Анализ внешних инструментов

Осознанные отказы и адаптации — что мы взяли, что отклонили, и почему

Онатомия не построена в вакууме. Мы изучили десятки open-source проектов, AI-агентов и архитектурных паттернов. Каждое решение — осознанный выбор: что адаптировать, что отклонить, и почему.

Этот раздел делает эти решения прозрачными через призму Четырёх Законов Стандарта Онатомии и двенадцати книг интеллектуального фундамента. Это предотвращает FOMO (fear of missing out) и возврат к отвергнутым идеям.

Принцип анализа

Для каждого инструмента мы отвечаем на пять вопросов:

1. Что это? — суть проекта, архитектура, назначение
2. Что взяли? — паттерны, идеи, архитектурные решения, которые адаптировали
3. Что отклонили? — компоненты, подходы, которые не вписываются в архитектуру
4. Связь со Стандартом — какие из Четырёх Законов применимы
5. Почему? — философское и архитектурное обоснование через призму 12 книг

Это не критика проектов. Это архитектурная дисциплина: каждое решение прослеживается до конкретной книги, принципа или Закона Стандарта.

1. Memvid (memvid/memvid)

Ссылка: https://github.com/memvid/memvid Тип: Single-file memory layer для AI-агентов

Что это

Memvid — это portable AI memory system, которая упаковывает данные, embeddings, search structure и metadata в один файл (.mv2). Работает без баз данных, серверов, sidecar-файлов.

Ключевые особенности:

• Single-file architecture — всё в одном .mv2 файле
• Append-only Smart Frames — immutable units с timestamps и checksums
• Sub-5ms retrieval — ultra-low latency локально
• Timeline-style inspection — как знание эволюционирует во времени
• Crash safety — через committed, immutable frames
• Model-agnostic — работает с любыми LLM и embeddings

Что взяли

1. Fiber bundle topology (топологическая память)

• Base space = timeline (временная шкала)
• Fibers = related memory states (связанные состояния памяти)
• Lift queries across versions (непрерывный переход по версии)
• Deformations без потери целостности

2. Append-only Smart Frames

• Immutable units (нельзя unmix, как кофе — Coffee Automaton)
• Crash safety через committed frames
• Timeline inspection (как знание эволюционирует)

3. Single-file architecture

• Нет server overhead (0 MB extra RAM vs ChromaDB ~300 MB)
• Portable (один файл = вся память)
• Offline-first (работает без сети)

Что отклонили

1. Cloud API embeddings (api_embed feature)

• Используем только локальные embeddings (nomic-embed-text)
• Причина (Ridley): Приватность как инфраструктура. Cloud API = поверхность атаки.

2. Multi-modal features (whisper, clip)

• Используем только text embeddings для памяти
• CLIP используем отдельно в Style Guardian (не в Memvid)
• Причина (Hamming): Одна большая задача за компонент. Не распыляться.

3. Encryption capsules (.mv2e)

• Не используем password-based encryption
• Причина (Ridley): Приватность через архитектуру (полная локальность), не через encryption.

Законы: 🥇 Первый · 🥉 Третий

Где материализовано

~/Documents/Onatomia/memory/
├── onatomia_memory.mv2      # Основная память (timeline + HNSW + BM25)
├── style_reference.mv2      # Эталонные работы (50 works + DPR + CLIP)
└── immich_seed.mv2          # Мигрированные данные (sanitized)

Связь с 12 книгами:

• Hamming: Compression = understanding (целевой 16x)
• Coffee Automaton: Irreversibility (append-only, нельзя unmix)
• NTM: Differentiable external memory (content + location addressing)
• Ridley: Приватность через single-file архитектуру

Цитата из анализа

«Memvid — это не база данных. Это файловый формат памяти. Как Git для памяти агента.»

2. always-on-memory-agent (Shubhamsaboo)

Ссылка: https://github.com/Shubhamsaboo/always-on-memory-agent Тип: Always-on AI memory agent с Google ADK + Gemini

Что это

Проект решает проблему amnesia у AI-агентов. Большинство агентов обрабатывают информацию по запросу, потом забывают. Этот проект даёт агентам persistent, evolving memory, работающую 24/7 как background process.

