Files

Apple c552199eed chore: organize documentation structure for monorepo

- Create /docs structure (microdao, daarion, agents)
- Organize 61 cursor technical docs
- Add README files for each category
- Copy key documents to public categories
- Add GitHub setup instructions and scripts

2025-11-15 04:08:35 -08:00

15 KiB

Raw Blame History

09 — Evolutionary Agent (Self-Improving AI) for MicroDAO

Цей документ описує архітектуру та принципи роботи самонавчального агента MicroDAO.
Агент вміє:

аналізувати свої відповіді,
виявляти помилки і прогалини,
створювати пропозиції покращень,
еволюціонувати через зміни правил, FAQ, мікро-навичок,
вчитись на поведінці клієнтів та спільноти,
надавати журнали змін (версії),
взаємодіяти з DAGI через анонімізований Train-to-Earn.

1. Мета

Створити особистого eволюційного агента для кожної microDAO:

приватного,
адаптивного,
підконтрольного користувачу,
який стає розумнішим з часом,
але не змінює глобальну LLM-модель,
а накопичує власний досвід: правила, пам'ять, патерни, мікро-навички.

Це перетворює microDAO на живий цифровий організм, який виростає з досвіду команди.

2. Архітектура (3 рівні мозку)

Еволюційний агент складається з трьох шарів.

2.1. Рівень 0 — Базова LLM (Frozen Model)

GPT/Claude/локальна модель.
Не модифікується.
Відповідає за мовні і логічні здібності.

2.2. Рівень 1 — Пам'ять та контекст

Контекст сесій.
Векторна пам'ять (Co-Memory microDAO).
Профіль агента (тон, роль, лексика, мова).
Налаштування приватності та доступу.

Працює як «довгострокова кора».

2.3. Рівень 2 — Meta-Agent (Self-Improvement Layer)

Це ядро еволюції.

Включає:

аналіз діалогів,
фідбеки користувачів,
пошук недоліків,
генерацію покращень,
контроль застосування,
трекінг версій.

3. Компоненти Meta-Agent

3.1. Feedback Collector

Збирає сигнали якості:

👍 / 👎
Правки користувача (коли людина переписує відповідь)
Маркери:
- «не по темі»
- «неправильна відповідь»
- «занадто загально»
- «довго»
Explicit Correction
Користувач каже:

«Замість цього говори так…»

Усе це зберігається як мета-телеметрія.

3.2. Pattern Analyzer

Раз на N діалогів/годин agent запускає self-review job.

Він виявляє:

повторювані типи питань,
категорії помилок,
патерни, де агент слабкий,
пропущені інструкції.

3.3. Improvement Generator

Генерує пропозиції змін:

Типи змін:

Нове правило (instruction)
Новий шаблон відповіді
FAQ-елементи
Новий «skill»
(регулярний патерн → мікро-інструмент / chain)
Мета-тести
(питання, з якими агент має справлятися)

Приклади:

«Додавати приклади у відповідях команді design.»
«Уникай надто формального тону в каналi #marketing.»
«Коли питають про дедлайни — уточнюй контекст.»

3.4. User Approval Layer (Manual Control)

Агент НІКОЛИ не застосовує зміни сам.

Формує список пропозицій у вигляді:

• Пропозиція №17
Тип: Нове правило
Текст: "Якщо user → українська, відповідай українською."
Джерело: 13 подібних ситуацій.
[Прийняти] [Відхилити] [Редагувати]

Це ключова відмінність MicroDAO від централізованих систем:

користувач контролює еволюцію інтелекту.

3.5. Versioning Engine

Веде історію еволюції:

v0 — чистий агент
v1 — після перших 20 діалогів
v2 — після 100 діалогів
…

Кожна версія містить:

список правил,
diff памʼяті,
список навичок,
історію змін.

UI показує «дерево еволюції».

4. UI/UX модуля "Еволюція агента"

4.1. Вкладка 1 — Огляд

Показує:

версію агента,
скільки правил застосовано,
скільки покращень очікує.

4.2. Вкладка 2 — Памʼять

Показує:

які факти агент зберіг,
що він знає про команду,
ключові поняття та терміни.

Кнопка:

«Очистити коротку пам'ять»
«Показати довгострокові факти»

4.3. Вкладка 3 — Самонавчання

Перемикачі:

[x] Самонавчання увімкнено
Рівень:
- Базовий
- Розширений
Джерела:
- [x] Діалоги в цій спільноті
- [ ] Всі мої microDAO
- [ ] Анонімізований внесок у DAGI (Train-to-Earn)

4.4. Вкладка 4 — Пропозиції покращень (Actionable Insights)

Список:

• Пропозиція №23
Тип: FAQ
Тема: «Як додати нового учасника?»
Згенеровано: Meta-Agent
→ [Прийняти] [Відхилити] [Редагувати]

4.5. Вкладка 5 — Журнал Еволюції (Versions)

Хронологічне дерево змін.

5. Логіка самонавчання (алгоритм)

5.1. Тригер self-review

Self-review запускається коли:

кожні 50 повідомлень,
або щогодини,
або вручну.

5.2. Self-review pipeline

витягує останні діалоги
фільтрує по негативних сигналах
кластеризує помилки
генерує пропозиції
оцінює важливість
показує користувачу для схвалення

6. API для еволюційного агента

Додаємо нові ендпоїнти:

GET /agents/{id}/evolution

Історія еволюції.

GET /agents/{id}/suggestions

Список пропозицій meta-agent.

POST /agents/{id}/suggestions/{sid}/accept

Застосувати пропозицію.

POST /agents/{id}/suggestions/{sid}/reject

Відхилити.

POST /agents/{id}/suggestions/{sid}/edit

Внести зміну вручну.

