Lokální modely / Řetězce úloh / Hromadné zpracování

Orchestrovat lokální modely. Rozkládat složité úlohy.

AI a znalosti vyvíjí vrstvu zpracování pro výzkum: explicitní řetězce úloh, vhodné role modelů a klasifikaci textů a obrázků s podporou AI.

AI Scaffolding je lokální prototyp pro normalizaci úloh, sémantické směrování, specializované role modelů a ověřené výstupy. Je základem dalšího rozkladu složených úloh a napojení na Nea Polis.

Možnosti

Oblasti práce

Orchestrace lokálních modelů

Přiřazovat dílčím úlohám role modelů a požadavky na zdroje. Lokální zpracování je vědomou architektonickou volbou; odpovědi modelů stále vyžadují kontrolu.

Rozklad úloh

Rozkládat složené úlohy na ověřitelné kroky s definovanými vstupy, výstupy a závislostmi.

Klasifikace textu a obrazu

Klasifikátory podporují hromadné zpracování textů a obrázků. Taxonomie, nejednoznačné případy a ruční kontrola jsou součástí zamýšleného postupu.

Znalosti a výzkum

Odkazy na zdroje, strukturované výsledky a přezkum propojují zpracování pomocí AI se stavem výzkumu. Odpověď modelu se automaticky nestává kanonickým důkazem.

Od složené úlohy k ověřitelnému výstupu

Prototyp doložený kontrolou pouze pro čtení: normalizace úloh, sémantické směrování, specializovaní workeři, kritik a validátory. Obecný automatický rozklad úloh do grafu závislostí a přímá integrace s Nea Polis zůstávají cíli rozvoje.

01
Normalizace
Převést původní požadavek na technickou specifikaci úlohy a zohlednit kontext pracovního prostoru.
02
Řetězec úloh
Zpracovávat tasks.md sekvenčně; spravovat ID úloh, stavy, omezená opakování a navázání přerušených úloh.
03
Směrování
Přiřazovat pracovní postup a role modelů, mimo jiné General, Editor, Retrieval, Coder, Vision a klasifikaci textu.
04
Worker
Spouštět role přes lokální napojení Ollama. Klasifikátory zpracovávají jednotlivé objekty nebo dávky určené manifestem.
05
Validace
Critic a deterministické validátory kontrolují pro každý postup výstupní kontrakt, artefakty, taxonomii a hranice změn; kódové postupy používají stínový pracovní prostor.
06
Výsledek
RunResult odděluje success, delivery_mode, answer_text, artifact_path a feedback. Stopy dávek podporují dohledatelnost.

Hromadné zpracování: text a obraz

Klasifikace textu

V kódu je přítomna: klasifikace textu podle taxonomií, geografické taxonomie s aliasy a strukturované výstupy objektů; jednotlivé i dávkové postupy.

Kontroluje se manifest dávky, odkazy na zdroje a taxonomický kontrakt; strukturované výsledky vstupují do dalších kroků zpracování.

Klasifikace obrazu

V kódu je přítomna: analýza jednotlivých obrázků a vision_batch s nově vytvořeným manifestem, izolovaným kontextem promptu pro každý obrázek a explicitními chybovými výsledky.

Uzavřené kategorie nebo hierarchické taxonomie; artefakty stop a kontroly pokrytí dávek udržují zpracování auditovatelné.

Od zpracování k výzkumu

Cíl rozvoje: kontrolovaný rozklad složených výzkumných požadavků na dílčí úlohy a závislosti s předáním výsledků do Nea Polis. Stávající sekvenční Task Runner nedokazuje obecný plánovač DAG. Prověřené výsledky modelu se automaticky nestávají kanonickými důkazy.

Nenahrazovat původní data výsledky modelů.
Zachovat dohledatelnost verzí modelu/konfigurace a vazeb na úlohy.
Odlišovat nezařaditelné a chybné výstupy od platných kategorií.
Nezaměňovat konfidenční skóre modelu s empiricky kalibrovanou spolehlivostí.
Hromadné zpracování vyžaduje ověřitelné chybové případy a přezkum, nikoli jen celkový úspěch.
Local-first neznamená plně offline: vyhledávací pracovní postupy mohou používat síťové zdroje.
Stínový pracovní prostor a kontroly pravidel jsou ochrannými mechanismy, nikoli prokázaným sandboxem operačního systému.

Revize zdroje ai-agent-framework, commit f8849c981a34d40905b33e312cf070a4f8b044e7, zkontrolována pouze čtením dne 2. 9. 2026: README, orchestrátor, spouštěč úloh a vybrané regresní testy. Žádné modely nebyly spuštěny a nebyl proveden úplný test běhového prostředí.

Zdrojový repozitář

Použité systémy

Archiv projektů

Agentní systémyPrototyp