我如何学会停止忧郁和爱情概率系统 (中文 (Chinese Simplified))

多数软件仍假定世界会给它干净的投入和稳定的规则通常生产既不是M.也不是

这篇文章是透过「-」连结的一则讯息, DiSE 日志, 受限制的模糊, CFMOM :CFMoM, 减少的RAG, 斯泰罗花, AI工程公司的十诫,和 Stylolot 调制解码器.

我从一个宏伟的理论开始 .我来到这里, 通过探究工具... ...我觉得很有趣.

建立足够多的系统后, 我不再认为它们是不同的把戏,

收集微弱信号
明确保留不确定性
随着时间的推移积累的证据
让确定性政策主宰最终行动

这正是我意思的核心 行为推断系统.

也解释了为什么这些建筑与代码LLMZ.(LLOM)运作良好的原因, 不是因为LLMA是 @"}情报=",}而是因为这个系统的结构足以进行检查并容易调和#.}

本丛书前情提要

问题=:}动态环境=MSSK1}部分证据

多数生产系统仍能达到两种坏的默认值之一:

添加更多规则@. @%
添加更大的型号@. @%

当环境变迁时, 两者均可以工作一段时间.}当环境变换.}

有多少实际的系统是这个“:”

flowchart LR
    A[Messy Input] --> B[Partial Signals]
    B --> C[Conflicting Evidence]
    C --> D[Uncertain Interpretation]
    D --> E[Need to Act Anyway]

    style A stroke:#ef4444,stroke-width:2px
    style E stroke:#22c55e,stroke-width:2px

例如 @:

检测温度
文档提取文件
推荐系统
观众群表达式
欺诈打分
适应性工作流程路线

在那些域中你很少得到一个决定性的事实 . -你得到的碎片一些有用的东西

这就是为什么我不断回到信号 , 限制 MS K1 和可观察性

如果您想要一个系统来改进 @ ,, 您需要看到它所观测到的@ MS K1 相信什么 @ I, 以及为什么它会采取行动?

Disese: 选择压力下的建筑

重要的一步 DiSE 日志不是 "let 一个LLM 更改代码@." 是这个:

将架构作为选择压力下可能出现的东西处理@, @没有在前面完全已知的#.}fn微软雅黑

DISE 重新设置软件, 从 @ " @ building@ MS K1 @ ship @ MPK2 patch_ "} 到 @ I" @ perceepive{ ,} 评价 @ MASK6 mutate @ MISK7} 选择\ MSKO8}

flowchart LR
    subgraph Traditional["Traditional Software"]
        T1[Build] --> T2[Ship] --> T3[Patch]
    end

    subgraph DiSE["DiSE"]
        D1[Perceive] --> D2[Evaluate]
        D2 --> D3[Mutate]
        D3 --> D4[Select]
        D4 --> D1
    end

    style Traditional stroke:#ef4444,stroke-width:2px
    style DiSE stroke:#22c55e,stroke-width:2px

这很重要,因为在许多系统中你事先不知道 :

哪些探测器会重要?
证据的结合会维持
实际交通流量的阈值
哪些昂贵的部件值得运行

所以系统需要空间去探索 .

但光靠探索是不够的你就能轻易地变换成无稽之谈就像变成有用的东西一样

保持墙壁

受限制的模糊是控制层阻止整件事转向 mush @.}

规则是简单的@: @%

概率元件可能提议“;”确定系统决定.

flowchart TB
    I[Input] --> S[Deterministic Substrate]
    S --> P[Fuzzy Proposer]
    P --> C{Constrainer}
    C -->|Pass| O[Output]
    C -->|Partial| R[Rewrite / Hedge]
    C -->|Fail| F[Fallback]
    S -.evidence.-> C

    style S stroke:#22c55e,stroke-width:3px
    style P stroke:#f59e0b,stroke-width:3px
    style C stroke:#ef4444,stroke-width:3px

DISE说“" explore}." 受约束的模糊性 ” “" 身处边界边上 ‘." ’

没有这些边界 ,

超额
浮动
将不确定性隐藏在流流输出背后
成为装入@- @% 包含在他们不应拥有的地方

这就是为什么 AI工程公司的十诫 @.@ "LLMs不应拥有状态@",# @MS K3Llms 不能成为侧面的独有原因 @-effectes @MSKO5}和 @MSSK6Never a LLM 来决定可衍生布林安{"不是风格便笺_.}它们对于需要生存的系统来说是操作规则.}

