Die meisten Software geht immer noch davon aus, dass die Welt es saubere Eingänge und stabile Regeln geben wird. Produktion in der Regel keines der beiden

Dieser Beitrag ist die through---Linie hinter einer Reihe von Dingen I'-ve wurde Gebäude -:- DiSE, Beschränkte Fuzziness, CFMoM, Reduzierte RAG, StyloFlow, Die zehn Gebote der KI EngineeringL 347 vom 20.12.2013, S. 671. Stylobot.

Ich habe nicht hierher kommen, indem ich mit einer großen Theorie begann...Ich bekam hier durch Stöbern an Werkzeugen fand ich interessant und versuchte herauszufinden, was sie wirklich taten.MSC2.Zusammenfassung.....Code-Generierung:.. Retrieval: ..Extraktion: .. Ranking: .. Sobald du aufhörst, die Marketingschicht zu hören, machen die meisten nützlichen keine magische Sache, sondern sammeln partielle Beweise.,.

Nach dem Bau genug solcher Systeme hörte ich auf, sie als separate Tricks zu betrachten und begann die gleiche Architektur darunter zu sehen.

• schwache Signale sammeln
• Ungewissheit offen halten
• akkumulieren Beweise im Laufe der Zeit
• lassen deterministische Politik die letzte Aktion besitzen

Das ist der Kern dessen, was ich mit einem Verhaltensableitungssystem.

Es erklärt auch, warum diese Architekturen gut mit Code LLMs zusammen arbeiten, nicht weil das LLM die Intelligenz ist, sondern weil das System so strukturiert ist, dass es inspizierbar und einfach genug ist, um . zu stimmen.

Zuvor in dieser Serie

• Kochen mit DiSE-(-Teil-Gebäudesystemen, die lernen, ,-Anpassen und Evolve
• Beschränkte Fuzziness-Ein Steuerungssystemmuster für probabilistische Komponenten
• Eingeschränkte Fuzzy MoM-:-Signalverträge über Agent Chatter
• Beschränkte Fuzzy Kontext Drackging
• Reduzierte RAG-:-Stop-Stuffing Kontext Windows und Start Extrahieren von Signalen
• StyloFlow-:, eingeschränktes Fuzzy-Signal, angetriebene Workflows
• Die zehn Gebote der KI Engineering
• StyloBot Part Signature Pipeline und Architektur

---

Das Problem – Dynamische Umgebungen – Partielle Beweise

Die meisten Produktionssysteme greifen immer noch für eine von zwei schlechten Voreinstellungen

1. Mehr Regeln hinzufügen
2. Ein größeres Modell hinzufügen

Beide können für eine Weile arbeiten, wenn die Umgebung verschiebt.

Was viele wirkliche Systeme tatsächlich haben, ist dies

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

Beispiele

• Bot-Detektion
• Dokumentenextraktion
• Empfehlungssysteme
• Segmentierung des Publikums
• Betrugsbewertung
• adaptives Workflow-Routing

In diesen Domains erhalten Sie selten eine entscheidende Tatsache. Sie erhalten Fragmente, die nützlich sind.

Deshalb kehre ich immer wieder zu Signalen zurück.

Wenn Sie möchten, dass ein System verbessert wird, müssen Sie sehen, was es beobachtet hat, was er geglaubt hat, und warum es gehandelt hat, wenn das in verworrenen Codepfaden begraben bleibt, wird das Tuning zu Vermutungsarbeit.

---

Architektur unter Auswahl Druck

Der wichtige Schritt in DiSE wurde nicht mit einem LLM-Änderungscode versehen Es war dieses

Architektur als etwas behandeln, das unter Selektionsdruck entstehen kann... nicht etwas völlig Bekanntes im Vorfeld.

DiSE-Reframes Software von "Build-,Ppatch"Patch zu "Perceive,Evaluation,Putate wählen

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

Das ist wichtig, denn in vielen Systemen wissen Sie nicht im Voraus

• welche Detektoren wichtig sind
• welche Kombinationen von Beweisen halten
• welche Schwellen den realen Verkehr überstehen
• welche teuren Komponenten das Laufen wert sind

Das System braucht also Platz zum Erforschen .

Aber die Erforschung allein ist nicht genug..... Du kannst deinen Weg in den Unsinn so leicht mutieren wie in etwas Nützliches.

---

Eingeschränkte Fuzziness Bewahren Sie die Wände

Beschränkte Fuzziness ist die Kontrollschicht, die das Drehen der ganzen Sache zu mush stoppt

Die Regel ist einfach.

probabilistische Komponenten können vorschlagen... deterministische Systeme entscheiden...

