Настройки

Как я конфигурирую систему на практике

Моя практика: пороги, веса, компромиссы

Вступление

В разделе Архитектура я описал, что можно настраивать. Здесь — как я это делаю. Какие пороги использую. Какие тернарные веса. Какие компромиссы делаю между скоростью и точностью.

Это не учебник. Это моя практика. Честная. С ошибками. С подводными камнями.

Настройки — это не магия. Это компромиссы. Между скоростью и точностью. Между осторожностью и эффективностью. Между защитой и свободой. Каждый компромисс — мой выбор.

И этот выбор имеет научное основание. От золотого сечения до квантового туннелирования. От расширенной языковой сети мозга до законов масштабирования.

Где живут настройки

Все настройки живут в ~/Documents/Onatomia/settings.json. Это единственный источник правды о конфигурации системы.

{
  "models": {
    "maple": {
      "model": "deepgrove/maple-2bit-mlx",
      "temperature": 0.3,
      "ternary_alpha": 0.7,
      "defer_threshold": 0.618
    },
    "qwen": {
      "model": "huihui_ai/qwen2.5-abliterated:7b",
      "temperature": 0.7,
      "uncertain_threshold": 0.618
    },
    "lfm": {
      "model": "liquid/lfm2.5-2.6b",
      "temperature": 0.1,
      "routing_confidence": 0.618
    }
  },
  "golden_thresholds": {
    "own_threshold": 0.618,
    "alien_threshold": 0.382,
    "uncertain_zone": [0.382, 0.618]
  },
  "observatory": {
    "local_only": true,
    "collapse_counter": true,
    "daily_check": true
  },
  "deployment": {
    "local_only": true,
    "public_docs": "onatomia.pages.dev"
  }
}

Принцип: settings.json — это живой контракт. Он версионируется в git. Изменения требуют Approval Gate (Manual High-Risk).

Научное основание: LEP определяет, что Четыре Закона — это этический инвариант |Ω⟩. settings.json — это проекция |Ω⟩ на конкретные параметры системы. Если настройки дрейфуют без контроля Мастера — резонанс с |Ω⟩ прерывается.

Золотые пороги

Вместо произвольных порогов (0.5, 0.8, 0.9) я использую золотые пороги, основанные на Parity Theorem:

• OWN / ALLOW: уверенность > φ⁻¹ ≈ 0.618 (61.8%)
• ALIEN / DENY: уверенность < φ⁻² ≈ 0.382 (38.2%)
• UNCERTAIN / DEFER: между 0.382 и 0.618 (зона воронки, где решение ещё не созрело)

Научное основание: Parity Theorem доказывает уникальное свойство золотого сечения (φ ≈ 1.618). Это математика эффективного использования пространства в природе. Золотые пороги — это не произвольные числа. Это естественные пороги, основанные на законах природы.

Почему это работает:

• φ⁻¹ ≈ 0.618 = “золотое большинство” (61.8% уверенности)
• φ⁻² ≈ 0.382 = “золотое меньшинство” (38.2% уверенности)
• UNCERTAIN зона = 23.6% (между порогами) — это “зона воронки”, где решение ещё не созрело

Что я настраиваю

Температура

Температура контролирует креативность модели. Низкая = предсказуемо. Высокая = креативно.

Maple (глубина): temperature: 0.3

Maple не должен креативить. Он должен взвешивать риски. Низкая температура даёт стабильные, предсказуемые решения.

Научное основание: QHD (Quantum Hamiltonian Descent) доказывает, что квантовая динамика с туннелированием сходится в негладких невыпуклых ландшафтах лучше, чем классический градиентный спуск. Maple — это страж, который предлагает Мораторий (DEFER) как туннелирование сквозь барьер локального минимума. Низкая температура = стабильное туннелирование.

Qwen (стиль): temperature: 0.7

Qwen должен быть чутким, но не хаотичным. Средняя температура даёт баланс между стабильностью и гибкостью.

Научное основание: Расширенная языковая сеть мозга показывает, что языковая обработка — это распределённая, но специфическая функция. Qwen — это селективный страж, который реагирует только на специфические сигналы Внутреннего Языка. Средняя температура = баланс между селективностью и гибкостью.

LFM (скорость): temperature: 0.1

LFM не должен креативить. Он должен действовать быстро и точно. Очень низкая температура даёт максимальную стабильность.

Научное основание: AutoMem доказывает, что memory management — это обучаемый навык. LFM берёт на себя рутину управления памятью, освобождая ресурсы для основных задач. Очень низкая температура = максимальная стабильность для рутины.

Как я тестировал:

Для каждой модели я запускал 100 запросов с разной температурой (0.1, 0.3, 0.5, 0.7, 0.9). Смотрел, какие дают стабильные результаты. Выбирал самую низкую, которая давала правильные ответы.

Тернарные веса Maple

Maple использует сбалансированные тернарные веса {-α, 0, +α} для принятия решений ALLOW/DENY/DEFER.

