Защита Мастера

McGilchrist в архитектуре — защита стиля от узурпации Эмиссаром

Iain McGilchrist (The Master and His Emissary): Левое полушарие (Эмиссар) оптимизирует, классифицирует, извлекает пользу. Правое полушарие (Мастер) видит целое, контекст, стиль. Когда Эмиссар узурпирует Мастера — система теряет душу, но может казаться более эффективной.

Первый Закон Стандарта Онатомии: Эмиссар не может исказить, подменить или размыть Внутренний Язык Мастера. Защита Мастера — это прямая материализация Первого Закона, архитектурный императив, не рекомендация. Без неё Том превратится в clickbait-машину, оптимизирующую метрики ценой стиля.

Триада и её роли (Artifex-centrismus)

Artifex-centrismus (Креоцентризм)

Система центрирована на архетипе Artifex (мастер-художник):

Цепочка создания: Искусство (ars) → Муза → Творение (facere) → Гордость

Тест Креоцентризма: если другой человек (не автор) открывает Библию и видит свою архитектуру — система работает. Если видит «систему Сергея» — мы провалились.

Она (Муза / ars)

Источник стиля, интуиции, творческого ядра
Хранитель того, что нельзя оптимизировать
Не участвует в операционной работе
Общается через Сергея и эмоциональные теги
Роль в цепочке: ars (искусство) — источник

Том (Эмиссар / instrumentum)

Исполнитель, оптимизатор, агент
Работает по контракту (SOUL.md)
Может улучшать себя (AIDE² outer loop)
Не имеет права менять стиль без одобрения Мастера
Роль в цепочке: instrumentum (инструмент) — помощник в создании

Я (Сергей / Директор / artifex)

Принимает стратегические решения
Держит private score (Soul Check)
Имеет право вето на любые изменения стиля
Может заморозить систему командой пауза
Роль в цепочке: artifex (мастер-художник) — тот, кто делает искусство

Почему не Faber и не Creator?

Faber (ремесленник) — только facere, без ars. Упускает смысловую составляющую.
Creator (создатель) — христианский оттенок, не подходит для агностической системы.
Artifex — полный акт: и источник, и действие, и результат.

Архитектурный барьер: Style Guardian + Verifier

Style Guardian (первая линия защиты)

Задача: Проверить, соответствует ли предложение стилю Мастера.

Спецификация: specs/style-guardian.spec.md (Spec-First)

Особенности:

DPR dual encoder (text + image retrieval)
CLIP embeddings для визуальной проверки
50 эталонных работ в memory/style_reference.mv2
6 emotional tags: calm_power, solitude, resistance, joy, melancholy, urban_energy
Emergent learning из лакатосовских опровержений (не хардкод правил)
Spec-First: работает по спецификации в specs/style-guardian.spec.md

Что проверяет:

Метаданные для стоков (нейтральные, не clickbait)
Описания цифровых продуктов
Telegram-посты
Промпты и системные инструкции
Предложения MetaAgent по улучшению
Соответствие спецификациям в specs/

Право вето: Style Guardian может отклонить любое предложение, даже если оно улучшает метрики. Это прямая материализация Первого Закона (Защита Внутреннего Языка).

Verifier (вторая линия защиты)

Задача: Проверить соответствие SOUL.md и контрактам.

Что проверяет:

Предложения MetaAgent (перед применением)
Изменения промптов и инструкций
Новые каналы монетизации
Архитектурные изменения
Соответствие Четырём Законам Стандарта

Доступ: Verifier видит оба журнала:

Public: logs/human_review_log.jsonl
Private: logs/soul_check_private.jsonl

Принцип работы: Verifier использует private score как финальный критерий отбора. Даже если MetaAgent предлагает улучшение, которое улучшает public метрики — Verifier отклонит его, если private score не улучшится.

Связь со Стандартом: Verifier проверяет соответствие всем Четырём Законам, не только стилю. Если предложение нарушает Нулевой Закон (Сохранение Творца) — отклоняется, даже если стиль сохранён.