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 sagt: "explore": .": eingeschränkte Fuzziness sagt: „"": innerhalb dieser Grenzen:

Ohne diese Grenzen tun die probabilistischen Systeme, was sie immer tun

• Rückforderung
• Drift
• Ungewissheit hinter fließendem Ausgang verbergen
• an Orten, wo sie nie besitzen sollten

Aus diesem Grund Die zehn Gebote der KI Engineering Materie: .---"--LLMs dürfen keinen eigenen Zustand haben – ",--M"-LMLMs dürfen nicht die alleinige Ursache von Seiteneffekten sein – ",-- und "--Never ask an LLM to decide a desivable boolean – "-- sind keine Stilnotizen – MSC8--Sie sind Betriebsregeln für Systeme, die die Produktion überleben müssen.

Das gleiche Muster zeigt sich überall.

• Das Modell synthetisiert, besitzt aber keine Speicherung oder Filterung
• in Bild-Pipelines – Vision Modelle schlagen Untertitel vor, aber berechnete Fakten beschränken sie
• in Bot-Detektion .,-Detektoren emittieren Beweise, aber Politik besitzt Maßnahmen
• in Arbeitsabläufen – Komponenten senden Signale aus, aber die Orchestrierung besitzt Eskalation und Nebenwirkungen

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

Setze diese beiden Ideen zusammen und du erhältst ein praktisches Muster, das von schwachen Beweisen ausgeht, aber Aktion lesbar und kontrolliert macht.

---

Signale - Der wahre Primitiv

Das ist, wo Reduzierte RAG, StyloFlowDas Signal und die Auftragsarbeit in CFMoM Alle Line up-.

Sobald Sie aufhören, so zu tun, dass ein Modell oder eine Regel-Engine sollte alles tun - das nützliche Design primitiv wird die Signal.

Ein gutes Signal ist:

• billig zu berechnen
• kombinierbar
• speziell genug für die Materie
• prüfungsfähig
• nützlich unter Unsicherheit

Am wichtigsten ist, dass ein Signal komprimiertes Verhalten ist.Es ist nicht die ganze Welt, es ist der Teil, den Sie konservieren können.

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

Verschiedene Domänen senden unterschiedliche Signale aus

• Bot-Detektion: :, Timing-Entropie: ,, unmögliche Header-Kombinationen: MSC2, TLS, /,HTTP-Unstimmigkeiten: MCSK4, Berstkadenz: ,, Signaturgleichheit:
• Dokumentextraktion:-Feldnähe,-OCR-Konfidenz,-Tabelle Regelmäßigkeit,-Entitätsdichte,-Seitenlayout Konsistenz
• Empfehlungssysteme:-Sitzungsdrift,-Verweilmuster,-Wiederholungskollaps,-Konvertierungsabsicht
• Workflow-Systeme – :-Retries,-Latenz Spikes,-Cache churn,-Pfaddivergenz,-Konfidenzzerfall

Signale lassen Sie sich von dem Modell bewegen, das denkt, dass das System Beweise hat.

Das ist der Schritt hinter Reduzierte RAGSignale extrahieren anstatt größere Kontextfenster zu stopfen Es ist auch der Schritt in StyloFlowNicht undurchsichtige Komponenten-Aufrufe

Sobald Signale explizit sind, können Sie bessere technische Fragen stellen.

• welche Signale tatsächlich die Entscheidungen antreiben
• welche sind laut?
• wo eskalieren wir zu früh?
• welche Schwellen zu konservativ sind
• welche Muster mit falschen Positiven korrelieren
• wo gehört ein neuer Detektor?

Das ist der Unterschied zwischen Versand einer Funktion und Tuning einer Maschine .

---

Verhaltensableitende Systeme

Traditionelle Systeme sehen oft so aus

Rules -> Decisions

Verhaltensinferenzsysteme sehen eher so aus

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

Was bedeuten diese Systeme?

• Absicht
• Anomalie
• Kategorie
• Struktur
• Koordinierung
• Drift

Normalerweise, ohne jemals eine einzige perfekte Tatsache zu bekommen

Verhalten ist oft leichter zu schlussfolgern als Identität, die in der Privatsphäre von Bedeutung ist.- Bewahren von Systemen und kontradiktorischen Systemen.

Das ist genug, um route-,-Throttle-MS K1-Challenge-MSC2-Cluster-,-Priorisierung oder eskalieren .

Es macht auch diese Systeme eine gute Passung für Code LLMs. Sie tun am besten, wenn das System ihnen gibt.