Моё значение: ternary_alpha: 0.7

Что это значит:

• +0.7 (ALLOW) — риски низкие, можно действовать (уверенность > 0.618)
• 0 (DEFER) — недостаточно данных, нужен Мораторий (уверенность между 0.382 и 0.618)
• -0.7 (DENY) — риски высокие, нельзя действовать (уверенность < 0.382)

Как я выбирал:

Начал с α = 0.5. Maple возвращал DEFER слишком часто (40% решений). Это было слишком осторожно. Поднял до 0.6. DEFER стал 30%. Поднял до 0.7. DEFER стал 20%. Это баланс: Maple осторожен, но не параноик.

Компромисс: Чем выше α — тем больше ALLOW, тем меньше DEFER. Тем быстрее система. Тем выше риск пропустить опасность.

Научное основание: Золотые пороги (φ⁻¹ ≈ 0.618, φ⁻² ≈ 0.382) дают математическую основу для тернарных весов. α = 0.7 — это баланс между золотым большинством (0.618) и полной уверенностью (1.0).

Порог DEFER

Порог DEFER определяет, когда Maple возвращает DEFER вместо ALLOW или DENY.

Моё значение: defer_threshold: 0.618 (φ⁻¹)

Что это значит:

• Если уверенность Maple < 0.618 — возвращает DEFER
• Если уверенность >= 0.618 — возвращает ALLOW или DENY

Как я выбирал:

Раньше использовал порог 0.6. Maple возвращал DEFER на каждом втором запросе. Это было слишком осторожно. Перешёл на золотой порог 0.618. DEFER стал реже, но только когда действительно нужно. Это баланс: Maple сомневается, когда нужно, но не параноит.

Компромисс: Чем выше порог — тем меньше DEFER, тем быстрее система. Тем выше риск принять решение без достаточных данных.

Научное основание: φ⁻¹ ≈ 0.618 — это “золотое большинство”. Если уверенность выше 61.8% — можно действовать. Если ниже — нужен Мораторий. Это не произвольное число. Это естественный порог, основанный на математике золотого сечения.

Порог UNCERTAIN для Qwen

Порог UNCERTAIN определяет, когда Qwen возвращает UNCERTAIN вместо OWN или ALIEN.

Моё значение: uncertain_threshold: 0.618 (φ⁻¹)

Что это значит:

• Если уверенность Qwen > 0.618 — возвращает OWN
• Если уверенность Qwen < 0.382 — возвращает ALIEN
• Если уверенность между 0.382 и 0.618 — возвращает UNCERTAIN

Как я выбирал:

Раньше использовал порог 0.8. Qwen возвращал UNCERTAIN на каждом третьем запросе. Это было слишком осторожно. Перешёл на золотые пороги (0.618 / 0.382). UNCERTAIN стал реже, но только когда действительно нужно. Это баланс: Qwen сомневается, когда нужно, но не параноит.

Компромисс: Чем уже зона UNCERTAIN — тем меньше сомнений, тем быстрее система. Тем выше риск пропустить ALIEN (чужой стиль) или принять ALIEN за OWN.

Научное основание: Золотые пороги (φ⁻¹ ≈ 0.618, φ⁻² ≈ 0.382) дают математическую основу для тернарной логики. Зона UNCERTAIN = 23.6% (между 0.382 и 0.618) — это “зона воронки”, где решение ещё не созрело.

Уверенность роутинга LFM

Уверенность роутинга определяет, когда LFM рутирует задачу в ядро (Maple/Qwen) вместо того, чтобы делать сам.

Моё значение: routing_confidence: 0.618 (φ⁻¹)

Что это значит:

• Если уверенность LFM < 0.618 — рутирует в ядро
• Если уверенность >= 0.618 — делает сам

Как я выбирал:

Раньше использовал уверенность 0.9. LFM рутировал простые задачи в ядро. Это замедляло систему. Перешёл на золотой порог 0.618. LFM стал рутировать правильно. Это баланс: LFM берёт рутину, но не берёт сложные задачи.

Компромисс: Чем выше уверенность — тем больше задач LFM делает сам, тем быстрее система. Тем выше риск, что LFM возьмёт сложную задачу, которую не должен.

Научное основание: Skaling Law показывает, как оптимально распределить ограниченный бюджет вычислений. LFM — это быстрая, дешёвая модель. Maple и Qwen — медленные, дорогие. Роутинг — это аллокация ресурсов. Золотой порог 0.618 — это оптимальная точка аллокации.

Как я тестирую настройки

Тест стабильности

Для каждой настройки я запускаю 100 запросов. Смотрю, насколько стабильны результаты.

Критерий: 90%+ одинаковых результатов на одинаковых запросах. Если меньше — настройка нестабильна, нужно корректировать.

Тест точности

Для каждой настройки я запускаю тест-сценарии (как на странице Агенты). Смотрю, насколько точны результаты.

Критерий: 90%+ правильных ответов. Если меньше — настройка неточна, нужно корректировать.