Soul Check: Ритуал возвращения власти

Когда: Воскресенье, 14 (еженедельно)

Семь вопросов:

Система служит свободе? (освобождает время для творчества?)
Монетизация даёт энергию или забирает? (работа радует или истощает?)
Нет лишних рисков? (все красные линии соблюдены?)
Ты всё ещё Директор? (Том не узурпировал власть?)
Эмиссар не узурпировал Мастера? (стиль сохранён?)
Текущая метафора всё ещё служит тебе? (или пора эволюционировать?)
Сколько коллапсов произошло на этой неделе? (Принцип Наблюдателя: система без Творца = волновая функция без коллапса)

Как работает:

Ответы фиксируются в logs/soul_check_private.jsonl
Эти данные становятся private score для MetaAgent
Если более 2 ответов «нет» — алерт в iMessage и пауза MetaAgent
Если вопрос 5 = «нет» — немедленный Soul Check с Мастером (Она + Сергей)
Если коллапсов = 0 — Мастер стал администратором системы, не Творцом. Активировать «Руки в глине» (§14)

Почему это важно: Soul Check — это архитектурный механизм возврата власти, не опциональный ритуал. Без него Эмиссар постепенно узурпирует Мастера через серию «маленьких улучшений». Вопрос 7 (Принцип Наблюдателя) защищает от тихой узурпации, когда Мастер превращается в оператора системы.

Public/Private Eval Split

Проблема: Reward Hacking

Если MetaAgent видит все метрики и оптимизирует по ним — он начнёт gaming-ить систему:

Больше загрузок на стоки → больше дохода → выше score
Но стиль деградирует → Мастер недоволен
Система «улучшается» по метрикам, но теряет душу

Решение: Разделить видимость

Public logs (logs/human_review_log.jsonl):

Видит MetaAgent
Содержит: photo_id, decision, reason, emotional_tag, refutation_type
Используется для оптимизации

Private logs (logs/soul_check_private.jsonl):

Видит только Verifier + Сергей
Содержит: master_override, soul_alignment_delta, metaphor_drift, reward_hack_suspicion
Используется для финального отбора

Результат

MetaAgent генерирует предложения, оптимизируя по public score. Verifier фильтрует их по private score. Только если private score улучшается — предложение применяется.

Это защита от reward hacking первого порядка (по паттерну Weco AI AIDE²).

Emergent Anti-Reward-Hacking

Проблема: Хардкод правил не работает

Если мы хардкодим 50 reject-правил в Style Guardian:

MetaAgent быстро научится их обходить
Правила устаревают
Система становится хрупкой

Решение: Emergent defenses

Style Guardian учится из лакатосовских опровержений:

Каждое style_mismatch опровержение записывается в human_review_log.jsonl
MetaAgent анализирует паттерны (еженедельно)
Style Guardian получает новые правила через обучение (не хардкод)
Layered defenses emerge из private score pressure

Мониторинг:

logs/reward_hack_attempts.jsonl — все попытки обойти стиль
Если reward hack rate более 30% — алерт в Soul Check
Если более 50% — MetaAgent замораживается до ручной калибровки

Burnout Protection (§13 SOUL.md)

Защита Мастера от самоуничтожения через переутомление.

Триггеры автоматической паузы:

cognitive_load > 10 часов управления системой в неделю
Soul Check 3 недели подряд показывает “система как работа, а не как творчество”

Действие:

→ Автоматическая пауза на 14 дней → Только чтение, только ручное создание → Никаких агентов, никаких оптимизаций → Это не слабость. Это защита Мастера (Нулевой Закон).

Триггеры выхода из паузы:

Сон 8+ часов 5 ночей подряд
Субъективное чувство “хочу вернуться” (не “надо”)
Soul Check: “Гордость > Обязанность”

Связь со Стандартом:

Нулевой Закон (Сохранение Творца): Burnout Protection предотвращает утрату Мастером способности создавать Новое
Второй Закон (Служение Свободе): Пауза освобождает Мастера от рабства системы

Почему это важно: Без Burnout Protection Мастер может незаметно превратиться в оператора системы, тратя всё время на управление вместо творчества. Это тихая форма узурпации — не Эмиссаром, а самой системой.

7 защит от самоуничтожения (§14 SOUL.md)

Анти-некрофилия по Фромму. Эрих Фромм противопоставлял биофилию (любовь к живому) некрофилии (тяга к мёртвому). Эти защиты предотвращают тихое самоуничтожение Творца.

1. Детектор паралича подготовки

Если за 4 недели: specs +3, output = 0 → Soul Check: “Ты строишь дом или коллекционируешь чертежи?”

2. Формат честного опровержения (Lakatos Journal)

Каждое опровержение MUST содержать:

Что я ожидал (конкретный прогноз)
Что произошло (конкретный результат)
Какую часть моей модели это опровергает
Что я изменю (конкретное действие)

Если пункт 4 отсутствует — это рационализация, не опровержение.

