अधिकतर सॉफ्टवेयर अभी भी यह मानते हैं कि विश्व इसे शुद्ध इनपुट और स्थिर नियम सौंप देगा उत्पादन में आमतौर पर कोई भी नहीं होता
यह पोस्ट एक थोड़े चीजों के पीछे के माध्यम से है मैं बना रहा हूँ डीआईएसई, अवरोधित अस्पष्टता, सीएफएमओएम, कम RAG, स्टिलियोफ्लो, एआई इंजीनियरिंग के दस आदेश, और स्टाइलोबोट.
मैं एक महान सिद्धांत के साथ शुरू करके यहाँ नहीं आया।
इस तरह के पर्याप्त प्रणालियों का निर्माण करने के बाद मैं उन पर अलग-अलग चालों के रूप में सोचने को बंद कर दिया और उसी वास्तुकला को नीचे देखना शुरू किया
कि मैं एक के द्वारा क्या मतलब का मूल है व्यवहारिक निष्कर्ष प्रणाली.
यह भी स्पष्ट करता है कि क्यों ये वास्तुकला कोड LLMs के साथ अच्छी तरह काम करते हैं
इस श्रृंखला में पहले
अधिकतर उत्पादन प्रणालियां अभी भी दो खराब डिफ़ॉल्टों में से एक के लिए पहुँचती हैं
दोनों कुछ समय तक काम कर सकते हैं
क्या कई वास्तविक प्रणालियों वास्तव में है यह है
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
उदाहरण
इन डोमेनों में आप शायद ही एक निर्णायक तथ्य प्राप्त कर सकते हैं
यही कारण है कि मैं संकेतों के लिए वापस लौटता हूँ
यदि आप एक प्रणाली को सुधारना चाहते हैं, तो आपको यह देखने की जरूरत है कि वह क्या देख रहा है।
महत्वपूर्ण कदम डीआईएसई नहीं था "एक LLM परिवर्तन कोड लेता है यह था
वास्तुकला को ऐसी वस्तु के रूप में देखना जो चयनात्मक दबाव के तहत उत्पन्न हो सकती है
DiSE सॉफ्टवेयर को "buildM SK1 ship, patchMSC3 से "perceiveMST5 evaluateMS, mutate
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
यह महत्वपूर्ण है क्योंकि कई प्रणालियों में आप पहले से नहीं जानते हैं
तो सिस्टम को खोजने के लिए जगह की जरूरत है
लेकिन केवल खोज ही काफी नहीं है
अवरोधित अस्पष्टता नियंत्रण परत है जो पूरी बात mush में बदलने को रोकता है
नियम सरल है
संभाव्यात्मक घटक प्रस्तावित कर सकते हैं
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
डीआईएसई का कहना है, “"”explore“."”Constrained Fuzziness कहता है, ”"”inside these boundaries”."
इन सीमाओं के बिना संभाव्यतावादी प्रणालियां हमेशा क्या करते हैं
इसीलिए एआई इंजीनियरिंग के दस आदेश विषय. "LLMs को राज्य का स्वामित्व नहीं होना चाहिए।
सभी जगह एक ही नमूना दिखाई देता है
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
इन दो विचारों को एक साथ रखिए और आप एक व्यावहारिक पैटर्न प्राप्त कर सकते हैं
यह है जहाँ कम RAG, स्टिलियोफ्लो, और संकेत-संविदा में काम सीएफएमओएम सभी लाइन अप
एक बार जब आप pretending कि एक मॉडल या एक नियम इंजन सब कुछ करने के लिए होना चाहिए-, एक उपयोगी डिजाइन मूलभूत हो जाता है संकेत.
एक अच्छा संकेत है
सबसे महत्वपूर्ण यह है कि एक संकेत संकुचित व्यवहार है।
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
भिन्न डोमेन भिन्न संकेत उत्सर्जित करते हैं
संकेत आपको " से खिसकाने देता है, मॉडल सोचता है कि
यह पीछे की चाल है कम RAG: बड़े संदर्भ विंडो को stuffing के बजाय सिग्नल बाहर निकालें यह भी खिसकना है स्टिलियोफ्लोउत्सर्जित तथ्यों के चारों ओर समन्वय
एक बार संकेत स्पष्ट होते हैं, आप बेहतर इंजीनियरिंग सवाल पूछ सकते है
यह एक विशेषता भेजने और मशीन ट्यूनिंग के बीच अंतर है
पारंपरिक प्रणालियां प्रायः इस तरह दिखती हैं
Rules -> Decisions
व्यवहार आकलन प्रणालियां अधिक इस तरह दिखती हैं
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
इन प्रणालियों से क्या निष्कर्ष निकलता है
आमतौर पर एक ही पूर्ण तथ्य प्राप्त करने के बिना
व्यवहार को पहचान से अधिक आसानी से अनुमान लगाया जा सकता है।
यह मार्ग तय करने के लिए पर्याप्त है
यह भी इन प्रणालियों को कोड LLMs के लिए अच्छा फिट करता है
एक व्यवहारिक निष्कर्ष प्रणाली इन चीजों को स्वाभाविक रूप से प्रकट करती है
स्टिलोबोट भाग 2 शायद अभी तक सबसे स्पष्ट ठोस उदाहरण है
स्टेलोबोट केवल एक डिटेक्टरों का ढेर नहीं है
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
इस पाइपलाइन में कुछ बातें पहले के काम से ही आती हैं
कोई एकल डिटेक्टर पर्याप्त नहीं माना जाता है
यह पूर्ण स्वायत्त विकास नहीं है, लेकिन यह एक ही आंतरिकता है।
स्टीलोबोट संभाव्यता और विश्वास को अलग रखता है, लेकिन क्रिया निर्णायक है
AllowThrottleChallengeBlockप्रमाण अस्पष्ट हो सकता है
एक विज़िटर को एक आईपी या एक उपयोगकर्ता में कम करने के बजाय
यह अब सरल वर्गीकरण नहीं है
कम विश्वास के साथ उच्च संभाव्यता का उतना ही प्रतिक्रिया उत्प्रेरित नहीं होना चाहिए जितना कि उच्च विश्वसनीयता के साथ अधिक संभावितता
प्रणाली अस्पष्टता को तब तक बनाए रखती है जब तक कि उसके पास मजबूत कार्रवाई के लिए पर्याप्त साक्ष्य न हो
स्टिलोबोट का डिजाइन इस प्रकार है कि आप निर्णय मार्ग के लगभग हर महत्वपूर्ण भाग की जांच कर सकते हैं
यह एक ब्लैक बॉक्स के बजाय एक ट्यूनबल इंजन बनाता है
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
यह लूप बिल्कुल वहीं है जहां कोड एलएलएम्स मदद करते हैं
यह सिर्फ इसलिए काम करता है क्योंकि वास्तुकला पहले से ही ट्युनिंग को समर्थन देने के लिए पर्याप्त रूप से देखने योग्य है
उपयोगी परिवर्तन नहीं है "LLMs अब सॉफ्टवेयर लिख सकते हैं
क्या बात है कि कोड एलएलएम्स खोज को सस्ता बनाता है
आरएजी मई में प्रकाशित किया गया।. पुनःप्राप्ति,, अंतःस्थापित खोज,MSC2 संकेत निष्कर्षण,, और साक्ष्य पैकेज नए विचार नहीं हैं।
कोड एलएलएम उस लूप के अर्थशास्त्र को बदल गया
वे आपको प्रारूप में मदद करते हैं
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 को रणनीतिक रूप से उपयोगी होने के लिए निर्णयकर्ता बनने की जरूरत नहीं है।
लेकिन पहले के नियम अभी भी लागू होते हैं
तो हाँ, कोड एलएलएम महत्वपूर्ण है. वे इसलिए महत्वपूर्ण हैं क्योंकि वे खोज और अनुकुलन में तेजी लाते हैं. वे स्थापत्य की आवश्यकता को हटाने के लिए नहीं
वही आकार दिखाई देता है
में कम RAGYou extract deterministic signals at ingestion
नहीं " मॉडल को सब कुछ दें और आशा करें
जहाँ स्टेलोबोट समय के साथ अनुरोधों से व्यवहार का निष्कर्ष निकालता है lucidRAG बहुमोडल साक्ष्य से अर्थ निकालता है: दस्तावेज संरचना, ओसीआर विश्वसनीयता
भिन्न substrate. Same shape.
