# Rajoitettu hämärän taustan vetäminen: Mitä muistetaan Yksi helpoimmista tavoista, joilla AI-järjestelmä epäonnistuu, on antaa se muistaa liikaa. Suurin osa "lähestymistapaa koskevasta käsittelystäM SK1 lähestymistavasta johtaa yhteen kahdesta virheestä - **Tehkää kaikki selväksi.** ja toivon, että mallissa selvitetään, mikä on tärkeää - **Toistuvasti uudelleen-summarise summaries** ja hyväksytään virtaaminen elämän tosiasiaksi Molemmat lähestymistavat ovat kalliita, On olemassa parempi malli -, joka kuvastaa sitä, miten biologiset järjestelmät itse asiassa mittaavat kogniatiota Minä kutsun sitä **Rajoitettu hämärän taustan vetäminen** (CFCD). [TOC] --- ## Yhden lauseen malli > **Rajoitettu hämärän taustan vetäminen** on malli, jossa todennäköisyysmallit ehdottavat, mikä on merkittävää, mutta vain deterministiset säännöt voivat viedä tätä merkittävää eteenpäin vaikuttamaan tulevaan ajatteluun tai sukupolveen. Tai suoraan sanottuna: > *Muodot saattavat huomata. Insinöörit päättävät, mikä säilyy* Tämä on sama filosofinen jako kuin [Rajoitettu epämääräisyys](/blog/constrained-fuzziness-pattern) ja [Rajoitettu hämärä MoM](/blog/constrained-mom-mixture-of-models) - sovellettiin juuri **akseli** sen sijasta **päätöslinja**. --- ## Keskeinen virhe: Kontextin käsittely tekstinä LLM-järjestelmät eivät "muistele". Ne ovat malliaM SK2vastaavat tokenia . Kun kohtelemme kontekstia " vain lisää tekstiä ", saamme - hiljainen ajo - epäjohdonmukainen terminologia - rikolliset kustannukset - yhteenvedot, jotka ovat ristiriidassa aiempien yhteenvedojen kanssa - käännökset, joissa sama asia korvataan viidellä kertaa - kontekstista tulee käännettämätön riippuvuus ( kukaan ei tiedä, mitä on muutettuM SK1 mutta tulokset ovat muuttuneet pitemmälle menevät kontekstin olot eivät ratkaise tätä. Ne vain viivästyttävät epäonnistumista Todellinen kysymys ei ole *kuinka paljon* konteksti säilyttää, muttaM SK1 > **Mikä ansaitsee selviytyä?** --- ## CFCD-säännöt CFCD velvoittaa ankaraan erotteluun: | Tehtävä | Mahdollistetaan se, että se on hämärä |------|---------------------|--------------------------------------| | Salienssin havaitseminen | Yhteenvetona edistäminen | Yhteinen sukupolvi SSK1 Kyllä | Ei S| | Ankkurivarasto ( aluksenvarsi ) | Ei SSK4 Kyllä S| Todennäköisyys voi *ehdottaa*. Päättäväisyys päättää, mitä viedään eteenpäin Deterministinen tarkoittaa: **samat tulot + sama politiikka ⇒ samat ankkurit**. Voitte edelleen käyttää todennäköistä tulosta ; vain suorittaa ne kiinteällä edistyksellä M SK2 päättymistehtävät (MMR, RRFM SK5 äänestyssääntöjen noudattaminen CFCD on se tapa, jolla saat hyötyä kontekstista maksamatta kontekstin hintaa. --- ## Esimerkki 1: Lyhyesti sanottuna ### Naiivi lähestymistapa - Chunk-asiakirja - Yhteenveto jokaisesta osasta - Lyhyesti yhteenvedot - Hyväksy drift Tämä epäonnistuu, koska: - varhaiset virheet yhdistetään - painopiste siirtyy mielivaltaisesti - ristiriidat on peitelty ### CFCD-lähestymistapa Keskeinen käsitys: **salienssin havaitseminen ei edellytä LLM:tä**. Voitte käyttää deterministista ML:tä (embeddings, TFM SK3IDFMST4 BMMSC5 löytääksenne, mikä on tärkeääMSL6 sitten rajoittaa LLM:tä vain näkemään, mikä selviytyi valiotuksestaMスク7 [DocSummarizer](/blog/docsummarizer-advanced-concepts) panee täytäntöön tämän 1. **Käsitellään asiakirjaa osittain** ( 2. **Laaditaan sisällytyksiä** ONNX-lausetta