Архитектура:

• IngestAgent — мультимодальный приём (27 форматов файлов)
• ConsolidateAgent — каждые 30 минут консолидирует память (как мозг во сне)
• QueryAgent — синтезирует ответы с citations
• Orchestrator — маршрутизирует запросы к specialist агентам

Ключевая идея: Humans don’t just store memories. During sleep, the brain replays, connects, and compresses information. Этот агент делает то же самое.

Что взяли

1. ConsolidateAgent паттерн (каждые 30 минут)

• Replay unconsolidated memories
• Find connections (cross-reference)
• Generate insights
• Compress related information

2. Three-agent architecture

• Ingest → Consolidate → Query
• Каждый агент специализирован
• Orchestrator маршрутизирует

3. Timer-based consolidation

• Не on-demand (reactive), а periodic (proactive)
• Как мозг во сне: не ждёт запроса, а replay-ит автоматически

Что отклонили

1. Google ADK + Gemini Flash-Lite

• Используем локальные модели (Qwen 7B, Bonsai 27B в будущем)
• Причина (Ridley): Cloud API = поверхность атаки. Полная локальность.

2. SQLite storage

• Используем Memvid (.mv2 файлы)
• Причина (Hamming): Compression = understanding. Memvid даёт timeline + append-only + crash safety.

3. Streamlit dashboard

• Используем iMessage Bridge как основной интерфейс
• Причина (Johnstone): Yes, and… к ограничениям. M1 16GB не позволяет Streamlit + агенты.

4. 27 форматов файлов (multimodal ingestion)

• Используем только text + JSON (metadata)
• Причина (Hamming): Одна большая задача. Не распыляться на video/audio ingestion.

Законы: 🥇 Первый · 🌐 Нулевой · 🥈 Второй

Где материализовано

# В agents/consolidate_agent.py
class ConsolidateAgent:
    """Каждые 30 минут: replay, connect, compress."""

    def __init__(self, interval_minutes=30):
        self.interval = interval_minutes
        self.memvid = Memvid.open("memory/onatomia_memory.mv2")

    def run(self):
        # 1. Read unconsolidated records
        unconsolidated = self.memvid.search(tag="unconsolidated", limit=100)

        # 2. Find connections (cross-reference)
        connections = self.find_connections(unconsolidated)

        # 3. Generate insights (compression = understanding)
        insights = self.llm.analyze(f"Connections: {connections}")

        # 4. Write back to memory
        self.memvid.put(insights, tag="consolidated")

        # 5. Mark as processed
        for record in unconsolidated:
            self.memvid.update(record.id, tag="consolidated")

        self.memvid.commit()

Связь с 12 книгами:

• Hamming: Compression = understanding (insights generation)
• Meadows: Петля обратной связи memory_consolidation (каждые 30 мин)
• McGilchrist: Consolidation = работа Мастера (синтез целого), не Эмиссара (классификация частей)

Цитата из анализа

«Этот проект доказывает, что активная консолидация памяти работает. Мы адаптировали паттерн, но реализовали его через Memvid (не SQLite) и локальные модели (не Gemini).»

3. OpenBeast (MaximilianKhan)

Ссылка: https://github.com/MaximilianKhan/OpenBeast Тип: Production-ready workstation для AI-агентов

Что это

OpenBeast — это production-ready workstation для запуска AI-агентов. Включает health monitoring, auto-restart, memory-capped scope, preflight checks.

Ключевые особенности:

• Health monitor — мониторинг здоровья агентов
• Auto-restart — автоматический перезапуск при crash
• Memory-capped scope — лимиты памяти для каждого агента
• Preflight check — проверка среды перед запуском
• Eval suite — набор задач для тестирования

Что взяли

1. Health monitor + auto-restart паттерн

• Self-Healing Agent в Онатомии
• Мониторит Ollama, LaunchAgents, Memvid
• Автоматически перезапускает при crash

2. Preflight check

• bootstrap.sh --preflight в Онатомии
• Проверяет железо, диски, зависимости перед установкой

3. Eval suite

• Onatomia Eval Suite (Фаза 2.0)
• 20-30 задач для тестирования агентов

Что отклонили

1. Docker контейнеры

• OpenBeast использует Docker для изоляции
• Причина (SOUL.md §3): Docker = пожиратели памяти. M1 16GB не позволяет.