同样的模式在各地都显示出来。

在 RAG, 中,模型合成但不拥有存储或过滤
在图像管道中 , 愿景模型提出字幕但计算事实制约了它们
检测器发出证据,但政策本身采取行动
在工作流程中的 {,} 元件发出信号,但管弦乐拥有升级和副作用

flowchart LR
    A[DiSE<br/>Search and Selection] --> B[Constrained Fuzziness<br/>Bounded Proposal]
    B --> C[Behavioural Inference<br/>Evidence Over Time]

    style A stroke:#3b82f6,stroke-width:2px
    style B stroke:#f59e0b,stroke-width:2px
    style C stroke:#22c55e,stroke-width:2px

把这两个想法放在一起,你会得到一个实用的图案从虚弱的证据中推导出...",,但使行动可以辨认并控制.

真正的原始信号

这里就是减少的RAG, 斯泰罗花和信号- 合同工作 CFMOM :CFMoM 全部排成一行 @. @%

一旦你停止假装一个模型或规则引擎应该做所有事情,,有用的原始设计就变成了 信号讯号.

良好的信号是:

要低廉计算
可溶性
足够具体到物质
可审计和可审计的
在不确定情况下有用

最重要的是,一个信号是压缩行为 . 它不是整个世界这是你能保存的部份

flowchart LR
    R[Raw Reality] --> X[Extraction]
    X --> S1[Signal]
    X --> S2[Evidence Pointer]
    X --> S3[Confidence]
    S1 --> A[Accumulation]
    S2 --> A
    S3 --> A
    A --> I[Inference]

    style R stroke:#64748b,stroke-width:2px
    style A stroke:#3b82f6,stroke-width:2px
    style I stroke:#22c55e,stroke-width:2px

不同区域发出不同的信号@: @%

:计时 entropy,不可能的头套组合 @,TLS/HTTP不匹配@,爆裂 cadence},签名相似性
文档提取@: 字段近地点 @, OCR 信任 @MS K2 表正统性}%,实体密度_,页面布局一致性
重复崩溃=,转换意图
工作进程系统@:retries @, lantency trapes @MS K2缓存 crn,}路径偏差=,信心衰减

信号允许您从 @ " @ 模型认为@ MS K1 @ 移动到 @ I"# 系统有证据\ ." @

这就是前进的后退减少的RAG: 提取信号, 而不是塞入更大的上下文窗口@. 也是进斯泰罗花@: 校对:Portnoy

一旦信号明确 , 可以问更好的工程问题

暗号实际上驱动着决定
它们都是吵闹的 ?
我们的升级速度太早了 ?
阈值太保守 ?
与假阳性有关的模式
新的探测器属于何处@ ? @

这是运输功能和调控机器的区别 .

行为推断系统

传统系统通常看起来像这个 :

Rules -> Decisions

行为推断系统看起来更像此@ : @

Signals -> Evidence accumulation -> Behaviour inference -> Deterministic action

flowchart TD
    subgraph Old["Old Shape"]
        O1[Rules] --> O2[Decision]
    end

    subgraph New["Behavioural Inference Shape"]
        N1[Signals]
        N2[Evidence Accumulation]
        N3[Inference]
        N4[Policy Action]
        N1 --> N2 --> N3 --> N4
    end

    style Old stroke:#ef4444,stroke-width:2px
    style New stroke:#22c55e,stroke-width:2px

这些系统从何而来 ?

意图
异常反常
类别
结构结构
协调
浮动

通常不会得到一个完美的事实

行为通常比身份更容易推导比身份更容易推导 . 在隐私中重要-preservation system 和对抗性系统@.你可能不知道什么是 {,但你经常知道它属于哪种类型的行为模式_.}

仅此就足以引导“,”或“.”的升级。

也使得这些系统适合代码LLMZ., 当系统给它们:时它们能做得最好

明确边界
可观测状态过渡
可计量产出
本地调频表面
重复评价循环

行为推断系统自然暴露了那些东西

Stylobot 作为一种行为推断系统

Stylobot 部件 *\ 2\ @ info/ plain 可能是目前为止最清晰的具体例子

Stylobot不只是一堆探测器 . 它是一种行为推导物

flowchart LR
    R[Request] --> D[Detector Signals]
    D --> E[Evidence Aggregation]
    E --> T[Signature + Temporal Context]
    T --> I[Behaviour Inference]
    I --> P[Probability + Confidence + Risk]
    P --> A[Policy Action]
    A --> F[Response Feedback]
    F --> D

    style D stroke:#3b82f6,stroke-width:2px
    style T stroke:#8b5cf6,stroke-width:2px
    style P stroke:#f59e0b,stroke-width:2px
    style A stroke:#22c55e,stroke-width:2px

