Semantik mükerrer-aday kapısı

Katman sizin adınıza asla sessizce atlamaz, bloklamaz ya da modele "bu iş zaten yapıldı" demez; son söz her zaman deterministik alan eşitliği ve bir insandır. Best-effort ve fail-open çalışır: embedder'ınıza erişilemiyorsa ya da hiçbir aday eşiği geçmiyorsa davranış bugünkü davranıştır — ne bir gerileme, ne de bir garanti.

Karar hiyerarşisi: deterministik > insan kapısı > olasılıksal. Bu katman üçüncü sınıftır ve ilk ikisine bir aday bulucu olarak hizmet eder. Hash/claim/confirm/kritik profil katmanlarının yerine geçmez; onların ALTINDA koşar, ve tek çıkışı onay sorusu olduğu için onay kanalının olmadığı bir kurulumda hiç başlamaz — action: 'suspend' ve scope: 'thread' config-time zorunludur.

Nerede işe yaradığını ölçtük, ve ilk sandığımız yerde değil. Yetkin bir araç modeli sizin yerinize kanonikleştirir: "şu televizyondan bir tane daha" cümlesi çağrıya yine TV-42 olarak girer, yani birebir hash katmanı yakalar ve semantik basamakların sırası hiç gelmez. Bu katman, modelin metni yazıldığı gibi geçirdiği yerde kazanır: destek talebi başlıkları, müşteri ve firma adları, serbest metin açıklamalar.

İki beyan da gerekir, biri eksikse katman tamamen atıldır: çalıştırma seviyesinde limits.sideEffectDuplicates.semantic bloğu, ve araç seviyesinde semanticIdentity beyanı. Kimliğini beyan etmeyen bir araç bu katmandan hiç geçmez — ve keys boş bırakılırsa config-time hata alırsınız, çünkü kurulmuş görünen ama işlemeyen bir kapı, engellemek için var olduğu yanlış güvenin ta kendisidir.

Sıra sabittir ve her basamak bir öncekinin ıskaladığı artığı devralır. Basamakların hiçbiri tek başına bir şeye karar veremez:

Katman @gnldev/durable içinde yaşar; embed closure'ı, sağlayıcıyı ve faturayı siz sahiplenirsiniz:

import { createGnl, gnlTool, type RunLimits } from '@gnldev/durable';

Önce çalıştırma bloğu ve araç beyanı. embedModelId zorunlu bir damgadır: farklı modellerden gelen vektörler elma ile armuttur, damgası tutmayan kayıt karşılaştırmaya hiç girmez.

// Double opt-in: the run-level block AND the tool-level declaration — either absent, layer inert.
const limits: RunLimits = {
  sideEffectDuplicates: {
    action: 'suspend', scope: 'thread',            // required — config-time throw otherwise
    semantic: {
      embed: myEmbed,                              // (texts: string[]) => Promise<number[][]>
      embedModelId: 'text-embedding-3-small',      // required stamp — mixed-model cosine is meaningless
      minSimilarity: 0.6,                          // candidate threshold (recall side; misses are safe)
    },
  },
};

const createProduct = gnlTool(tool({ /* … */ }), {
  sideEffect: true,
  semanticIdentity: {
    keys: ['sku'],                                 // the business identity — REQUIRED, non-empty
    amountFields: ['price'],                       // identity-equal + amounts differ → its own question
    discriminatorFields: ['cancel'],               // negation gate: differ → deterministically not a duplicate
    describe: (args: any) => `create product ${args.sku}`, // the PII boundary: ONLY this reaches the embedder
  },
});

Kritik profil için önerilen kurulum yerel bir embedder: API faturasını, hız limitini ve PII sorusunu tek hamlede kaldırır. Damgaya kuantizasyonu da yazın — yeniden kuantize edilmiş bir model başka vektörler üretir. Aynı closure @gnldev/memory'nin semantik recall'ına da hizmet eder.

// npm i @huggingface/transformers   (~150-400MB RAM at runtime, ~5-20ms per short sentence on CPU)
import { pipeline } from '@huggingface/transformers';

const extractor = await pipeline('feature-extraction', 'Xenova/multilingual-e5-small', { dtype: 'q8' });
const myEmbed = async (texts: string[]) => {
  // e5 family quirk: inputs want a "query: " prefix — bake it into the adapter, never into callers.
  const out = await extractor(texts.map((s) => `query: ${s}`), { pooling: 'mean', normalize: true });
  return out.tolist();
};
// embedModelId: 'local:multilingual-e5-small@q8'  ← stamp the QUANTIZATION too: a re-quantized model
// produces different vectors, and the stamp is what keeps old records out of the comparison.

Kayıtlar SİZİN journal'ınızda, thread önekinin altında yaşar (kayıt başına ~3KB; vektör veritabanı yok, indeks yok) ve thread'le birlikte aynı purgeThread süpürmesinde ölür. Başarısız ya da askıya alınmış işe kayıt yazılmaz. Maliyet modeli: mutlu yolda korumalı yan-etki çağrısı başına ~1 embed çağrısı.

Sertifika tören değildir. Aynı fikstürlerde, aynı promptla ölçtük: bir model parafraz çiftlerinin %43'ünü doğru cevapladı, bir başkası %100'ünü. Fikstürleri yazan aileyle akraba olmayan üçüncü bir model %93 aldı — yani aradaki fark modelden geliyor, kimin cümlelerini tanıdığından değil.

Bu yüzden ölçülmemiş bir yargıç, kurulu görünen ama olmayan bir katmandır. Eksik, zayıf (recall 0.70 altında ya da yanlış alarm 0.05 üstünde), model ya da prompt sürümü tutmayan bir sertifika config anında hata verir — v1'in boş keys hatasının kardeşi. Modeli değiştirmek ya da prompt sürümü atlamak sertifikayı geçersiz kılar ve sınav yeniden verilir.

semantic: {
  embed: myEmbed, embedModelId: 'local:multilingual-e5-small@q8',
  rules: true,                                  // the deterministic ladder — the whole configuration
  judge: {
    // TRANSPORT ONLY: the framework renders the prompt, you own the model and the bill.
    complete: async ({ system, user }) => (await myModel(system, user)).text,
    judgeModelId: 'your-judge-model',
    qualification: cert,                        // from @gnldev/semantic-qualify — REQUIRED
    maxCallsPerRun: 10,                         // journal-backed slots; survive resume
    timeoutMs: 8000,
  },
},

npx gnl-semantic-qualify --judge ./my-judge.mjs --model your-judge-model   # → gnl-judge-cert.json

Tezgah kör değerlendirir: opak kimlikler, karıştırılmış sıra, etiketler modele hiç gönderilmez, ve barajlar çalışma zamanının zorladığı aynı sabitlerden okunur. Kendi fikstürlerinizi göstermek için --fixtures kullanın; yayınlanan set yayınlandığı anda saklı-küme olmaktan çıkar. Ve sertifika SINAV performansını damgalar, saha doğruluğunu değil.

Önce sayın, sonra yargıç açın. Studio'nun semantik kartı scan.grayCalls raporlar: gri artık üreten ÇAĞRI sayısı — yani bir yargıcın size neye mal olacağının fiyat teklifi. Ölçülen trafikte yargıç 12 kez konuştu (126 araç çağıran turda) ve hiçbiri bir soru doğurmadı; gri bant gerçekten farklı işlerden oluşuyordu. Bir süre rules açık, judge kapalı koşun, sayacı okuyun, sonra karar verin.

Beşi de bilinçli sınır ve hiçbiri sonradan keşfedilecek bir sürpriz olarak bırakılmadı: