4.6 KiB
Opus 4.8 — Видение: LLM-driven Event Sourcing нового поколения
Дата: 2026-06-23
Оценка текущей архитектуры
Частично соответствует лучшим практикам ES. Нарушает две аксиомы:
1. Событие должно быть фактом, а не интерпретацией
Классика: событие — «что произошло» (PriceChanged), объективный факт. У нас: ADD/UPDATE/DELETE — интерпретация документа моделью, не факт. Настоящий факт: «загружен допник №3 с таким текстом».
2. События должны быть детерминированы
Классика: реплей даёт то же состояние. У нас: та же модель + тот же документ = могут быть другие ops (стохастичность LLM).
Вывод: прагматичный гибрид. Не «неправильно», но неклассически.
Двухслойный лог (ключевая идея)
- Слой 1 — сырые факты:
DocumentIngested(text_hash, bytes, order). Детерминированные, реплеятся идеально. - Слой 2 — интерпретация:
SpecChangeProposedс метаданными (model_id, prompt_version, input_hash, raw_response, temperature). spec_current— проекция слоя 2.
Даёт: перепрогнать слой 1 новой моделью без потери истории.
Неизведанные идеи
1. Версионная ре-интерпретация
Апгрейд модели → перепрогон всего потока → параллельная spec_current_v2 → сравнение дрейфа на истории. Версионирование понимания данных.
2. Provenance каждой строки
«Эта услуга пришла из допника №3, вот исходный абзац, reasoning LLM, confidence 0.82». UI «почему здесь эта цифра».
3. Human-correction как событие → flywheel
Правка юзера = SpecChangeCorrected(by=user) = regression-тест + размеченный пример. Бесплатный датасет качества.
4. «Prompt CI» — промпты как код с тестами
Из human-corrections → golden dataset. Изменение промпта → eval-харнесс. Регрессионные тесты для промптов.
5. Confidence-gating + self-consistency
N прогонов (или 2-3 модели) → консенсус. Согласные ops → авто. Расхождения → ручная проверка. Лечит нестохастичность.
6. Эмбеддинги вместо name_hash
Векторный матчинг сущностей внутри event-проекции. «Аренда стойко-места…» с разными тире → один вектор.
7. Temporal queries — «спецификация на дату»
UI-ползунок по времени: «как выглядел договор на 2025-03-01». Технически возможно уже сейчас.
8. Outbox/Saga + idempotency keys
Exactly-once через HTTP-границы Lucee↔Python↔LLM. Для надёжности при мульти-юзерах.
9. Constrained decoding (GBNF-грамматика)
Форсировать валидный JSON ops на уровне декодера LLM. Убирает ошибки парсинга.
Приоритеты (от Opus)
| Приоритет | Идея | Зачем |
|---|---|---|
| 🔥 Высокий | Двухслойный лог | Чинит детерминизм, открывает всё |
| 🔥 Высокий | Provenance-метаданные | Аудит, доверие, миграция моделей |
| 🔥 Высокий | Human-correction как событие | Flywheel: бесплатный eval-датасет |
| ⭐ Средний | Эмбеддинги для матчинга | Решает name_hash надёжнее |
| ⭐ Средний | Temporal UI | Killer-фича почти даром |
| ⭐ Средний | Confidence-gating | Убирает тихие ошибки |
| 🧪 Исслед. | Версионная ре-интерпретация | Сравнение моделей на истории |