Введение
Эта архитектура реализует системный подход к организации персонального маршрута развития стажёра, основанного на методологии FPF, современных практиках prompt engineering и автоматической оптимизации входных данных (ADO). Её ядром является разделение трёх ключевых элементов Контекст, Промпт, Запрос:
- Контекст: как состояние системы и базы данных, включающие public/private слой и оптимизированные по ADO.
- Промпты: как инвариантные атомарные инструкции для LLM, жестко привязанные к ролям.
- Запросы: как машинно-читаемые директивы, которые маршрутизируют и связывают Контекст и Промпт в единичной транзакции выполнения.
Стажёр в этой системе осваивает мета-понятия доменной зоны, структурированные и согласованные с универсальным набором мета-мета-понятий интеллект-стека. Это создаёт фундамент для трансдисциплинарной совместимости и бесшовной интеграции знаний.
На основе этого документа мы будем создавать Проводника по персональному маршруту развития.
1. Контекст
Контекст — это агрегат знаний (U.Episteme), который собирается и оптимизируется Оркестратором перед передачей LLM-агенту. Он содержит два слоя:
-
Public-слой (
U.SharedEpisteme):- Руководство по доменной зоне (разбитое на разделы) или структура руководства;
- Понятия в графе, где связаны между собой мета-мета- и мета-понятия;
- Справочные материалы (глоссарии, методические шпаргалки, вопросы на повторения или задачи).
Эти данные — неизменяемые, общедоступные, read-only и кэшируемые.
-
Private-слой (
U.PersonalizedEpisteme):- Прогресс стажёра в освоении мета-понятий.
- Оценки, комментарии наставников, результаты тестов.
- История выполнения заданий, времени на упражнения.
Эти данные защищены, хранятся в шифрованном виде, передаются только по Secure Compute API, соответствуют требованиям GDPR/PDPA.
Контекст включает также понятийную структуру обучения:
- Мета-мета-понятия — универсальные конструкты, определяющие логическую структуру.
- Мета-понятия — доменные категории, привязанные к мета-мета-понятиям.
Перед подачей в LLM контекст может быть оптимизирован автоматически (ADO):
- Content engineering: удаление нерелевантного, заполнение пропусков.
- Structural reformulation: организация в форматах, которые LLM лучше обрабатывает (таблицы, иерархии, XML).
2. Промпт
Промпт (U.MethodSpec) — это неизменяемая текстовая инструкция, задающая метод выполнения конкретной роли LLM-агентом. Особенности промптов в этой архитектуре:
-
Один промпт = одна атомарная роль / функция Проводника.
-
Промпт всегда включает:
- Определение роли LLM.
- Задачу (Directive): что именно требуется сделать.
- Алгоритм персонализации (по уровню стажёра, истории, карте понятий).
- Описание формата ожидаемого результата (JSON, Markdown, patch для graph-db и др.).
- Указание на работу с понятийной структурой (учёт мета-мета- и мета-понятий).
Каталог промптов обеспечивает:
- Версионирование (prompt_id + версия _vN).
- Трассируемость: каждый промпт фиксируется и может быть протестирован изолированно.
- Независимость логики: изменение одного промпта не влияет на другие.
Все промпты разрабатываются с учётом:
- Связи с двухуровневой онтологией понятий.
- Прямого соответствия
U.MethodSpecв FPF. - Возможности использования различных LLM-семейств под разные задачи.
3. Запрос
Запрос — это машинно-читаемая директива (RequestObject) от Оркестратора к LLM-агенту, которая объединяет ссылку на Контекст, ссылку на Промпт и параметры исполнения.
Ключевые поля запроса:
role: идентификатор роли, для которой исполняется запрос.prompt_ref: ссылка на версию промпта.context_ref: ссылка на собранный и оптимизированный Контекст.trainee_id: идентификатор стажёра.objective: конкретная цель текущего вызова (например: подготовить задание для освоения мета-понятия N).trace_id: уникальный идентификатор для трассировки.
Запрос не является «вопросом пользователя» в привычном смысле — он выступает как “посыльный объект”, соединяющий:
- Статическую методологию (Промпт);
- Динамические данные (Контекст);
- Цель (
U.Objective) конкретной итерации обучения.
4. Взаимодействие компонентов
Функциональная схема работы на примере выдачи ежедневного задания:
Оркестратор в 08:00 запускает цикл для стажёра X.
Формируется Контекст:
- Public: актуальное руководство и карта понятий.
- Private: прогресс X, история выполненных заданий.
- Понятийная структура для стажёра, согласованная с мета-мета-понятиями.
- Применяется ADO-оптимизация.
Выбирается Промпт для роли «Генератор персональных руководств».
Формируется Запрос:
prompt_ref: PersonalGuideGenPrompt_v2.context_ref: собранный и оптимизированный Контекст.objective: подготовить текст раздела руководства для X на сегодня.trace_id: фиксируется для трассировки.
LLM получает запрос, исполняет промпт с учётом контекста и возвращает результат в стандартизированном виде.
Оркестратор валидирует и сохраняет результат в personal_guides_db.
Новая запись становится частью обновлённого Контекста для следующих итераций.
5. Результаты этого разделения
- Согласованность: каждая подсистема исполняет предсказуемую, изолированную, версионируемую логику.
- Трассируемость: (prompt_ref, context_ref, trace_id) → output_hash → db_record.
- Онтологическая совместимость: обучение ведётся по универсальной схеме согласования понятий.
- Масштабируемость: добавление новой функции требует только новый промпт + новый маршрут в Оркестраторе, без изменения остальной архитектуры.
Документы-источники. При создании данной схемы были проанализированы и использованы следующие ключевые документы и источники:
-
FPF Specification (full), 15.07.25
Подробная спецификация First Principles Framework (FPF) — «операционной системы для мышления». Документ описывает, зачем и как построена эта мегарама из модулей-фреймворков, какие у неё базовые понятия, правила, процессы развития и тестирования. Он нужен тем, кто хочет формально, машино-читаемо и при этом междисциплинарно описывать системы, знания, методы, ресурсы и цели. -
Google Whitepaper: Prompt Engineering (2024)
Описывает практики проектирования промптов, включая system prompting, contextual prompting, role prompting и выбор конфигураций (temperature, top-K, top-P). -
Automatic Data Optimization for Inputs in LLM Prompts (2025)
Научная работа, обосновывающая необходимость оптимизации данных до их включения в промпт (content engineering, structural reformulation), в том числе автоматическую оптимизацию input data как отдельный этап в pipeline. -
The Prompt Report: A Systematic Survey of Prompt Engineering Techniques (2025, arXiv)
Полный обзор современной терминологии и классификации prompting techniques, включая разницу между «directive», «context», «examples» и «output formatting».
Эти источники обеспечили теоретическую и практическую основу для формулировки строгого и модульного разделения элементов архитектуры и уточнения терминологии.