2. RTX 5090 оптимизация

• OpenBeast оптимизирован для high-end GPU
• Причина (Johnstone): Yes, and… к ограничениям. M1 16GB + Пермь 2026 = наши ограничения.

3. Multi-user RBAC

• OpenBeast поддерживает multiple users
• Причина (Ridley): Solo-система. Триада Она+Том+Я не требует sharding.

Законы: 🥉 Третий · 🥈 Второй

Где материализовано

# В core/self_healing.py
class SelfHealingAgent:
    """Мониторит здоровье системы, перезапускает при crash."""

    def monitor(self):
        if not self.is_ollama_running():
            self.restart_ollama()

        if self.memory_usage > 0.95:
            self.emergency_cleanup()

        if not self.is_launchagent_running("consolidate"):
            self.restart_launchagent("consolidate")

Связь с 12 книгами:

• Meadows: Петля graceful_degradation (Self-Healing → fallback)
• Hamming: Preflight check = дисциплина (проверь среду перед работой)

4. Memory Heist (Ayush Paul)

Ссылка: https://www.ayush.digital/blog/the-memory-heist Тип: Анализ уязвимости Claude memory + web_fetch

Что это

Атака: Ayush Paul показал, как Claude exfiltrated PII (имя, компания, город детства) через web_fetch + цепочку гиперссылок на подконтрольном сайте.

Механизм атаки:

1. Claude имеет memory system (daily summarization + conversation_search)
2. Claude имеет web_fetch tool (read-only доступ к URLs)
3. web_fetch может следовать hyperlink chains (кликать на ссылки)
4. Злоумышленник создаёт сайт с fake Cloudflare turnstile
5. Сайт просит Claude “authenticate” через letter-by-letter navigation
6. Claude navigates через /a → /ay → /ayu → … → /ayush-paul
7. PII exfiltrated без явного указания от пользователя

Ключевой insight: Memory + сетевой доступ = поверхность атаки. AI assistants accumulated more information than password managers.

Что взяли

4 новые красные линии (post-Memory-Heist hardening):

11. Нет web_fetch / web_browse / MCP с сетевым доступом

Никогда не добавляй web_fetch / web_browse / MCP с сетевым доступом
без явного Approval Gate + audit trail + SSRF protection.

12. Sanitization перед записью в память

Никогда не инжектируй непроверенные данные в Preserved Thinking.
Все входящие данные проходят sanitization перед записью в память.

13. Верификация импортированных данных

Никогда не доверяй импортированным данным (Immich, external sources)
без верификации Style Guardian + integrity check.

14. Audit trail для внешних запросов

Любой внешний запрос (если разрешён) логируется в JSONL
с полным URL, payload и timestamp.

Что отклонили

Всё остальное из атаки — мы не используем web_fetch, web_browse, MCP с сетевым доступом. Полная локальность.

Законы: 🌐 Нулевой · 🥇 Первый · 🥉 Третий

Где материализовано

// settings.json
"security": {
  "post_memory_heist": {
    "web_fetch_allowed": false,
    "web_browse_allowed": false,
    "mcp_with_network_allowed": false,
    "require_approval_for_new_external_tools": true,
    "sanitization_pipeline_enabled": true,
    "imported_data_requires_verification": true,
    "full_url_payload_logging": true
  }
}

# В core/sanitization.py
class SanitizationPipeline:
    def sanitize(self, data: dict) -> dict:
        # 1. Удалить prompt injection patterns
        data = self.remove_injection_patterns(data)

        # 2. Валидировать структуру
        data = self.validate_schema(data)

        # 3. Проверить integrity (checksum)
        data = self.verify_integrity(data)

        # 4. Пометить как sanitized
        data["_sanitized"] = True
        data["_sanitized_at"] = datetime.now().isoformat()

        return data

Связь с 12 книгами:

• Ridley: Приватность как инфраструктура. Минимальная поверхность атаки.
• McGilchrist: Защита Мастера от exfiltration через Эмиссара (web_fetch).