• explizite Grenzen
• Beobachtbare Zustandsübergänge
• messbare Ergebnisse
• lokale Stimmflächen
• wiederholte Bewertungsschleifen

Ein verhaltensableitendes System entlarvt diese Dinge natürlich.

---

Stylobot als Verhaltensinferenzsystem

Stylobot Teil ist wahrscheinlich das deutlichste konkrete Beispiel bis jetzt

Stylobot ist nicht nur ein Haufen von Detektoren, es handelt sich um einen Verhaltensinferenz-Stack.

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

Ein paar Dinge in dieser Pipeline kommen direkt aus dem früheren work.

Die Detektorschicht ist DiSE---förmig

Kein einzelner Detektor wird angenommen, um genug zu sein... Sie haben eine Population von spezialisierten Mitwirkenden, die Evidenz aussenden.... und im Laufe der Zeit erfahren Sie, welche tatsächlich helfen...

Das ist nicht volle autonome Evolution .. . , aber es ist der gleiche Instinkt . : . Architektur wird unter Druck verfeinert .

Die politische Oberfläche ist eingeschränkter Fuzziness

Stylobot hält Wahrscheinlichkeit und Vertrauen getrennt aber Aktion ist deterministisch

• Allow
• Throttle
• Challenge
• Block

Nachweise können undurchsichtig sein.

Das Signaturmodell erzeugt Verhaltensspeicher

Statt einen Besucher auf eine IP oder einen Benutzer zu reduzieren, baut Stylobot im Laufe der Zeit eine Multi--®Vector Signatur und Gründe auf.

Das ist nicht mehr die einfache Klassifizierung.Es ist das Gedächtnis über Verhalten.

Die Schlussfolgerung und die Durchsetzung sind getrennt.

Hohe Wahrscheinlichkeit bei geringer Konfidenz sollte nicht die gleiche Ansprechrate auslösen wie bei hoher Wahrscheinlichkeit mit hohem KonfiDENzwert

Das System hält Ambiguität intakt, bis es genügend Beweise hat, um stärkere Aktion zu rechtfertigen.

Beobachtbarkeit macht es stimmbar

Stylobot ist so konzipiert, dass Sie fast jeden sinnvollen Teil des Entscheidungspfades inspizieren können.

• welche Detektoren abgefeuert wurden
• welche Signale ausgestoßen wurden
• welche Beweise angesammelt wurden
• welche Signatur-Features übereinstimmen
• warum sich das Vertrauen bewegte
• wo der frühe Ausgang passierte
• welche politische Grenze die Aktion ausgelöst hat

Das macht es zu einem Tuneable-Engine anstatt einer schwarzen Box.

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

Diese Schleife ist genau dort, wo Code LLMs helfen... nicht durch den Austausch des Motors... sondern durch die Beschleunigung von Änderungen am Motor....

• Detektoren hinzufügen oder verfeinern
• schlägt vor, cross---Signalprüfungen
• Stimmschwellen
• Umstrukturierung der Wellenordnung
• Diagnose um falsche Positive und Misses aufbauen

Das funktioniert nur, weil die Architektur beobachtbar genug ist, um das Tuning an erster Stelle zu unterstützen.

---

Warum Code LLMs wichtig sind

Die nützliche Shift ist nicht "-LLMs können Software jetzt schreiben ,."-Die Linie wurde fast sofort langweilig ,.-

Wichtig ist, dass Code LLMs die Exploration billiger machen.

RAG wurde im Mai veröffentlicht.Die meisten Teams würden ein Design bauen – , – Schiff es –, – und dann mit allen Ecken leben, die sie geschnitten hatten.

Code LLMs änderte die Wirtschaftlichkeit dieser Schleife

Sie helfen dir Prototypen

• Detektoren
• transformiert
• Verträge
• Bewerter
• Rangfolgesysteme
• Synthetische Prüfungen
• Diagnoseansichten
• Tuninggeschirre

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

Das LLM muss nicht der Entscheider sein, um strategisch nützlich zu sein.Es kann einfach Design machen.

Aber die früheren Regeln gelten immer noch.

• der LLM besitzt keinen Staat
• die LLM besitzt keine Nebenwirkungen
• Die LLM kann die Wahrheit nicht neu definieren
• das deterministische Substrat bleibt das Substrat

Also ja, ,-Code LLMs matter - MS K1 - Sie sind wichtig, weil sie die Suche und das Tuning beschleunigen nicht, da sie die Notwendigkeit für Architektur entfernen

---

Die Through---Line über die anderen Systeme

Die gleiche Form zeigt sich immer wieder

Reduzierte RAG

Im Reduzierte RAGSie extrahieren deterministische Signale bei der Aufnahme, speichern Beweise separat und lassen die LLM aus einem gebundenen Evidenzpaket synthetisieren.

