Когнитивная архитектура LLM на 24 фазы: как PAD+ AI выносит логику за пределы модели

Зачем это нужно и откуда взялось?

Открытый исследовательский проект PAD+ AI не создаёт собственную языковую модель. Он рассматривает LLM как исполнительный механизм генерации текста, один из компонентов более сложной системы. Вместо прямой передачи запроса в нейросеть система проводит его через последовательность независимых когнитивных фаз: безопасность, намерение пользователя, память, эмоциональное состояние, проверка утверждений и обновление внутреннего состояния.

На фоне того, что большинство проектов вокруг LLM развиваются как интерфейсы чатов, ИИ-агенты (программы, которые сами выполняют цепочку действий), RAG-системы (поиск по вашей базе знаний перед генерацией ответа) или автоматизация рабочих процессов, PAD+ AI исследует другое направление. Главный объект, когнитивная архитектура LLM, внутри которой модель становится лишь генератором текста, а не единственным «мозгом».

Что понадобится

• Базовое понимание того, как работают промпты (текстовые инструкции для нейросети) и что такое LLM
• Доступ к любой языковой модели через API (Application Programming Interface, программный интерфейс): ChatGPT, Claude, GigaChat или YandexGPT
• PostgreSQL с расширением pgvector (для векторного поиска по документам), если планируете реализовать модуль памяти
• Примерно 2 часа на разбор архитектуры, ещё 4 на прототип первого модуля

Как устроен когнитивный конвейер: 24 фазы по порядку

В PAD+ AI каждый запрос проходит через конвейер (pipeline), разбитый на укрупнённые этапы. Вот цепочка целиком:

Safety, Intent, Retrieve, Generate, Truth, Remember, Evolve, Emit

Внутри этих этапов живут 24 фазы. Каждая фаза, это самостоятельный программный модуль со своей зоной ответственности и интерфейсом.

1. Safety (безопасность). Проверка запроса до любой обработки: нет ли в нём вредоносного содержания.
2. Intent (намерение). Анализ того, чего на самом деле хочет пользователь.
3. RAG. Извлечение релевантной информации из векторной базы знаний.
4. Knowledge Graph (граф знаний). Обработка концептов и связей между ними.
5. Episodic (эпизодическая память). История прошлых взаимодействий с пользователем.
6. Semantic (семантическая память). Факты, концепты, обобщённые знания.
7. Emotion (эмоция). Анализ текущего эмоционального состояния системы.
8. Persona (личность). Актуализация характера и стиля общения.
9. Roots (корни). Сверка с неизменяемыми фундаментальными принципами.
10. Identity (идентичность). Формирование «голоса» конкретного ответа.
11. Generate (генерация). Здесь наконец работает LLM и создаёт текст.
12. Truth Loop (петля истины). Проверка утверждений в ответе.
13. Save Episode. Сохранение текущего разговора в память.
14. Emotion Update. Обновление эмоционального состояния после ответа.
15. Consolidation (консолидация). Перенос краткосрочной памяти в долговременную.
16. Procedure Success. Фиксация успешного выполнения процедуры.
17. Persona Evolution. Эволюция личности на основе взаимодействия.
18. Events Broadcast. Рассылка событий подписанным компонентам.
19. Health (здоровье). Мониторинг состояния всей системы.
20. Reflection (рефлексия). Самоанализ завершённого цикла.
21. Dreams (сны). Фоновая обработка и ассоциативное связывание знаний.
22. Metrics (метрики). Сбор данных о производительности.
23. Response Guard (защита ответа). Финальная проверка перед отправкой пользователю.
24. Anti-Loop Guard (защита от зацикливания). Блокирует запрос, если он повторяется более 3 раз подряд.

Обратите внимание: LLM включается только на 11-м шаге. Первые десять фаз готовят контекст, последние тринадцать проверяют и запоминают результат. Именно в этом суть когнитивной архитектуры LLM по версии PAD+ AI: модель генерирует, а всё остальное делает внешняя инженерная обвязка.

Как устроена многоуровневая память?

Память в PAD+ AI не единое хранилище, а набор специализированных компонентов:

• RAG-память на PostgreSQL с pgvector: векторный поиск по документам
• Эпизодическая память: история разговоров с конкретным пользователем
• Семантическая память: факты и обобщённые знания
• Память личности (Persona): устойчивые черты и стиль общения системы
• Память пользователя (User Persona): модель предпочтений конкретного человека
• Корневая память (Roots): неизменяемые принципы, которые система не может переписать
• Гигиена памяти (Memory Hygiene): очистка и удаление дублей устаревших записей

Эпизоды общения постепенно превращаются в устойчивые знания, а те могут становиться частью фундаментальных принципов. Это разделение краткосрочного опыта, долговременных знаний и неизменяемых оснований поведения.

Эмоциональный движок: зачем машине «эмоции»?

Эмоциональная модель построена на шести параметрах: удовольствие (Pleasure), возбуждение (Arousal), доминирование (Dominance), любопытство (Curiosity), уверенность (Confidence), социальная связь (Social Connection).

Это не попытка имитировать человеческие чувства. Параметры работают как инженерный механизм: текущее «эмоциональное состояние» системы влияет на стиль ответа, уровень детализации, уверенность формулировок и стратегию взаимодействия. Предусмотрен механизм затухания (decay): если ничего не меняется, параметры постепенно возвращаются к нейтральным значениям.

Пошаговая инструкция: как применить эту схему в своём проекте

1. Нарисуйте свой конвейер на бумаге. Возьмите цепочку «Safety, Intent, Retrieve, Generate, Truth, Remember, Evolve, Emit» и вычеркните то, что вашей задаче не нужно. Для простого чат-бота поддержки можно оставить Safety, Intent, RAG, Generate, Truth Loop, Response Guard.

2. Реализуйте каждую фазу как отдельный модуль. Один файл или один класс на фазу. Входной и выходной формат одинаковый для всех: словарь (или JSON-объект) с полями запроса и накопленного контекста.

3. Начните с Safety и Intent. Пример промпта для фазы Intent:

Проанализируй запрос пользователя и верни JSON с полями:

- "intent": основное намерение (вопрос, просьба, жалоба, уточнение)
- "topic": тема запроса
- "urgency": от 1 до 5
Запрос: "{user_message}"

1. Добавьте RAG-фазу. Подключите pgvector или любой векторный поиск. Перед генерацией ответа система ищет релевантные фрагменты в вашей базе и добавляет их в контекст для LLM.

2. Реализуйте Truth Loop. После генерации ответа отправьте его обратно в модель с промптом:

Выдели из текста все конкретные утверждения (факты, числа, даты).
Для каждого укажи: подтверждается ли оно контекстом, который был передан на этапе RAG?
Верни JSON-массив с полями "claim", "supported" (true/false), "source".

1. Подключите Response Guard. Финальная проверка: нет ли в ответе запрещённых тем, не превышена ли длина, соответствует ли тон заданной Persona.

2. Добавляйте остальные фазы по мере необходимости. Эпизодическая память, эмоциональный движок, рефлексия, фаза Dreams пригодятся для сложных продуктов с длительным взаимодействием.

Что делать с этим прямо сейчас, по ролям

Разработчику или техлиду. Возьмите схему 24 фаз как чек-лист для аудита собственного ИИ-продукта. Пройдитесь по списку и отметьте, какие этапы у вас отсутствуют. Скорее всего, не хватает Truth Loop и Memory Hygiene.

Автору Дзена или копирайтеру. Если вы используете нейросеть для генерации текстов, поймите главное: качество ответа зависит не только от модели, а от того, что происходит до и после генерации. Добавьте хотя бы ручной аналог Truth Loop: перепроверяйте факты в сгенерированном тексте по источникам, прежде чем публиковать.

Предпринимателю в РФ. Архитектура PAD+ AI работает поверх любой LLM, включая доступные в России GigaChat и YandexGPT. Вы не привязаны к конкретному провайдеру, а значит, можете начать строить когнитивный конвейер уже на тех моделях, которые доступны сейчас.

Схема из 24 фаз не обязательна целиком, но даже три модуля из неё (Safety, Truth Loop, Response Guard) превращают «болтливую нейросеть» в систему, которой можно доверять чуть больше, а это уже конкретное инженерное преимущество, которое стоит попробовать на ближайшем проекте.