käyttäen-transformaattorit (MLM SK2 ei LLM) 3. **Laskelmatulokset** käyttäen: - Kosiinin samankaltaisuus asiakirjan centroidia kohtaan - TF-IDF ajankohtaisen merkityksen osalta - Sijoituspainot (intro/johdanto-osuuden nostaminenM SK2 - Sisältö-tyypin mukautukset M SK1kertomus vs esittelijä) 4. **Valittakaa ylhäältä-K MMR:n avulla** (Määrimmäinen merkitysmarginaali - Tasapainot merkityksellinen ( centroidien samankaltaisuusM SK1 monimuotoisuuden kanssa - Deterministinen: samat tulot M SK1 sama valinta 5. **LLM synteesii vain selected segments -osista** LLM ei koskaan näe koko asiakirjaa. ```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); } } } ``` ### Adaptiivinen valinta: Kontext-puitetietoisuus Koska tulos on **luokiteltu keräys**, voi mukauttaa ankkurimäärän synteesimalliin runtimessa ```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); } } ``` Tämä on edelleen deterministista: **samat tulot + sama malliprofiili → samat ankkurit**. Rangaistus tapahtuu kerran. Tämä tarkoittaa, että voi - Käyttäkää nopea pieni malli 5 ankarien avulla lyhyen yhteenvedon tekemiseksi - Käyttäkää tehokas malli 50 ankarien avulla kattavaan analyysiin - Dynaamisesti mukautetaan mid-pipeliiniä, jos ensimmäisessä yrityksessä ei ole kattoa Keskeinen käsitys: **Ankarit ovat rakenteellisia, eivät prosia**. Siirrot ja MMR ovat deterministisiaM SK1 LLM tekee lopullisen synteesin vain, , rajoittuu siihen, mikä selviytyi **Ankarsopimus:** generation voi vaihdella sanamuotoa, mutta ei saa olla ristiriidassa ankkurien kanssaM SK1 Jos ankkurit ovat riittämättömiä , niiden on suojattava ja/ tai pyydettävä lisää todisteita Konkreettinen ankkurirepresentaatio: ```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" } ``` --- ## Esimerkki 2: käännös Tulkkaus paljastaa tämän mallin vielä selvemmin. ### Epäonnistuminen Translate sentence-byM SK1sentence and you get - epäjohdonmukainen terminologia - nimeämät entiteet - hienovarainen semanttinen virtaus Vaikka teksti on valtava, mallit ovat edelleen vapaat. ### CFCD-lähestymistapa 1. Alkuasiakirjan, tiivistelmä **terminologiaehdokkaat**: - asianmukaiset nimitykset - tekniset ehdot - toistuvat lauseet 2. Rakennetaan **tilinpäätöskirja**: - lähde → kohdekartoitus - luottamus - ensimmäinen- nähty paikka 3. Jokainen lause: - sallia hämärän käännöksen - **rajoitus** tilinpäätöksiä koskevat valinnat - sallitaan poikkeaminen vain vahvojen paikallisten todisteiden avulla 4. ajantasaistetaan kirjanpitoa määrätietoisesti, jos: - parempi kartoitus ilmenee toistuvasti - tai julistetaan selkeä yliride **Mitkä ovat vahvoja paikallisia todisteita?** - Termi appears in a glossary, tableM SK1 or definition block (structural cue - Selkeät käyttäjät ylittävät järjestelyssä - Toistaa viimeisen W-kierroksen aikana (sliding windowM SK1 johdonmukaisen käytön kanssa Tämä on deterministista. Tasa-arvopolitiikka: ΔM SK1 luottamuspula, W =50 chunks MST4tune per domainMSC5 ```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; } } ``` Käytännössä haluatte myös äänestysväärennytyksen ( tai liikkuvan ikkunanM SK1, niin että aikaisemmat virheet eivät muuttu pysyväksi '. Tärkeintä on se, että häviämissääntö on deterministinen, ei mallinmukainen **Miksi tämä on tärkeää virheiden korjaamiseksi:** Jos käännös käännetään "tehtaiden uudelleen asentaminenM SK1 keskinäinen -asiakirja, voitte erottaa luvut ja nähdä tarkasti, milloin ja miksi ``` 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) ``` Ei ole epäilystäkään. Ei M SK1malli on juuri päättänyt ". Ilman näkyvyyttä, määrätietoinenMST4 tilintarkastettavaMSV5 Tämä antaa teille: - paikallinen joustavuus (malli käsittelee sanamuotoaM SK1 - maailmanlaajuinen johdonmukaisuus ( - rajallinen hinta ( ei tarvitse muuttaa - käännös johdonmukaisuuden varmistamiseksi - tilintarkastuskelpoiset päätökset (velvoite on tarkastettavaM SK1 Siksi **terminologinen johdonmukaisuus** ei voida ratkaista " vain lisää kontekstiaM SK1 --- ## Tämä ei ole muisti - Se on rajoitteiden levittäminen CFCD tekee **ei** annetaan mallin muisti. Se antaa *järjestelmä* muisti. Malli: - ei sisällä valtiota - ei päätä, mikä pysyy - ei omista taustaa Järjestelmä: - varastoi ankkurit - rajoittaa rajoja - vanhentunut salienssi päättyy - valvoo nimenomaisesti elinkaaren kestoa **Määräaikataulu** ( - **Aika** ankkurit päättyvät sen jälkeen, kun `T` ilman viittausta - **Käyttäkää-perustainen:** ankkurit, joissa ei ole yhtään iskua `N` jäljelle jäävät chunkit häviävät - **ristiriita-perusteinenM SK1** voittajalla on ≥2 ääni ja se ylittää nykyisen luottamuksen ΔM SK1 W-kierroksella Se ero on kaikki. ```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 ``` ### CFCD-kaasuputki Tässä on malli, jossa ledger on ensimmäinen ```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 ``` Vihreät laatit ovat deterministisia. Pohjoinen laatija on probabilistista. Luettelo on niiden välilläM SK2 ja siinä piilee se, mikä selviytyi . ### Mitä käytäntöön on tapahtunut? Kolme shiftia: - Lopettakaa jatkuva prosoiminen - Te pysytte kiinni *kirjatut ankkurit* - Suhtaudutte tilinpäätökseen API, eikä prompt Pyynnöstä tulee *näköpiiri* tilinpäätöksestä, ei itse tilinpäätöstäM SK1 Se, että ' on "grok ### Mitä ankkuriksi lasketaan? Ankarit eivät ole "tärkeä tekstiM SK1 Ne ovat **typed, rakenteelliset tosiasiat** jotka rajoittavat tuotantoa: - **Terminologiakartoitus**: `factory reset` → `restore factory settings` - **Yritykset ja henkilötiedot**: `ProductName`, `ModelNumber`, `UserID` - **Rajoitukset / invariantit**: - **User preferences / style constraints**: - **Laaja-alaiset metadatat**: "3.2% semanttinen näytelmä - **Versionointi**: `policyVersion: "cfcd-v1"`, `anchorSchemaVersion: 2` Kyse on siitä, että ankkurit eivät ole prososia vaan rakenteita. --- ## Biologinen yhteys *Tämä on analogiaa, ei biologista väitettä : kohdassa on valikoiva konsolidointiM SK2 ei kirjallinen mekanismi* Aivot eivät toista koko sensorivirtaa. Ne: - havainnollistaminen - vahvistetaan valikoivasti - haitata melua - jäädytetään esitykset, kun ne ovat vakiintuneita Kieli, moottoritaidotM SK1 ja tajuaminen kaikki riippuvat **rajoitettu kuljettaminen- eteenpäin**, ei raaka-ainetta CFCD on sama periaate,, joka pannaan täytäntöön mekaanisesti | Biologinen järjestelmä |------------------|-----------------| | Huomauttaminen ( mitä huomataM SK2 | Salliance detection | Konsolidointi (mitä on muistettava | Kielto ( mitä jättää huomiotta | Muistutan ( mitä hakea) | Ledger query (deterministic --- ## Muodot yhtenäistetään CFMoM ja CFCD ovat sama ajatus, jota tarkastellaan eri näkökulmasta: | Mitta | Muodon SSK2 |-----------|---------| | Yksittäinen ehdottaja [Rajoitettu epämääräisyys](/blog/constrained-fuzziness-pattern) | | Useat ehdottajat [Rajoitettu