Nicht geben Sie das Modell alles und hoffen Sie , zuerst zu extrahieren , um die Oberfläche einzuschränken , , , und synthetisieren aus Evidenz ,. .

LucidRAG

Wo Stylobot das Verhalten von Anfragen im Laufe der Zeit ableitet lucidRAG infers Bedeutung von multimodalen Evidenz-:-Dokument-Struktur-,-OCR-Konfidenz-MSC2-Entität Graphen-MSSK3-Ranking-Signale - ,-Quellenqualität-MS K5-Deduplizierung-MS-K6-

Verschiedene Substrate Gleiche Form

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

Beide sind Inferenz-Motoren, die über verschiedene Eingänge arbeiten.

CFMoM

Im Beschränkte Fuzzy MoMMehrere probabilistische Komponenten können vorschlagen, aber sie kommunizieren durch getippte Signale und deterministische Logik entscheidet, was überlebt.

Das ist Multi-Model-Koordination, ohne die Kontrolle aufzugeben.

Kontext schleppen

Im Beschränkte Fuzzy Kontext DrackgingDas System hält gebundenen Speicher und bewahrt die Teile des Kontextes, der lange genug für spätere Interpretation wichtig ist.

Inferenz braucht Zeit...... Kontext Ziehen macht Zeit verfügbar, ohne dass der Speicher wächst, ohne gebunden zu werden..

StyloFlow

Im StyloFlowDie Komponenten rufen sich nicht direkt an. Sie senden Signale aus und die Orchestrierung reagiert auf diese Signale und ihr Vertrauen.

Das ist Verhaltensinferenz, die auf Workflow-Infrastruktur angewendet wird.

Behavioural inference systems." ist ein besserer Regenschirm als " agentic systems, oder "LLM apps, die Architektur anstelle des Marketing-Wrappers beschreibt

---

Gestaltungsregeln

Wenn ich die ganze Linie in ein paar Regeln komprimieren musste

1. Verwechseln Sie nicht fließende Ausgabe mit Systemwissen
2. Signale früh extrahieren
3. Ungewissheit länger bewahren, als sich angenehm anfühlt
4. Bewahren Sie die Aktion deterministisch, auch wenn Inferenz probabilistisch ist.
5. Evidenz-Zeugner speichern - nicht nur Zusammenfassungen
6. Lassen Sie Komponenten vorschlagen, ;, nie lassen Sie sie selbst self--...autorisieren
7. Behandeln Sie die Zeit als Teil der Wahrheit
8. Verwenden Sie LLMs, um Design-Raum zu erkunden... nicht Architektur ersetzen.
9. Baue etwas, das du wie ein Motor tunen kannst... nicht nur konfigurieren wie eine App.

Die normative Fassung dieser Regeln ist Die zehn Gebote der KI Engineering. Dieser Artikel ist die architektonische Version.

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

---

Warum das so wichtig ist

Die KI-Systeme, die Produktion überleben, sind in der Regel keine riesigen autonomen Blobs. Sie sind auch nicht endlose Haufen von Regeln

Sie sind Systeme, die

• schmale Signale sammeln
• akkumulieren Beweise im Laufe der Zeit
• Ambiguität ehrlich bewahren
• deterministische Kontrollflächen aussetzen
• bleiben inspizierbar genug, um sich zu entwickeln

Das ist eine bessere Engineering-Geschichte, als das Modell smarter bekam.

Modelle werden verbessern .. . Fine . . . Architektur immer noch bestimmt, ob ein System debuggbar ist ?, ? auditable ? , ? billig zu laufen ? , ? sicher zu entwickeln und robust unter kontradiktorischem Druck ?

Verhaltensinferenzsysteme nehmen diese Einschränkungen ernst

---

Schlussgedanken

Die Linie sieht im Nachhinein offensichtlich aus

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 gab mir eine Möglichkeit, über architektonische Suche zu denken Beschränkte Fuzziness gab mir einen Weg, um probabilistische Komponenten innerhalb klarer Grenzen zu halten. Verhaltensinferenzsysteme sind das, was man bekommt, wenn diese Ideen gezwungen werden, die Produktion zu überleben.

Stylobot ist nur das aktuelle Beispiel.

Sobald Sie anfangen, Systeme als Evidenz-Akkumulatoren mit deterministischen Handlungsoberflächen zu sehen... eine Menge moderner Software hört auf wie ".AI Features zu schauen und beginnt das gleiche Muster in verschiedenen Domänen zu suchen.