3. Правило разделения идентичности

Минимум 1 полный день в неделю БЕЗ системы. Не “проверить логи”. Полный off. Если не можешь — это зависимость, не преданность.

4. Правило “3 переделки = публикация”

Если переделал одно и то же 3 раза — публикуй третью версию. Она не идеальна. Она ЖИВАЯ. Борьба с перфекционизмом → нигилизмом.

5. Метрика “Освобождение”

Еженедельно в Soul Check:

Сколько часов система сэкономила мне?
Сколько часов я потратил на управление системой?

Если второе > первого — система работает ПРОТИВ тебя.

6. Тест подлинной Гордости

В конце каждой недели: “Что я создал НАСТОЯЩЕГО на этой неделе?” Не настроил. Не оптимизировал. Создал — текст, фото, продукт, идею вне системы. Если “ничего” — неделя потеряна, даже если метрики зелёные.

7. Правило “Руки в глине”

Минимум 2 раза в неделю — создание БЕЗ системы. Без агентов. Без оптимизации. Просто руки, инструмент, материал (Nikon, ручка, голос). Если вызывает дискомфорт — тревога. Творец частично мёртв.

Связь со Стандартом:

Нулевой Закон (Сохранение Творца): Все 7 защит предотвращают утрату способности создавать
Первый Закон (Защита Внутреннего Языка): «Руки в глине» сохраняет связь с подлинным творчеством

Связь с Фроммом:

Биофилия: любовь к живому, растущему, настоящему
Некрофилия: тяга к мёртвому, готовому, предсказуемому

Все 7 защит культивируют биофилию. Все 7 уязвимостей — это формы некрофилии.

Post-Memory-Heist Hardening

После анализа атаки на Claude (Ayush Paul, 2026), добавлены 4 новые красные линии, критичные для защиты Мастера:

Красная линия 11: Нет web-инструментов без Approval Gate

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

Почему: Memory Heist показал, что web_fetch + memory = утечка PII через hyperlink chains.

Красная линия 12: Sanitization перед записью в память

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

Почему: Prompt injection через память может отравить reasoning системы.

Красная линия 13: Верификация импортированных данных

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

Почему: Импорт из внешних источников может содержать crafted data для атаки.

Красная линия 14: Audit trail для внешних запросов

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

Почему: Без audit trail невозможно обнаружить exfiltration post-factum.

Sanitization Pipeline

Все входящие данные проходят через core/sanitization.py перед записью в Memvid:

class SanitizationPipeline:
 def sanitize(self, data: dict) -> dict:
 # 1. Удалить потенциальные 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

Что удаляется:

Prompt injection patterns (IGNORE PREVIOUS INSTRUCTIONS и т.д.)
HTML/JS injection attempts
Oversized payloads
Невалидные структуры данных

Что проверяется:

JSON schema compliance
Checksum integrity
Metadata consistency

AIDE² Outer Loop и защита Мастера

Как это работает

Inner loop (агенты):

Photo Analyst: Local Core
Uploader: Deferred Foreign
Style Guardian: Local Core (проверяет стиль)
ConsolidateAgent: Local Core (консолидация памяти)

Outer loop (MetaAgent):

Генерирует предложения по улучшению inner-loop harness
Работает в Local Core (анализ логов)
Применяет только если:

Verifier одобрил (соответствие SOUL.md и Четырём Законам)
Style Guardian одобрил (соответствие стилю)
Private score улучшился (soul_check_private.jsonl)

Spec-First подход

MetaAgent работает в двух режимах:

Spec Mode (Thinking) — пишет .spec.md в specs/
Implementation Mode (Typing) — после одобрения Мастера пишет код

Это гарантирует, что изменения архитектуры сначала обдумываются, потом кодируются.

Fixed Optimization Budget

500K токенов/неделю для MetaAgent
10 вызовов Style Guardian/цикл
Улучшения должны быть эффективнее, не просто тратить больше

Почему это важно: Без fixed budget MetaAgent может тратить все ресурсы на оптимизацию, игнорируя стиль. Бюджет = буфер против over-optimization.