POST /agents/{id}/memory/update

Оновити довгострокову памʼять агента.

7. Як працює Train-to-Earn

Коли користувач вмикає цю опцію:

meta-agent генерує анонімізовані патерни
агрегує їх (без текстів, без персональних даних)
відправляє в DAGI
DAGI оцінює їхню цінність
видає винагороду у вигляді 1T або іншого токена
microDAO отримує reward

Користувач бачить:

Ми використали 3 нові патерни вашої спільноти.
Винагорода: +17 1T

8. MVP того, що реально зробити зараз

MVP-версія:

збір фідбеків (👍/👎),
ручний запуск self-review,
генерація 1–3 пропозицій правил,
вручну додане рев'ю у UI,
зберігання версій у JSON.

Наступні етапи:

кластеризація помилок,
автоматичні тест-кейси,
DAGI-підключення,
мікромоделі LoRA.

9. Завдання для Cursor (шаблон)

You are a senior React/TS and backend engineer.

Implement the Self-Improving Agent module using:

* 09_evolutionary_agent.md
* 03_api_core_snapshot.md
* 05_coding_standards.md

Tasks:

1. Create UI: Agent → Evolution tab.
2. Show suggestions list (stub data).
3. Implement actions: accept/reject/edit (client-only).
4. Add version history (client-only).
5. Add feedback buttons 👍/👎 to agent messages.

Output:

* list of files
* diff
* summary

10. Інтеграція з існуючим кодом

10.1. Використання API клієнтів

Розширити існуючий src/api/agents.ts для підтримки нових ендпоїнтів:

// Додати до agents.ts
export async function getAgentEvolution(agentId: string) {
  return apiClient.get(`/agents/${agentId}/evolution`);
}

export async function getAgentSuggestions(agentId: string) {
  return apiClient.get(`/agents/${agentId}/suggestions`);
}

export async function acceptSuggestion(agentId: string, suggestionId: string) {
  return apiClient.post(`/agents/${agentId}/suggestions/${suggestionId}/accept`);
}

10.2. Компоненти UI

Створити нову структуру:

src/features/agent-evolution/
  AgentEvolutionTab.tsx
  SuggestionsList.tsx
  VersionHistory.tsx
  MemoryView.tsx
  FeedbackButtons.tsx
  hooks/
    useAgentEvolution.ts
    useSuggestions.ts

10.3. State Management

Використовувати React Query для кешування та синхронізації:

const { data: suggestions } = useQuery({
  queryKey: ['agent-suggestions', agentId],
  queryFn: () => getAgentSuggestions(agentId),
});

11. Типи даних

11.1. Suggestion

interface Suggestion {
  id: string;
  type: 'rule' | 'faq' | 'skill' | 'template';
  title: string;
  description: string;
  source: {
    type: 'feedback' | 'pattern' | 'explicit';
    count: number;
    examples: string[];
  };
  status: 'pending' | 'accepted' | 'rejected' | 'edited';
  createdAt: string;
}

11.2. AgentVersion

interface AgentVersion {
  version: string;
  createdAt: string;
  rules: Rule[];
  skills: Skill[];
  memoryDiff: MemoryDiff;
  changes: Change[];
}

11.3. Feedback

interface Feedback {
  id: string;
  messageId: string;
  type: 'positive' | 'negative' | 'correction';
  content?: string; // для explicit correction
  createdAt: string;
}

12. Тестування

12.1. Unit Tests

Тести для FeedbackCollector
Тести для PatternAnalyzer
Тести для ImprovementGenerator
Тести для парсингу фідбеків

12.2. Integration Tests

Тестування повного циклу: фідбек → аналіз → пропозиція → застосування
Тестування версіонування
Тестування API інтеграції

12.3. E2E Tests

Користувач ставить 👍 → з'являється пропозиція → приймає → агент оновлюється
Перевірка відображення історії версій
Перевірка UI вкладок еволюції

13. Безпека та приватність

13.1. Контроль доступу

Тільки власник/адміністратор microDAO може застосовувати зміни
Фідбек може залишати будь-який учасник
Історія еволюції доступна тільки для адмінів

13.2. Анонімізація для DAGI

Перед відправкою в DAGI:

Видаляти персональні дані
Видаляти конкретні тексти діалогів
Залишати тільки патерни та структури
Агрегувати дані

13.3. Валідація змін

Перевірка на шкідливий контент
Перевірка на порушення правил спільноти
Модерація перед застосуванням

14. Продуктивність

14.1. Оптимізація self-review

Запускати в фоні
Кешувати результати аналізу
Обмежувати кількість одночасних аналізів

14.2. Оптимізація пам'яті

Архівувати старі версії
Стискати дані
Використовувати векторні БД для ефективного пошуку

15. Майбутні покращення

15.1. Розширений аналіз

Використання LLM для кластеризації помилок
Автоматичне виявлення патернів
Предиктивне покращення

15.2. LoRA Fine-tuning

Створення мікромоделей для конкретних спільнот
Локальне навчання без зміни базової моделі
Персоналізація на рівні моделі

15.3. Спільне навчання

Обмін анонімізованими патернами між microDAO
Колективна еволюція
Рейтинг найкращих практик

16. Результат

Еволюційний агент стає серцем MicroDAO:
він вчиться, адаптується, росте — і належить спільноті.

Кожна microDAO отримує унікального інтелектуального помічника, який:

розуміє контекст спільноти,
адаптується до стилю комунікації,
покращується з часом,
залишається під повним контролем користувача,
може співпрацювати з глобальною мережею через DAGI.

Готово.
Це повна специфікація еволюційного агента, готова до використання в Cursor.

15 KiB Raw Blame History Unescape Escape