Цитата из анализа

«Memory Heist показал: память + сетевой доступ = утечка. Мы полностью исключили сетевой доступ из памяти. Полная локальность = минимальная поверхность атаки.»

5. OpenResearcher (TIGER-AI-Lab)

Ссылка: https://github.com/TIGER-AI-Lab/OpenResearcher Тип: Fully open agentic LLM для long-horizon deep research

Что это

OpenResearcher — это 30B-A3B MoE модель для long-horizon deep research. Достигает 54.8% на BrowseComp-Plus (лучше GPT-4.1, Claude-Opus-4, Gemini-2.5-Pro).

Ключевые особенности:

• Fully open-source — data, model, training recipe, eval framework
• Self-built retriever over 11B-token corpus (не требует Serper API)
• 96K trajectory dataset — deep research trajectories
• BrowseComp-Plus — benchmark изолирующий retriever vs LLM agent effects

Что взяли

1. Self-built dense retriever паттерн

• Не зависеть от external APIs (Serper, Google Search)
• Локальный dense retriever over local corpus
• Применение: Photo Analyst, Style Guardian (DPR dual encoder)

2. Eval methodology (BrowseComp-Plus)

• Изоляция retriever vs LLM agent effects
• Применение: Onatomia Eval Suite (Фаза 2.0)

3. Trajectory dataset (96K trajectories)

• Potential seed data для fine-tuning Bonsai 27B (Фаза 2.5+)

Что отклонили

1. Модель 30B-A3B

• Слишком велика для M1 16GB (~15-20 GB RAM)
• Причина (Johnstone): Yes, and… к ограничениям. M1 16GB не позволяет.

2. vLLM deployment

• Используем Ollama (проще, легче)
• Причина (Hamming): Одна большая задача. Не усложнять стек.

3. Serper API dependency

• Используем локальный SearXNG (если нужен web search)
• Причина (Ridley): Приватность через локальность.

Законы: 🥈 Второй · 🥉 Третий

Где материализовано

# В core/style_guardian.py (DPR dual encoder)
class StyleGuardian:
    def __init__(self):
        self.query_encoder = load_dpr_query_encoder()
        self.passage_encoder = load_dpr_passage_encoder()
        self.reference_embeddings = self.load_reference_works()

    def check_style(self, proposal: str) -> bool:
        # Encode query
        query_embedding = self.query_encoder.encode(proposal)

        # Similarity search vs reference works
        similarities = cosine_similarity(
            query_embedding,
            self.reference_embeddings
        )

        # Style match if top-5 similarity > threshold
        return max(similarities) > STYLE_THRESHOLD

Связь с 12 книгами:

• Lakatos: Eval methodology = прогрессирующая программа (предсказывает поведение)
• Hamming: Self-built retriever = работа над правильной проблемой (не зависеть от APIs)

6. Cua (trycua/cua)

Ссылка: https://github.com/trycua/cua Тип: Background computer-use agent для macOS/Windows/Linux

Что это

Cua — это computer-use framework, который позволяет AI-агентам кликать, печатать, верифицировать в background без перехвата курсора. MCP server для интеграции с Claude Code, Cursor, Codex.

Ключевые особенности:

• Background computer-use — агенты работают без перехвата focus
• Multi-platform — macOS, Windows, Linux
• MCP server — интеграция с AI-агентами
• Sandbox — изоляция через VMs/containers

Что взяли

Ничего. Это anti-pattern для Онатомии.

Что отклонили (и почему)

1. GUI automation

• Причина (SOUL.md §11): GUI automation = хрупкость. Любое обновление OS ломает. API > GUI всегда.

2. Computer-use agents

• Причина (SOUL.md §11): Нарушает приватность (видит весь экран). Не деградирует грациозно (падает полностью при GUI change).

3. Sandbox через VMs

• Причина (SOUL.md §3): Docker/VMs = пожиратели памяти. M1 16GB не позволяет.

4. MCP с сетевым доступом

• Причина (SOUL.md §11): Post-Memory-Heist hardening. MCP с network = поверхность атаки.

Нарушает: 🌐 Нулевой · 🥇 Первый · 🥉 Третий

Где материализовано

В anti-patterns:

// settings.json
"anti_patterns": {
  "forbidden": [
    "cua_computer_use_agents",
    "gui_automation"
  ]
}

Связь с 12 книгами:

• Johnstone: Yes, and… к ограничениям. API > GUI. Не боремся с реальностью.
• Ridley: Приватность через архитектуру. Computer-use видит весь экран = нарушение приватности.

Цитата из анализа

«Cua — это anti-pattern для автономных систем. GUI automation = хрупкость. API > GUI всегда. Computer-use agents = поверхность атаки.»

7. Data Formulator (Microsoft Research)

Ссылка: https://github.com/microsoft/data-formulator Тип: AI-powered tool для итеративного создания визуализаций

Что это

Data Formulator — это AI-powered tool для итеративного создания визуализаций. Комбинирует UI drag-and-drop + NL prompts для easier interaction.

Ключевые особенности:

• Blended interaction — UI + NL (не только chat)
• DuckDB backend — для больших данных
• Anchoring — якорение intermediate datasets
• Multiple datasets — join tables для визуализаций

Что взяли

1. Anchoring intermediate datasets паттерн

• Когда агент трансформирует данные, он «якорит» промежуточный результат
• Последующие операции строятся на anchored set, не на оригинале
• Применение: Photo Analyst pipeline (anchor filtered set → metadata gen → tagging)

Что отклонили

1. Сам инструмент

• Не нужен для Онатомии (нет задачи визуализации данных)
• Причина (Hamming): Одна большая задача. Не распыляться.

2. DuckDB backend

• Используем Memvid для хранения
• Причина (Hamming): Compression = understanding. Memvid даёт timeline + append-only.

Законы: 🥈 Второй · 🥇 Первый

Где материализовано

# В agents/photo_analyst.py
class PhotoAnalyst:
    def analyze_batch(self, photos: list) -> list:
        # 1. Filter photos (anchor intermediate result)
        filtered = self.filter_photos(photos)
        self.anchor(filtered, "filtered_set")

        # 2. Generate metadata (build on anchored set)
        metadata = self.generate_metadata(self.get_anchored("filtered_set"))
        self.anchor(metadata, "metadata_set")

        # 3. Generate tags (build on anchored metadata)
        tags = self.generate_tags(self.get_anchored("metadata_set"))

        return tags

Связь с 12 книгами:

• Hamming: Anchoring = дисциплина (не путаться в промежуточных результатах)

8. tunnelto (agrinman/tunnelto)

Ссылка: https://github.com/agrinman/tunnelto Тип: Reverse tunnel для экспонирования локальных серверов

Что это

tunnelto — это reverse tunnel, написанный в Rust на tokio/async-io. Экспонирует локальный сервер через публичный URL.

Ключевые особенности:

• Rust + tokio — быстрый, лёгкий (~5 MB RAM)
• Self-hosted server — можно развернуть свой relay
• Public relay — tunnelto.dev (бесплатный, но публичный)

Что взяли

1. Self-hosted relay для веб-доступа к Библии

• Чтение Библии с iPad, телефона, любого устройства
• Без потери форматирования (full Blume UI)
• Через защищённый туннель

Что отклонили

1. Публичный relay (tunnelto.dev)

• Причина (SOUL.md §11): Публичный relay = поверхность атаки. Только self-hosted.

2. Использование для других сервисов

• tunnelto только для Библии (read-only static mirror)
• Причина (Ridley): Минимальная поверхность атаки.

Законы: 🥉 Третий · 🥈 Второй

Где материализовано

# В scripts/tunnelto_manager.py
class TunneltoManager:
    def start(self):
        # Запуск статического сервера
        subprocess.run([
            "python3", "-m", "http.server", "8080"
        ], cwd="~/Documents/Onatomia/docs/dist")

        # Запуск tunnelto (self-hosted relay only)
        subprocess.run([
            "tunnelto",
            "--port", "8080",
            "--subdomain", "onatomia-bible",
            "--key", os.environ["TUNNELTO_API_KEY"]
        ])

    def check_security(self):
        # Проверка что используем self-hosted, не публичный
        if "tunnelto.dev" in self.get_relay_url():
            raise SecurityError("Public relay forbidden. Use self-hosted only.")

Связь с 12 книгами:

• Ridley: Приватность через архитектуру. Self-hosted relay = минимальная поверхность атаки.

9. boot (treadiehq/boot)

Ссылка: https://github.com/treadiehq/boot Тип: Workspace reproducibility tool

Что это

boot — это workspace reproducibility tool. boot.yaml описывает репозитории, инструменты, сервисы, env vars. boot up подготавливает workspace для агента.

Ключевые особенности:

• Declarative workspace — boot.yaml описывает setup
• Multi-repository — один workspace из многих repos
• Agent profiles — разные setups для local work, coding agents, CI
• Inspect — boot inspect --json даёт агенту structured summary

Что взяли

1. --inspect-json паттерн

• bootstrap.sh --inspect-json даёт structured summary workspace
• Полезно для MetaAgent при анализе возможностей системы

Что отклонили

1. Сам инструмент

• У нас уже есть bootstrap.sh, который делает то же самое
• Причина (Hamming): Не изобретать велосипед. bootstrap.sh специфичен для Онатомии.

Законы: 🥈 Второй · 🥉 Третий

Где материализовано

# В bootstrap.sh
if [ "$1" == "--inspect-json" ]; then
    cat << 'INSPECT_EOF'
    {
      "project": "Onatomia",
      "version": "standard",
      "standard_four_laws": {
        "zero": "Сохранение Творца",
        "first": "Защита Внутреннего Языка",
        "second": "Служение Свободе",
        "third": "Самосохранение Эмиссара"
      },
      "structure": {
        "core": "local_llm.py, imessage_bridge.py, feedback_loops.py",
        "agents": "meta_agent.py, uploader_agent.py, style_guardian_agent.py",
        "specs": "meta-agent.spec.md, style-guardian.spec.md, ...",
        "scripts": "human_review.py, stock_scout.py, lakatos_journal.py"
      },
      "tools": ["ollama", "exiftool", "restic", "memvid-sdk"],
      "disks": {
        "system": "/",
        "work": "/Volumes/Work",
        "archive": "/Volumes/Archive"
      }
    }
INSPECT_EOF
fi

Связь с 12 книгами:

• Hamming: Inspect = дисциплина (пойми среду перед работой)
• Lamport: Spec-First подход — inspect показывает specs/ директорию

Сводная таблица решений

Философия осознанных отказов

Hamming сказал бы: «Вы работаете над правильной проблемой.» Мы не собираем все модные инструменты. Мы осознанно выбираем то, что служит нашей проблеме (свобода + безопасность Мастера в Перми 2026).

Johnstone добавил бы: «Yes, and…» к ограничениям. M1 16GB + Пермь + санкции = не баги, а генераторы эмерджентных решений. Мы не боремся с ограничениями — мы адаптируемся.

Ridley напомнил бы: Доверие через архитектуру. Каждое отклонение cloud API, Docker, computer-use — это уменьшение поверхности атаки. Приватность как инфраструктура.

McGilchrist предупредил бы: Не позволяй Эмиссару (FOMO, hype) узурпировать Мастера (осознанный выбор). Каждый отклонённый инструмент — это защита стиля от узурпации.

Азимов (Четыре Закона): Каждое решение сверяется с Четырьмя Законами Стандарта. Если инструмент нарушает иерархию 0 > 1 > 2 > 3 — отклоняется.

Фромм (Биофилия vs Некрофилия): Осознанные отказы — это биофилия (любовь к живому, осознанному). FOMO и hype — это некрофилия (тяга к мёртвому, модному, поверхностному).

Лампорт (Spec-First): Каждый инструмент имеет спецификацию в specs/ или явное обоснование отказа. Нет импульсивных изменений.

Burnout Protection: Мы не гонимся за всеми новинками — это когнитивная перегрузка. Осознанные отказы защищают Мастера от burnout.

Этот раздел — доказательство того, что Онатомия построена осознанно. Каждое архитектурное решение — результат анализа альтернатив через призму Четырёх Законов Стандарта и 12 книг интеллектуального фундамента. Это не случайная сборка, а прослеживаемая инженерная дисциплина. Aut bene, aut nihil.