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
न तो वास्तव में एक "app." दोनों भिन्न इनपुटों पर काम कर रहे निष्कर्ष इंजन हैं
में प्रतिबंधित अस्पष्ट मोएमबहुसंभाव्यात्मक घटक प्रस्तावित कर सकते हैं, लेकिन वे टाइप किए गए संकेतों के माध्यम से संचार करते हैं और निर्णायक तर्क decides what survives
कि बिना नियंत्रण छोड़ने के बहु-”-” मॉडल समन्वय
में प्रतिबंधित अस्पष्ट संदर्भ खींचनातंत्र सीमाबद्ध स्मृति रखता है और संदर्भ के भागों को सुरक्षित करता है जो बाद में व्याख्या के लिए काफी लंबे समय तक महत्वपूर्ण हैं
संदर्भ खींचने से बिना बाइंड किए मेमोरी का विकास करने के समय उपलब्ध होता है
में स्टिलियोफ्लोघटक एक-दूसरे को प्रत्यक्ष रूप से नहीं बुलाते
यह कार्यप्रणाली अवसंरचना पर लागू व्यवहारिक निष्कर्ष है
व्यवहार आकलन प्रणालियां""से बेहतर छत हैअभिकर्ता प्रणालियाँ" या "LLM अनुप्रयोगों." यह विपणन wrapper के बजाय वास्तुकला का वर्णन करता है
अगर मैं पूरे वंश को कुछ नियमों में संकुचित करना था
इन नियमों का सांविधिक संस्करण है एआई इंजीनियरिंग के दस आदेश. यह लेख वास्तुकला संस्करण है
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
उत्पादन से बचने वाले एआई प्रणालियां आमतौर पर विशाल स्वचालित ब्लाब नहीं हैं वे भी नियमों के अंतहीन ढेर नहीं हैं
वे ऐसी प्रणालियां हैं कि
यह एक बेहतर इंजीनियरिंग कहानी है " माडल स्मार्ट हो गया था ."
मॉडलों में सुधार होगा. Fine. वास्तुकला अभी भी यह तय करता है कि क्या एक प्रणाली त्रुटिमोचन योग्य है।
व्यवहार आकलन प्रणालियां इन बाधाओं को गंभीरता से लेते हैं
पीछे की दृष्टि में यह वंशावली स्पष्ट दिखाई देती है
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
डिएसई ने मुझे वास्तुकला खोज के बारे में सोचने का एक तरीका दिया अवरोधित अस्पष्टता ने मुझे एक तरीका दिया कि संभाव्यात्मक घटकों को स्पष्ट सीमाओं के भीतर रखने का व्यवहारिक आकलन प्रणालियों को आप तब प्राप्त करते हैं जब उन विचारों को उत्पादन से बचने के लिए बाध्य किया जाता है
Stylobot सिर्फ मौजूदा उदाहरण है
एक बार जब आप निर्णयात्मक कार्य सतहों के साथ प्रमाण संचयक के रूप में सिस्टम को देखना शुरू करते हैं, तो बहुत से आधुनिक सॉफ्टवेयर लगना बंद कर देता है जैसे "AI विशेषताएँ
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.