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

我如何学会停止忧郁和爱情概率系统

Friday, 13 March 2026

//

7 minute read

Comments Raw Edit
AI Architecture Bot Detection DiSE Patterns Signals

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.

缩略 StyloMail系列 在此应用到电子邮件@. @% 使用来自 C# 的 Nimble 部件“ 2: ” 。 探索本地决定模式@,、交易_-,

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:

  1. 添加更多规则@. @%
  2. 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

  1. 不要混淆流利输出与系统知识@. @%
  2. 提取早期信号@. @%
  3. 保存不确定性的时间长于感觉舒适的 .
  4. 即使推论是概率的 . 也保持行动确定性
  5. 保存证据指针 @,}不只是摘要@.
  6. 让各构件提议 @;}不要任由他们自 己#-}授权@.
  7. 将时间作为真理的一部分处理@. @%
  8. 使用 LLM 探索设计空间@ , @ 不替换建筑_ .
  9. **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 {.

Finding related posts...
logo

© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.