01projekt flagowy · silnik pamięci epistemicznej jitOpen Source — CERN Zenodo DOI
JIT-Context OS
Czas reakcji <3ms, eliminacja podatku stogu siana (Haystack Tax), dryfu promptu i samozatruwania agentów AI.
Zasada przewodnia: Autorytet Użytkownika = 1.0. Spekulacja Asystenta = 0.0. Fizyczny Dowód z Narzędzia = 1.0.
Wyzwanie inżynierskie
Współcześni agenci programistyczni tracą sprawność wraz z narastaniem historii: prompt puchnie powyżej 50k tokenów, uwaga modelu gwałtownie spada (Lost-in-the-Middle), limity API rzucają błędami 429, a agent ulega zjawisku epistemicznego samozatruwania — traktuje własne wcześniejsze halucynacje jako stan faktyczny.
Architektura & Rozwiązanie
Deterministyczna 3-stopniowa kaskada: L0 Hot-Path w lokalnym SQLite WAL (<3ms Read-Your-Own-Writes), L1 Histereza Zakresu Projektu (<10ms) oraz L2 Ograniczony Broker Asocjacyjny (600ms fail-open). System jest deterministycznie zintegrowany z lokalnym skarbcem Obsidian (pliki Markdown w projects/<projekt>.md oraz knowhow/<temat>.md) jako kanonicznym źródłem prawdy (SSOT) — bez nieprzejrzystych czarnych skrzynek baz wektorowych. Całość chroni 10 żelaznych Inwariantów Epistemicznych (I1–I10). Prompt NIGDY nie akumuluje surowej historii czatu: w każdej turze model dostaje stałe definicje narzędzi (100% cache hit), wynik ostatniego narzędzia oraz adaptacyjnie skompilowaną kapsułę <ONA_CONTEXT> (400–1,200 tokenów).
Wpływ produkcyjny i zysk
Zweryfikowano empirycznie na produkcyjnej bazie kodu (benchmark Synthapse E2E na 45 modułach audio i 199 zestawach testów Vitest): 2.44x szybszy czas ukończenia zadania (-59.0% czasu fizycznego), redukcja liczby tur LLM o 61.4% (zaoszczędzono 105 zapytań), spadek zbędnych wywołań narzędzi o 62.1% i 0 pętli błędów przy 100% zdanych testów za pierwszym razem.
Czas realizacji zadania⚡ 2.44× Szybciej (-59%)
Standard (Stóg siana): 45.8 min Liczba tur agenta LLM📉 -61.4% Zapytań
Zbędne wywołania narzędzi🎯 -62.1% Mniej błądzenia
JIT-Context OS: 119 wywołań Szczytowy rozmiar promptu🛡️ -98% Redukcji tokenów
Standard: >54 000 tokenów JIT-Context OS: ~1 140 tokenów | Wymiar metryki | Podejście standardowe (Stóg siana) | JIT-Context OS (<1.2k Kapsuła) | Zysk produkcyjny |
|---|
| Czas dowozu zadania (Wall-Clock) | 2 752.6s (45.8 min) | 1 127.3s (18.8 min) | 2.44x szybciej (-59%) |
| Pojedynek lokalny 9B (EXP-009) | 10 tur (Porażka 0/4) | 4 tury (100% PASS) | Lokalny M2 Pro pobił Gemini |
| Łączna liczba tur LLM | 171 tur | 66 tur | -61.4% zapytań API |
| Puste wywołania narzędzi (Churn) | 314 wywołań | 119 wywołań | -62.1% mniej błądzenia |
| Pętle błędów i regresji | 7 pętli błędów | 0 pętli błędów | Zero pętli amnezji |
| Rozmiar promptu na turę | >54 000 tokenów (Tura 30+) | 482 – 1 140 tokenów | >98% redukcji tokenów |
| Efektywność Prompt Cache | <18% (częste unieważnienia) | >88% trafień w cache | ~74% niższy koszt API |
- <3ms L0 SQLite WAL
- 2.44x szybszy dowóz
- Lokalny 9B pobił Gemini 3.8 Flash
- 10/10 Inwariantów PASS
- CERN Zenodo DOI: 10.5281/zenodo.22649542
02przetwarzanie dokumentów & ksefsystem produkcyjny
InvoiceFlow
Produkcyjny system obsługi faktur: ekstrakcja OCR zintegrowana z deterministyczną walidacją i eksportem do KSeF.
Zasada przewodnia: Model probabilistyczny proponuje. Silnik deterministyczny decyduje.
Wyzwanie inżynierskie
Automatyzacja księgowania faktur w wielu spółkach wymaga 100% precyzji arytmetycznej i pełnej zgodności ze schematem Krajowego Systemu e-Faktur (KSeF). Poleganie na surowych odpowiedziach LLM tworzy bezpośrednie ryzyko błędów w podatku VAT, podwójnego księgowania i kar skarbowych.
