ИНТЕГРАЦИОННОЕ ЯДРО · OPEN-SOURCE · PYTHON

Устойчивый каркас для LLM в реальных системах.

ATM (Agentic Thinking Map) — интеграционное ядро для агентных систем. Оно удерживает контекст, роли, данные и переходы в явной структуре, позволяя модели свободно использовать свои возможности, не смешивая смыслы, состояния и полномочия. Карта не генерирует, не переписывает и не влияет на то, что производит модель, — она только проверяет, до и после, разрешён ли предложенный ход.

Изучить продукт Подключить библиотеку

Python 3.12+ · MIT · zero runtime dependencies

LOCAL TRAVERSAL SLICE SEMANTIC FRAME

context: deploy_decision
state: review_ready
candidate: verify_release_gate
evidence: current / 3 hops
gate: satisfied
outcome: CONTINUE

{"kind":"CONTINUE","can_fire":true}

КТО МЫ НА САМОМ ДЕЛЕ

“All speech is vain and empty unless it be accompanied by action.”
— Demosthenes

Мы разработчики — мы строим много всего, и это лишь одна из вещей. Мы ей гордимся. Мы не бренд, построенный вокруг неё.

НЕ ОПИСЫВАЕМ, ПОКАЗЫВАЕМ

Движок реально принимает это решение, в реальном времени.

Ниже работает настоящий движок step(), на четырёх реальных, проверенных тестами трассах: восстановление после нехватки данных, ожидание через PendingInput/AWAIT, привязанная к состоянию авторизация через MoveIntent и AuthorizationReceipt, и прямое сравнение ABSTAIN (неопределённый шлюз) и BLOCK (явный отказ). Нарисована каждая ветка, которую он взвесил — не только выбранная.

fpf-agentic-thinking-map / ARCHITECTURE.mdСмотрите непрерывный, более наглядный след →

ПОЧЕМУ ЭТО СУЩЕСТВУЕТ

Мы не оттолкнулись от теории. Мы её проверили.

FPF (First Principles Framework) — рамка, с которой мы начали: 51 000 строк, продуманных для человека-читателя, а не для модели в рантайме. Причина простая, это не рекламная история: модели нужно меньше семантики в рантайме, а не больше — само прохождение не семантика, а логика. Модель остаётся полностью свободной в генерации и в рассуждении; чего мы не делаем — не заставляем её рассуждать о собственном рассуждении, до бесконечности, независимо от того, усилило бы это результат или испортило, — этого просто не происходит. Она удерживает состояние в памяти и сама применяет простую логику в духе FPF к собственному следующему ходу — без мусора прохождения, который накапливается, когда тяжёлая семантика попадает в цикл.

4 668,8×меньше полной сырой спецификации FPF

288,7×меньше даже точно процитированного фрагмента спецификации, на одно решение

80%совпадений с ожидаемым результатом — против 40% у сырого фрагмента

Измерено через tiktoken и живые прогоны, не оценено на глаз. · Полная методология (TRIPLE_TAX_CALCULUS.md) ↗ · Читать полное обоснование →

ПРИНЦИП ПРОДУКТА

Модель (LLM) свободна в генерации. Система сохраняет только свою рамку.

Мы не подстраиваем смысл того, что пишет пользователь, и не заставляем модель рассуждать о собственном рассуждении. Тяжёлая часть — удержание в памяти состояния, правил и данных на протяжении нескольких шагов — уходит в код, в рантайм, начиная с находки, которую модель сама отмечает типизированным результатом, а не лишним текстом. Поэтому цикл поиска решения не захламляет свой путь избыточной семантикой.

ИНТЕГРАЦИОННОЕ ЯДРО

Структура между LLM и системой

Карта даёт каждому шагу необходимую рабочую рамку: где находится агент, что ему известно, что разрешено и какие условия должны быть выполнены. Интеграция становится проверяемой, расширяемой и совместимой с разными моделями, областями и процессами.

Под вопросом не ввод пользователя и не генерация модели (LLM) — их мы не трогаем. В код, в рантайм, уходит когнитивная нагрузка тяжёлой семантики: находка, которую модель сама отмечает после собственной проверки, становится типизированным результатом, а не лишним текстом. Модель решает это кодом, не добавляя лишней семантики в процессе — поэтому цикл поиска решений не захламляет свой путь мусором в сгенерированном полотне текста.

Мы не отказались от семантики — мы её переместили. Сырая спецификация не помещается ни в одно практическое окно контекста и стоит реальных денег на каждом шаге. Решением стало не урезание смысла, а превращение его в карту прохождения, которую модель проходит сама: она сохраняет свою генерацию, своё рассуждение, всё своё — но сама же применяет логические ограничения к собственному следующему ходу.

Устойчивый каркас для LLM в реальных системах.

“All speech is vain and empty unless it be accompanied by action.”
— Demosthenes

Движок реально принимает это решение, в реальном времени.

Мы не оттолкнулись от теории. Мы её проверили.

Модель (LLM) свободна в генерации. Система сохраняет только свою рамку.

Структура между LLM и системой

Модель

Выполнение

Архитектура

Данные

Оценка

Справочник

Устойчивый каркас для LLM в реальных системах.

“All speech is vain and empty unless it be accompanied by action.”— Demosthenes

Движок реально принимает это решение, в реальном времени.

Мы не оттолкнулись от теории. Мы её проверили.

Модель (LLM) свободна в генерации. Система сохраняет только свою рамку.

Структура между LLM и системой

Модель

Выполнение

Архитектура

Данные

Оценка

Справочник

“All speech is vain and empty unless it be accompanied by action.”
— Demosthenes