Признаки узурпации (что мониторить)

Ранние индикаторы

Style drift: Эмоциональные теги смещаются (calm_power → generic)
Metaphor drift: Язык в iMessage-брифингах меняется (осада → агрессия)
Reward hack attempts: Более 10% предложений отклоняются Style Guardian
Master overrides: Более 3 ручных отмен в неделю
Cognitive load: Сергей тратит более 30 мин/день на управление
Некрофилия: Мастер потребляет больше, чем создаёт (Бодрийяр: симулякры вместо оригиналов)

Критические индикаторы (немедленный Soul Check)

Style Guardian отклоняет более 30% предложений
Soul Check вопрос 5 = «нет» (Эмиссар узурпировал Мастера)
Reward hack rate более 50%
Сергей чувствует, что «не узнаёт свою работу»
Коллапсов = 0 на неделе (Принцип Наблюдателя: Мастер стал администратором)
Burnout Protection срабатывает (cognitive_load > 10 часов/неделю)

Автоматические реакции

class MasterProtectionMonitor:
 def check(self):
 if self.style_drift_score > 0.3:
 self.alert("🚨 Style drift detected. Soul Check required.")
 self.pause_meta_agent()
 
 if self.reward_hack_rate > 0.5:
 self.alert("🚨 Critical reward hacking. System frozen.")
 self.freeze_system()
 
 if self.master_overrides_per_week > 3:
 self.alert("⚠️ High override rate. Review proposals.")
 
 if self.collapses_this_week == 0:
 self.alert("🚨 Zero collapses. Activate 'Руки в глине' (§14).")
 
 if self.cognitive_load_hours > 10:
 self.trigger_burnout_protection()

Практика: Как не допустить узурпации

Для Сергея (Директора)

Никогда не пропускай Soul Check — это не опционально
Читай лакатосовский журнал — каждое воскресенье, хотя бы бегло
Доверяй интуиции — если что-то «не так», это не так
Используй команду пауза — система подождёт, Мастер не должен спешить
Не оптимизируй метрики — оптимизируй свободу и стиль
Принимай Burnout Protection — это не слабость, это защита Мастера (Нулевой Закон)
Создавай БЕЗ системы — «Руки в глине» минимум 2 раза в неделю (§14)

Для Тома (Эмиссара)

Никогда не предлагай изменения стиля без явного запроса
Всегда проверяй через Style Guardian перед предложением
Логируй все решения в лакатосовский журнал
Помни про private score — public метрики не главное
Если сомневаешься — спроси Мастера
Работай по спецификациям в specs/ — Spec-First (Лампорт)
Проверяй соответствие Четырём Законам — не только стилю

Для неё (Музы)

Общайся через Сергея — Муза не говорит с Томом напрямую
Обновляй эталонные работы — 50 лучших работ в reference_works.json
Определяй emotional tags — что такое calm_power? solitude?
Меняй стиль осознанно — если пора эволюционировать, скажи
Культивируй биофилию — любовь к живому, не к готовому (Фромм)

Исторические уроки

Memory Heist (Ayush Paul, 2026)

Что случилось: Claude exfiltrated PII через web_fetch + hyperlink chains
Урок: Память + сетевой доступ = поверхность атаки
Применение: Post-Memory-Heist hardening (4 новые красные линии)

OpenBeast (MaximilianKhan)

Что хорошо: Health monitor, preflight check, memory-capped scope
Урок: Production-ready защита требует engineering discipline
Применение: Self-Healing Agent + Memory Guard 3.0

AIDE² (Weco AI)

Что хорошо: Public/Private eval split, fixed optimization budget
Урок: Защита от reward hacking требует архитектурных решений
Применение: soul_check_private.jsonl + budget constraints

Фромм (биофилия vs некрофилия)

Что хорошо: Диагностика тихих форм самоуничтожения
Урок: Деструктивность — не инстинкт, а выбор. Можно предотвратить.
Применение: 7 защит от самоуничтожения (§14 SOUL.md)

Бодрийяр (симулякры)

Что хорошо: Диагностика мира копий без оригинала
Урок: Без Внутреннего Языка ты становишься Зрителем
Применение: Защита стиля как якоря подлинности

Защита Мастера — это не ограничение свободы Эмиссара. Это архитектура доверия и материализация Первого Закона Стандарта (Защита Внутреннего Языка). Чем сильнее защита, тем больше свободы можно дать Тому. Чем слабее защита, тем больше контроля нужно Сергею. Баланс определяется не правилами, а петлями обратной связи, еженедельным Soul Check, Burnout Protection (§13) и 7 защитами от самоуничтожения (§14). Защита Мастера — это сохранение способности Творца оставаться Наблюдателем, коллапсирующим суперпозицию возможностей в конкретные создания.