hämärä MoM](/blog/constrained-mom-mixture-of-models) | | PitkätM SK1 horisontaalinen konteksti | Rajoitettu hämärän kontekstin vetäminen SSK3 Kaikki kolme noudattavat samaa sääntöä > **Todennäköisyys ehdottaa. Determinismi pysyy ennallaan** Kun otetaan tämä sääntö huomioon, suurin osa järjestelmän suunnittelusta ei enää ole salaista. ```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 ``` --- ## Miksi tämä ei ole mainstream Koska se: - vähentää laskentakuluja (ei uudelleenM SK1prosessointi johdonmukaisuuden varmistamiseksi - Soveltuu pieniin malleihin (kankarat tekevät raskaan nostamisenM SK1 - Demossa näyttää ikävältä (ei "herkkä muistiM SK2väittämät - tuottaa vähemmän dramaattisia epäonnistumisia (ongelmat ovat selviä - edellyttää todellista järjestelmien ajattelua ( ei vain nopeaa insinööritoimintaa ) Toisin sanoen, se optimoi tuotantoa. --- ## Anti-Patternit korvaavat tämän | AntiM SK1Pattern | Ongelma | CFCD-ratkaisu SSK4 |--------------|---------|---------------| | **Kaikkea asiaan liittyvää** | Rajattomat kustannuksetM SK1 huomion heikentäminen | Edistetään vain sitä, mikä selviytyy valikoinnista | **Rekursiivinen yhteenveto** | DriftM SK1 ristiriidat | Ankarit ovat rakenteita, eivät prososia | | **Toivottavasti malli muistaa** | Takuuta ei ole | **Per-pyyntö täydellisestä uudelleenkäsittelystä** | Historian mukaiset kustannustaulukot | Luettelo säilyy koko pyynnön ajan | **Luonnollinen kieli "muistio"** | Semanttinen virtaus | **Yhteinen-laajuus- sopiiM SK2kaikki konteksti** | Jätekapasiteetin tai nälkämallin mukainen oikaiseminen luokiteltuja keräysmääriä varten | --- ## täytäntöönpanostrategia: Lyhyt [Useimminselvä.Väliaikainen](https://github.com/scottgal/mostlylucid.atoms) on perusta, joka tekee CFCD:sta käytännönläheisen. Jos ette ole lukeneet taustaartikkelejaM SK1 - [Tuli ja Don't täysin unohtamatta](/blog/fire-and-dont-quite-forget-ephemeral-execution) - filosofia - [Väliaikainen täytäntöönpanokirjasto](/blog/ephemeral-execution-library) - täytäntöönpano - [Lyhyt signaalit](/blog/ephemeral-signals) -signaaliM SK1johtoinen koordinointi - [LRU:n oppiminen](/blog/learning-lrus-when-capacity-makes-systems-better) - miksi rajattu muisti on tärkeä | Lyhyen aikavälin alkuperäinen |--------------------|-----------| | **Viestit** | Ehdokastärkeys | **Rajoitetut olot** | Ei rajoitetta | **Eviction -säännöt** | Unohtaminen on yksiselitteinen | **Slidingin päättyminen** | Pysyvä konteksti päättyy automaattisesti | | **Signalin levittäminen** | Ankkurit vievät eteenpäin mutaatiota välttäen Väliaikainen ei ole "muistettavaM SK1 Se **päättää, mitä sallitaan muistaa, ja miten kauan**. Tämä on juuri se, mitä CFCD tarvitsee ```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($"anchor.promoted:{term}", key: chunkId); } public void ExpireStaleAnchors() { var cutoff = DateTimeOffset.UtcNow - _anchorLifetime; // Ledger entries older than cutoff without recent usage are removed // This is deterministic, not model-decided _ledger.ExpireOlderThan(cutoff); _sink.Raise("anchors.expired"); } } ``` --- ## Implementation Sketch: Dokumentti käännös Yhdenmukaistaminen täydelliseen asiakirjan käännösputkeen: ```csharp public class CFCDTranslationPipeline { private readonly ILlmService _llm; private readonly TermLedger _ledger; private readonly SignalSink _sink; private readonly int _seedChunks = 3; // K: configurable seed window public async Task TranslateAsync( Document source, string targetLanguage) { var chunks = Chunker.Chunk(source, maxTokens: 500).ToList(); var translated = new List(); // Phase 1: Extract terminology candidates (first pass, fuzzy) // Seed from first K chunks: front-loads terminology, avoids churn later for (var i = 0; i < Math.Min(_seedChunks, chunks.Count); i++) { var chunk = chunks[i]; var candidates = await _llm.ExtractTerminologyAsync(chunk); foreach (var term in candidates) { _ledger.ProposeMapping( term.Source, term.ProposedTranslation, term.Confidence, chunkId: chunk.Id, chunkIndex: i); } } _sink.Raise("terminology.seeded"); // Phase 2: Translate with ledger constraints for (var i = 0; i < chunks.Count; i++) { var chunk = chunks[i]; // Get canonical translations for terms in this chunk var constraints = ExtractConstraints(chunk, _ledger); // Translate with constraints (model must respect ledger) var result = await _llm.TranslateWithConstraintsAsync( chunk, targetLanguage, constraints); // Update ledger with any new terms (deterministic rules) foreach (var newTerm in result.NewTerminology) { if (ShouldPromote(newTerm, _ledger)) { _ledger.ProposeMapping( newTerm.Source, newTerm.Target, newTerm.Confidence, chunkId: chunk.Id, chunkIndex: i); _sink.Raise($"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); } } ``` --- ## Päätöslauselma Suurin osa AI-järjestelmistä tekee virheen olettaessaan, että äly paranee muistamalla *Lisätietoa*. Käytännössä ”,” -tietämys mittaa päättämällä, mitä tehdä **ei enää tarvitse ajatella**. CFCD on tapa, jolla teette sen valehtamatta itsellenne. --- ## Luettelo | Osuus | Muodos | Axis SSK3 |------|---------|------| | 1 | [Rajoitettu epämääräisyys](/blog/constrained-fuzziness-pattern) | Yksittäinen osake | | 2 | [Rajoitettu hämärä MoM](/blog/constrained-mom-mixture-of-models) | Useat osat | | 3 ≥| Rajoitettu hämärän taustan vetäminen SSK3artikkeliM SK4 \| Aika \SSK6 muisti \| | 4 | [Kuvan yhteenveto](/blog/constrained-fuzzy-image-intelligence) | Käytännön täytäntöönpano Kaikilla kolmella mallilla on sama invariantti **todennäköiset osatekijät ehdottavat; määritelmäjärjestelmät pysyvät**. Euroopan unionin [LLM:n käyttöä koskevat kymmenen käskyä](/blog/tencommandments) kodifioida nämä säännöt. [DiSE-arkkitehtuuri](/blog/dise-architecture-overview) panee ne täytäntöön koodin kehityksessä. [Bot-tutkimukset](/blog/botdetection-introduction) panee ne täytäntöön pyyntöjen luokitteluun. [DocSummarizer](/blog/docsummarizer-advanced-concepts) panee ne täytäntöön asiakirjan hakua varten. [ImageSummarizer](/blog/constrained-fuzzy-image-intelligence) panee ne täytäntöön kuvaanalyysiin. Erilaiset domainit. Yhteinen malli. Yhtenäinen sääntöM SK2 [DoomSummarizer](/blog/doomsummarizer-deep-research) panee täytäntöön context dragging -menetelmän rinnakkaisten pitkien vaatimusten täyttämiseksi. --- ## Seuraava: Käytännön toteuttaminen **Osa 4** on nyt saatavilla: [Image Summarizer : Konstrained Fuzzy Image RAG Engine](/blog/constrained-fuzzy-image-intelligence). Se panee kaikki kolme mallia täytäntöön wavessa -pohjaisen kuvaanalyysin putken M SK2ColorWave laskee tosiasiat , VisionLlmWave ehdottaa MSC4 ImageLedger kerää esiintyviä piirteitä MSV5 ja deterministinen valinta rajoittaa tulosta M SV6 kloonaa sen [github.com/scottgalM SK2lucidrag](https://github.com/scottgal/lucidrag).