管道中的几样东西直接来自先前的工作

1. 检测器层是 DISE-形

没有单一的探测器被假定为足够. 您有一群专业贡献者提供证据,}随着时间的推移,您学到了哪些能真正帮助"MS K2"

这不是完全自主的进化 , 但它是相同的本能在压力下得到完善

政策表面的模糊性受限

Stylobot 将概率和信心分开@,}但行动是决定性的 @:

Allow
Throttle
Challenge
Block

证据可以是模糊的. 控制表面无法."

3. 签名模式创造行为内存

Stylobot 建构一个多@ - @ vector 签名及时间原因@.}

这已不再是简单的分类@. @ it is memory about actions *% .}这是关于行为的记忆。

*4. 推断与执行是分开的

置信度低的概率高不应引发与高度自信高的概率相同的反应*.

系统保持模棱两可,直到有足够证据证明有理由采取更强有力的行动为止。

“5.”可观测性使它可以调和。

Stylobot 的设计是为了让您能够检查决定路径中几乎每一个有意义的部分@: @%

发射的探测器
发出哪些信号
积累哪些证据
哪些签字特征相匹配
为什么信心移动
早期退出发生地点
哪个政策边界触发了行动

这使它成为一个可调时的引擎,而不是一个黑盒子 .

flowchart TD
    S1[Observable Signals] --> S2[Compare Outcomes]
    S2 --> S3[Tune Thresholds / Weights / Waves]
    S3 --> S4[Re-run on Traffic]
    S4 --> S5[Observe Drift / Improvement]
    S5 --> S1

    style S1 stroke:#3b82f6,stroke-width:2px
    style S3 stroke:#f59e0b,stroke-width:2px
    style S5 stroke:#22c55e,stroke-width:2px

这个循环正是代码LLM 帮助.}不是通过替换引擎,}而是通过加快发动机的更改_: 200)}

添加或改进探测器
符号检查
曲调阈值
重组波序
围绕假阳性和误差建立诊断

这只管用,因为这个建筑能观测到足以支持最初的调试

为什么《法典》LLMs公司

有用的转换不是 @"LLMs现在可以写入软件@."}这条线几乎马上变得无聊了 @MS K2{#

重要的是代码LLMS能降低勘探成本 .

RAG于5月公布,“.Retreival,嵌入搜索”“,信号提取’, 和证据包不是新想法‘. ” 而改变的是,在它们上面的迭代成本 $. 画出20个探测器候选人_, 有线评估用具>,检查讯号覆盖@, 并调控关卡MS K9 多数团队将建立一个设计{, 船}“, 」然后与他们切下的任何角落生活在一起

代码LLMs改变了该循环的经济学.

他们能帮你做原型 :

探测器
变换
合同合同
评价员
排名制度
合成合成试验
诊断性意见
调频

flowchart LR
    A[Human Hypothesis] --> B[Code LLM Acceleration]
    B --> C[More Candidate Signals]
    C --> D[More Evaluation]
    D --> E[Better Selection Pressure]
    E --> F[Stronger Inference System]

    style B stroke:#8b5cf6,stroke-width:2px
    style F stroke:#22c55e,stroke-width:2px

LLM不需要成为战略上有用的决策者 @. @它能让设计#-_space探索更便宜@.}

但先前的规则仍然适用 :

LLM 并不拥有国家
LLM 不具有副作用
LLM 无法重新定义真相
定点基质仍然是基质

因为他们加快了搜索和调试... ...","不是因为他们取消了对建筑的需求吗?

横跨其他系统

同样的形状一直显示在 @. @%

减少的RAG

内减少的RAG, 你在摄入时提取确定性信号 MS K1单独存储证据 , 让LLM从捆绑的证据包中合成

不是“"”而是将模型的一切和希望都化为样板。希望." 提取第一个, 限制表层@," ,并从证据中合成=.}

更清晰

斯泰洛博特在一段时间内根据请求推断行为的行为 lucidRAG 来自多式证据的推论意指 :文档结构 , OCR信任,实体图形=%,排序信号@,}来源质量_, dedusition.

