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.

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}

НЕ ОПИСЫВАЕМ, ПОКАЗЫВАЕМ

Движок реально принимает это решение, в реальном времени.

Ниже работает настоящий движок step(), шаг за шагом, на 3 реальных прогонах одного сценария: один быстро проваливается, один зацикливается на сборе данных, один завершается успешно. 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, хорошо продуманных для человека-читателя. Обычный инстинкт — отдать модели всю рамку целиком и надеяться, что если теория надёжна, то и её использование моделью будет надёжным. Мы вместо этого построили аэродинамическую трубу: напрямую проверили, как модель ведёт себя, читая сырой FPF, по сравнению со скомпилированным срезом из него. Оставили то, что выдержало реальную проверку. Остальное отсеяли.

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 сохраняет гибкость. Система сохраняет собственную рамку.

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.

Устойчивый каркас для LLM в реальных системах.

Движок реально принимает это решение, в реальном времени.

Мы не оттолкнулись от теории. Мы её проверили.

Модель сохраняет гибкость. Система сохраняет собственную рамку.

Структура между LLM и системой

Модель

Выполнение

Архитектура

Данные

Оценка

Справочник