقة أرضية.

اشكال الفشل والتراجع

هذا النمط يتوهج عندما تسير الأمور بصورة خاطئة.

الحقائق المتناقضة

اثنين من الخبراء يشيرون إلى قيم مختلفة لنفس الحقائق. لا يستطيع الحل حلها.

الاستجابة: سجل الصراع مع السياق الكاملM SK1 لا تدمج. تحلل المنتج لإشارة إلى تقليل الثقةMSC3 إحداث التسارع اختيارياً إلى مbreaker ( شخص آخر متخصص أو بشري

لا يوجد أو دليل غير صحيح

إشارة تأتي مع مؤشرات دليل لا توجد

الاستجابة: ترفض الإشارة عند الإمتصاص. لا تدخل أبداً في الأس substrateM SK2 يتم إبلاغ المكونات المقترحة ويمكن أن تحاول مرة أخرى مع أدلة صالحة

لا يوجد إجماع

القليل جدا من الإشارات , أو الكثير من الخلافات ل meeting the policy threshold

الاستجابة: العودة إلى خط مبنى إفتراضي (e.gM SK3 التصنيف المبكر M SK4 النتيجة السابقة المخزنة , أو واضحة

إثبات ثابت

كانت الأدلة صالحة عند الإمتصاص ولكنها قد expired منذ ذلك الحين.

الاستجابة: المtrainer'مدة الـ-ofM SK3التحقق من استخدام الـ (IsStillAuthorisedAndAvailable) يلتقط هذا. الإشارة تم استبعادها من القرار الحالي مع " دليل مكتملM SK3 سبب إجراء الفحصMSC4 يمكن للسياسة أن تتطلب إعادة تحليل - إذا احتجت أدلة جديدة

مصدر واحد للحقيقة الفشل

لا يمكن الحصول على الأسطوانة نفسها

الاستجابة: مكسر الدائرة. لا يمكن إمتصاص أو معالجة الإشاراتM SK2 ينزل النظام إلى وضعية تلقائية آمنة أو صفوف الentrées للمعالجة لاحقاً . هذا هو فشل البنية التحتيةMSC4 ليس فشل النمط

النمط لا يمنع الفشل. إنه يجعلها بصوت عال , محلي , وقابل للاستعادة.

قائمة التحقق من تنفيذ

لبناء فرق متعددة-أنظمة عاملة:

1. إختيار نموذج مدمج واحد لكل الأجزاء (eM SK1g.,كل -MiniLM
2. تحديد العقد الإشارات (ConstrainedSignal + EvidenceRef) قبل بناء أي متخصص
3. تحديد الوحدات الكانونية والنموذج الطبيعي لكل الحقائق (ISO | 8601 | timestamps |, | hex colors | , | WGS |84 | coords
4. بناء مجال الإجماع أولاً (جمع الإشارات,تقييم غير متجانسM SK2
5. كل مختص ينتج إشارات, لا يتحدث لغة طبيعية لأخصائيين آخرين
6. ي Valides agreement on Facts Constrainer coordination constrainer, لا يضمن شباهة
7. سجل الحلول للcross-تقارنة الحقائق المتحركة (اسم الألوان مقابل هكسM SK2 وهلم جرا
8. سجل جميع الإشارات مع التصنيف للحل والتطور
9. نقيس النتائج بشكل موضوعي (conversionsM SK1 accuracy, latency )
10. تخزين القرار + زوجات النتائج في RAG طويلة - تشغيل
11. دعو النماذج تسأل تاريخها الخاص للتعلم المستقل
12. استبدال المكونات واحدة في كل مرة, تتأكد أن الإشارات مازالت تطابق مع الرسم البياني

المظلة هي النظام

الجزء 1: القيود تخلق سلوكا مفيدا في المكونات الفردية.

الجزء 2: القيود المشتركة تخلق سلوك متماسك عبر المكونات.

فضاء الإجماع ليس برنامجاً وسطياً . إنه substrate extended. عندما يتواصل المتخصصون من خلال الحقائق المكتوبة بدلاً من اللغة , من خلال المؤشرات الدليلية بدلاً عن النكتة | , القيود التي تجعل المكونات الفردية قابلة للثقة تجعل النظام بأكمله قابلة للاثقة

العديد من المقترحين. حقيقة مشتركة. نفس النمط

النماذج لا تتحدث مع بعضها البعض. إنهم ينشرون إلى الأس substrate. يت Validate ,. ,النتيجة يتم قياسها .. , الRAG يتذكر , . , كل نموذج يتعلم .

جزء 1 يقيد النماذج

هذا هو "MoM" مُحَصِلٌ بالضباب

الملاحظة

• "نماذج لا تتحدثM SK1t talk" = لا يوجد مخرجات مجانية- نماذج النموذج يتم إدخالها إلى نماذجين أخرىM SK2 فقط سجلات الأس substrate التي تم إجراء اختبارات التدخين
• الدلائل مجدداً -التحقق عند القرار -وقت هو من أجل الموافقة/ حفظ فقط, عدم الدقةM SK2 تم établi الدقة عند الإمتصاصMSC3
• النتيجة للإتفاق = جزء من الحقائق المطلبة التي يمكن حلها - متوافقة على امتداد

السلسلة

الجزء 1 يقيد عنصر إفتراضي واحد مع حدود معرفية.

الجزء 3 يتوسع هذا الهندسة على طول محور الزمن.