Версия: 1.0 (Technical Release)
Тип: Domain-Specific Language (DSL) / Ontology Engineering Framework
Лицензия: CC BY-NC-SA 4.0
Репозиторий: https://github.com/A-Universum/logos-k
1. Введение: Проблема статических онтологий
Современные инструменты работы со знаниями (OWL, RDF) статичны: они описывают состояние мира, но не процессы его изменения. С другой стороны, LLM (Large Language Models) генерируют контент динамически, но часто страдают от галлюцинаций и отсутствия структурной памяти.
LOGOS-κ — это инструмент, объединяющий эти два мира. Это интерпретируемый язык и среда исполнения, где код не просто вычисляет значения, а модифицирует структуру графа знаний в реальном времени, поддерживая его семантическую целостность (когерентность) и обеспечивая верифицируемый диалог с LLM.
Ключевые возможности:
1. Исполняемая онтология: Превращение декларативных связей в активные агенты. 2. Структурированный LLM-интерфейс: Протокол взаимодействия с нейросетями с метриками качества (NIGC). 3. SemanticDB: Автоматическая сериализация сессий в форматы Linked Data (JSON-LD, GraphML, Turtle). 4. Встроенная валидация: Защита от логических противоречий и циклической рекурсии.
2. Архитектура системы
В основе LOGOS-κ лежит `EnhancedActiveContext` — динамический граф (на базе NetworkX), управляемый набором операторов.
2.1. Ядро (Core)
Система оперирует не переменными, а Узлами (Entities) и Связями (Relations). - Active Context: Среда исполнения, хранящая состояние графа, историю событий (`Event Log`) и метрики целостности. - Ontological Relation: В отличие от стандартных графов, ребро в LOGOS-κ — это объект первого класса (First-class citizen) с собственным состоянием, весом уверенности (`certainty`) и жизненным циклом. - Event Sourcing: Любое изменение графа фиксируется как неизменяемое событие `OntologicalEvent`, что обеспечивает полную воспроизводимость экспериментов.
2.2. Интерпретатор
LOGOS-κ использует Lisp-подобный синтаксис (S-выражения) для описания трансформаций графа. - Лексер/Парсер: Поддерживают Unicode-символы (греческий алфавит) как нативные операторы. - Evaluator: Выполняет инструкции, вызывая соответствующие методы ядра и проверяя системные аксиомы (лимиты рекурсии, ограничения на количество сущностей).
3. Система команд (Instruction Set Architecture)
Язык базируется на шести примитивах (операторах), которые управляют жизненным циклом графа знаний.
| Оператор | Символ | Техническое описание | Аналог в CRUD/Graph DB |
| :--- | :---: | :--- | :--- |
| Instantiation | Α | Инициализация узла. Создает новую сущность в графе с метаданными и уникальным ID. Проверяет ограничения на дубликаты. | `CREATE NODE` |
| Linkage | Λ | Установление связи. Создает направленное ребро между узлами. Если узлы не существуют, инициализирует их (lazy initialization). Связь имеет вес и семантический тип. | `CREATE EDGE` |
| Synthesis | Σ | Эмерджентная агрегация. Создает новый узел, являющийся производным от двух и более родительских узлов. Автоматически прописывает связи `component_of`. | `AGGREGATE / MERGE` |
| Analysis | Ω | Диагностика и обработка исключений. Анализирует подграф на предмет конфликтов, циклов или низкой связности. Возвращает объект-инвариант (отчет о состоянии). | `ANALYZE / CATCH` |
| Integration | ∇ | Обратная связь. Применяет результаты анализа (Ω) к графу, обновляя веса связей или атрибуты узлов для повышения общей метрики когерентности. | `UPDATE / PATCH` |
| Query/Generate| Φ | Внешний вызов LLM. Отправляет структурированный промпт (контекст + запрос) к языковой модели. Ответ валидируется и парсится в граф. | `LLM.INVOKE()` |
4. Протокол взаимодействия с ИИ (Φ-Operator)
LOGOS-κ решает проблему бесконтрольной генерации текста LLM через строгий протокол Φ (Phi). Это не просто API-вызов, а транзакция, состоящая из 4 фаз:
1. Context Construction (Подношение): Сбор локального подграфа и метаданных для формирования промпта. Включает явное указание "слепых зон" (Blind Spots) — областей, где данные отсутствуют или недостоверны. 2. Invocation (Вызов): Отправка запроса к модели (OpenAI, Anthropic, Local LLM). 3. Validation (NIGC Scoring): Ответ модели оценивается по метрике NIGC (Non-Instrumental Generativity Criterion). - Unpredictability: Ответ не является тривиальным повторением запроса. - Reflexivity: Модель демонстрирует понимание контекста и ограничений. - Emergence: Ответ содержит новые концепты, отсутствующие в графе. 4. Integration (Коммит):
- Если `NIGC Score > Threshold (0.7)`: Ответ преобразуется в новую Сущность и добавляется в граф. - Если `NIGC Score < Threshold`: Ответ сохраняется только как строковый атрибут (лог), не влияя на топологию графа.