Architektura & Rozwiązanie
Wielostopniowa kaskada walidacji: modele Vision OCR proponują ekstrakcję pól (schematy Pydantic v2). Deterministyczny silnik w Pythonie weryfikuje arytmetykę kwot netto/brutto/VAT, sprawdza NIP kontrahenta w rejestrach państwowych, śledzi High-Water Marki (HWM per NIP) zapobiegając duplikatom i egzekwuje reguły księgowe przed wygenerowaniem paczki XML KSeF.
Wpływ produkcyjny i zysk
Działa stabilnie na produkcji, obsługując tysiące faktur miesięcznie. Ścisłe oddzielenie propozycji modelu od deterministycznej weryfikacji sprawia, że interwencja człowieka jest wymagana tylko przy anomaliach, a 100% decyzji księgowych jest w pełni audytowalnych.
- Vision OCR + Pydantic v2
- Deterministyczna walidacja VAT
- Zgodność z KSeF XML
- Deduplikacja High-Water Mark
- Produkcja
03legalizacja zatrudnienia & tożsamośćsystem produkcyjny
Onboarding Flow
Platforma legalizacji i onboardingu kierowców: schemat 108 punktów danych, integracja KYC i automatyczne generowanie umów.
Zasada przewodnia: Struktura danych definiuje proces — nie luźny kod w kontrolerach.
Wyzwanie inżynierskie
Proces onboardingowy kierowców flotowych wymaga weryfikacji dziesiątek dokumentów (prawo jazdy, badania psychotechniczne, zaświadczenia o niekaralności) w wielu językach, przy rygorystycznych wymogach prawnych i zmiennych przepisach migracyjnych.
Architektura & Rozwiązanie
Silnik oparty na deklaratywnych schematach danych z automatyczną walidacją kroków, dynamicznym generowaniem dokumentów PDF i dwukierunkową integracją z dostawcą weryfikacji tożsamości iDenfy (webhooki z podpisem HMAC, bezpieczne procesowanie biometrii).
Wpływ produkcyjny i zysk
Skrócono czas legalizacji kierowcy z 3 dni roboczych do 45 minut. Zero błędów w kompletacji teczek pracowniczych pod kątem kontroli Inspekcji Transportu Drogowego (ITD).
- 108 punktów danych
- iDenfy Biometria KYC
- Generowanie PDF w locie
- Obsługa 4 języków
- Produkcja
04rezerwacje & automatyzacja 2-way smssystem produkcyjny
Boocco
SaaS dla salonów urody: inteligentny grafik wizyt, dwukierunkowa obsługa SMS i automatyczne zapełnianie okienek.
Zasada przewodnia: Deterministyczny resolver terminów sterowany asystentem konwersacyjnym.
Wyzwanie inżynierskie
Obsługa odwołań na ostatnią chwilę i zapełnianie okienek w kalendarzu salonu wymaga natychmiastowej reakcji. Standardowe powiadomienia są ignorowane, a ręczne obdzwanianie klientów paraliżuje pracę personelu.
Architektura & Rozwiązanie
Aplikacja Next.js + self-hosted Supabase na serwerze borg.tools. Dwukierunkowa brama SMS zintegrowana z silnikiem reguł biznesowych: model analizuje odpowiedzi klientów w języku naturalnym, a deterministyczny resolver kalendarza blokuje sloty i modyfikuje rezerwacje w czasie rzeczywistym.
Wpływ produkcyjny i zysk
Zmniejszenie wskaźnika no-show o 42% oraz odzyskanie do 15 roboczogodzin personelu miesięcznie na pojedynczy salon.
- Next.js 14 + Supabase
- Dwukierunkowy SMS AI Resolver
- Automatyczne doszczelnianie grafiku
- Produkcja
05relacyjne ai & prywatność zero-knowledgeAplikacja na żywo (tulimy.app)
Tuli.my
Aplikacja do codziennych check-inów, komunikacji i mediacji w relacjach z architekturą Zero-Knowledge.
Zasada przewodnia: Prywatność to inwariant architektoniczny, a nie obietnica w regulaminie.
Wyzwanie inżynierskie
Aplikacje wspierające relacje wymagają ciągłości kontekstu, a jednocześnie operują na najbardziej intymnych myślach człowieka. Standardowy RAG i przechowywanie jawnych promptów w chmurze stwarzają niedopuszczalne ryzyko wycieku danych pary.
Architektura & Rozwiązanie
Architektura PWA (Next.js 15 + Supabase RLS) oparta na kryptograficznych granicach zgody. Odpowiedzi z check-inów są szyfrowane na urządzeniu. Silnik mediacji na brzegu sieci (edge LLM) przekłada reaktywne oskarżenia na komunikaty NVC („Porozumienie bez Przemocy”) bez wglądu w treść prywatnych dzienników pary.
Wpływ produkcyjny i zysk
Ponad 1200 wczesnych użytkowników, 78% 30-dniowej retencji w codziennych rytuałach i 0 wycieków danych. Benchmark etycznego, relacyjnego AI, które deeskaluje konflikty zamiast zastępować ludzką empatię.
- Prywatność Zero-Knowledge
- Next.js 15 PWA
- Silnik Mediacji NVC
- 78% Retencji 30d
- tulimy.app