不同的基质@.}相同的形状 @ .

flowchart LR
    subgraph Stylobot["Stylobot"]
        SB1[Request Signals]
        SB2[Temporal Evidence]
        SB3[Behaviour Inference]
        SB4[Policy Action]
        SB1 --> SB2 --> SB3 --> SB4
    end

    subgraph LucidRAG["lucidRAG"]
        LR1[Content Signals]
        LR2[Evidence + Retrieval]
        LR3[Meaning Inference]
        LR4[Bounded Synthesis]
        LR1 --> LR2 --> LR3 --> LR4
    end

    style Stylobot stroke:#3b82f6,stroke-width:2px
    style LucidRAG stroke:#22c55e,stroke-width:2px

“"app." ”两者都是不同投入的推论引擎“.

CFMOM :CFMoM

内限制的模糊MOM,多个概率构件可以提议,,但是它们通过打字信号和确定性逻辑进行沟通,决定什么能活下来。

这是多-模范协调而不投降控制

环境拖累

内受限制的模糊环境拖拉“,”这个系统保持连接的内存,并保存上下文中重要部分足够长的时间供日后解释。”“.”

推论需要时间@. 上下文拖曳提供时间而不让内存生长而没有约束 @.

斯泰罗花

内斯泰罗花“,”组件不直接互相呼唤“. ”它们发出信号“MS K2 ”并对这些信号及其信任做出协调反应“MSC3 ”

这是适用于工作流程基础设施的行为推论 .

“"Behaviora conference systems "是比“"Agentic System @"”或“MS K4LLM appsMAK5”更好的伞, 它描述的是建筑而不是营销包装纸@.#

设计规则

如果我不得不把整条线压缩成几条规则

不要混淆流利输出与系统知识@. @%
提取早期信号@. @%
保存不确定性的时间长于感觉舒适的 .
即使推论是概率的 . 也保持行动确定性
保存证据指针 @,}不只是摘要@.
让各构件提议 @;}不要任由他们自己#-}授权@.
将时间作为真理的一部分处理@. @%
使用 LLM 探索设计空间@ , @ 不替换建筑_ .
**构建您可以调控的引擎@ , @ 不只是配置像 App.} ***

这些规则的规范性版本是: AI工程公司的十诫. 这篇文章是建筑版的 .

flowchart LR
    A[Ten Commandments] --> B[Architectural Constraints]
    B --> C[Behavioural Inference Systems]
    C --> D[Tuneable Engines]

    style A stroke:#8b5cf6,stroke-width:2px
    style B stroke:#ef4444,stroke-width:2px
    style C stroke:#22c55e,stroke-width:2px
    style D stroke:#3b82f6,stroke-width:2px

mindmap
  root((Behavioural Inference))
    DiSE
      Search
      Mutation
      Selection
    Constrained Fuzziness
      Substrate
      Proposer
      Constrainer
    Signals
      Evidence
      Confidence
      Provenance
    Time
      Memory
      Drift
      Temporal Context
    Action
      Policy
      Thresholds
      Deterministic Boundaries

为何如此重要

生产中幸存下来的人工智能系统通常不是巨型自发软体它们也不是无穷无尽的规则 .

这些系统就是 :

收集狭窄的信号
随着时间的推移积累的证据
诚实地保留含糊不清之处
暴露于确定性控制表面
保持可检查的状态,足以发展

这是比"更好的工程故事模型更聪明

模型将改善#.+Fine@.+Bructure仍然能决定一个系统是否可调试,+Q审计},+Q廉价运行{,+Q安全进化},+和在对抗压力下坚固

行为推断系统认真对待这些制约因素

结束式思考

在事后的观察中线条看似明显

flowchart LR
    D[DiSE<br/>Explore and Select] --> CF[Constrained Fuzziness<br/>Bound the Uncertain]
    CF --> BI[Behavioural Inference Systems<br/>Infer from Weak Signals]
    BI --> ST[Stylobot / Reduced RAG / StyloFlow<br/>Working Architectures]

    style D stroke:#3b82f6,stroke-width:2px
    style CF stroke:#f59e0b,stroke-width:2px
    style BI stroke:#22c55e,stroke-width:2px
    style ST stroke:#8b5cf6,stroke-width:2px

DISE给了我一种思考建筑搜索的方法受困的模糊让我得以将概率组件保存在清晰的边界内当这些想法被迫维持生产时,行为推断系统就成了你得到的结果 .

Stylobot 仅仅是目前的例子@. @

一旦你开始将系统视为确定性动作表面的证据积累器 , 很多现代软件不再像 @"}=Ai type" 并开始在不同域中看起来相同模式 {.