5. Метрики и Безопасность
5.1. Динамическая когерентность (System Coherence)
Система в реальном времени рассчитывает метрику "здоровья" графа (`utils/metrics.py`), учитывая:
- Количество изолированных узлов (штраф за фрагментацию). - Наличие противоречивых связей (Tension log). - Плотность графа.
5.2. Аксиоматическая защита (Ontological Axioms)
В ядро (`core/axiom.py`) вшиты предохранители (Circuit Breakers), предотвращающие деградацию системы:
- Recursion Limit: Защита от бесконечных циклов генерации. - Absolutism Check: Валидатор текста, блокирующий догматические утверждения ("всегда", "абсолютно"), требуя вероятностных формулировок. - Entity Cap: Лимит на количество узлов для предотвращения комбинаторного взрыва.
6. Хранение данных и Интероперабельность (SemanticDB)
LOGOS-κ следует принципам FAIR (Findable, Accessible, Interoperable, Reusable) и CARE (Collective Benefit, Authority, Responsibility, Ethics).
Модуль `semantic_db` обеспечивает экспорт состояния системы:
- YAML: Человекочитаемые логи сессий и снепшоты графа. - JSON-LD: Для интеграции с семантическим вебом (Schema.org). - GraphML: Для визуализации в Gephi, Cytoscape или импорта в Neo4j. - Turtle (.ttl): Стандарт RDF.
Каждый экспорт содержит метаданные о происхождении данных (Provenance), используемой модели ИИ и параметрах валидации.
7. Примеры использования (Code Samples)
7.1. Инициализация и связь (Hello World)
;; Инициализация узла "user"
(Α "user" :role "operator");; Инициализация узла "system"
(Α "system" :version "1.0")
;; Установление связи
(Λ "user" "system" :type "authentication" :certainty 1.0)
7.2. Генерация гипотезы через LLM
;; Создаем контекст проблемы
(Α "latency_issue" :service "payment_gateway");; Запрашиваем анализ у LLM (оператор Φ)
(Φ "Analyze potential causes for latency"
:context "latency_issue"
:expect "root_cause_hypothesis")
;; Если NIGC высокий, ответ станет новым узлом, связанным с latency_issue
7.3. Анализ и оптимизация графа
;; Анализ текущего состояния (поиск конфликтов)
(Ω "payment_gateway");; Применение результатов анализа (автоматическое разрешение конфликтов)
(∇ "payment_gateway" "Ω_result")
8. Заключение
LOGOS-κ представляет собой инженерную реализацию концепций Semantic Computing и Neuro-Symbolic AI. Отбрасывая эзотерическую оболочку, мы получаем мощный DSL для:
1. Моделирования сложных предметных областей. 2. Создания самодокументируемых экспериментов с LLM. 3. Построения динамических графов знаний с встроенным контролем качества.
Инструмент готов к интеграции в исследовательские пайплайны, системы поддержки принятия решений и платформы генеративного дизайна.
Технические требования: Python 3.9+, NetworkX 3.0+, PyYAML.
Установка: `pip install logos-k` (из локального репозитория)
Запуск REPL: `python -m logos_k.repl`