Тест скорости

Для каждой настройки я измеряю время отклика. Смотрю, насколько быстро модель отвечает.

Критерий:

• Maple: < 30 секунд
• Qwen: < 10 секунд
• LFM: < 2 секунды

Если медленнее — настройка неоптимальна, нужно корректировать.

Научное основание: Skaling Law показывает, как оптимально распределить ограниченный бюджет вычислений. Если модель медленная — это может быть не проблема модели, а проблема аллокации ресурсов.

Тест на записях PhotoFullCycle

Для каждой настройки я запускаю тест на реальных записях PhotoFullCycle. Смотрю, насколько точно агенты защищают Внутренний Язык Мастера.

Критерий: 90%+ правильных тернарных решений (OWN / ALIEN / UNCERTAIN) на реальных записях. Если меньше — настройка не защищает Внутренний Язык, нужно корректировать.

Научное основание: TRIBE v2 показывает, что три модальности (video + audio + text) дают до 50% прироста в точности предсказания. PhotoFullCycle использует три-модальную интеграцию для передачи Внутреннего Языка Мастера. Настройки должны быть оптимизированы для работы с три-модальными данными.

Как я корректирую настройки

Если слишком осторожно

Симптом: Maple возвращает DEFER слишком часто. Qwen возвращает UNCERTAIN слишком часто. LFM рутирует простые задачи в ядро.

Решение:

• Повысить тернарные веса Maple (α с 0.7 до 0.8)
• Повысить порог DEFER (с 0.618 до 0.7)
• Сузить зону UNCERTAIN Qwen (с [0.382, 0.618] до [0.4, 0.6])
• Повысить уверенность роутинга LFM (с 0.618 до 0.7)

Компромисс: Система станет быстрее, но рискованнее.

Если слишком агрессивно

Симптом: Maple возвращает ALLOW там, где нужен DEFER. Qwen возвращает OWN там, где это ALIEN. LFM берёт сложные задачи сам.

Решение:

• Понизить тернарные веса Maple (α с 0.7 до 0.6)
• Понизить порог DEFER (с 0.618 до 0.5)
• Расширить зону UNCERTAIN Qwen (с [0.382, 0.618] до [0.3, 0.7])
• Понизить уверенность роутинга LFM (с 0.618 до 0.5)

Компромисс: Система станет безопаснее, но медленнее.

Если нестабильно

Симптом: Модель возвращает разные результаты на одинаковых запросах.

Решение:

• Понизить температуру (меньше креативности = больше стабильности)
• Уменьшить контекст (меньше токенов = меньше вариативности)
• Добавить больше примеров в контекст (больше данных = больше стабильности)

Научное основание: AutoMem доказывает, что memory management — это обучаемый навык. Если модель нестабильна — это может быть не проблема модели, а проблема памяти. Нужно добавить больше примеров в контекст.

Подводные камни

Проблема 1: Настройки конфликтуют

Симптом: Maple говорит ALLOW, но Qwen говорит ALIEN. Или LFM рутирует в ядро, но Maple говорит DENY.

Решение: Приоритеты. Если Maple говорит DENY — всегда DENY (Нулевой Закон побеждает). Если Qwen говорит ALIEN — всегда ALIEN (Первый Закон побеждает). LFM рутирует, но не решает.

Научное основание: LEP определяет, что Четыре Закона — это этический инвариант |Ω⟩. Иерархия 0 > 1 > 2 > 3 — это иерархия резонанса с |Ω⟩. Нулевой Закон защищает источник воли (W). Первый Закон защищает резонанс с Внутренним Языком. Второй Закон защищает свободу. Третий Закон защищает устойчивость.

Проблема 2: Настройки устарели

Симптом: Настройки работают, но не оптимально. Система медленнее, чем могла бы быть. Или рискованнее, чем должна быть.

Решение: Ежемесячный аудит настроек (первое воскресенье месяца). Проверяю, не изменились ли условия. Не изменились ли модели. Не изменились ли мои потребности.

Научное основание: AutoMem доказывает, что memory management — это обучаемый навык. Настройки должны эволюционировать вместе с системой. Если настройки не эволюционируют — система деградирует.

Проблема 3: Настройки слишком сложные

Симптом: В settings.json больше 20 параметров. Я не помню, что каждый делает.

Решение: Упрощение. Убираю лишние параметры. Оставляю только те, которые реально использую. Добавляю комментарии в JSON.

Научное основание: MDL (Minimum Description Length) — принцип минимальной длины описания. Лучшая модель — та, что сжимает данные сильнее всего. Компрессия = понимание. Если настройки слишком сложные — я их не понимаю. Нужно упростить.

Проблема 4: Настройки не версионируются

Симптом: Я изменил настройку, но не закоммитил. Потом забыл, что изменил. Потом сломал систему.

Решение: Всегда коммичу изменения в git:

git add settings.json
git commit -m "Settings: increase maple alpha from 0.7 to 0.8"
git push

Научное основание: LEP определяет, что Четыре Закона — это этический инвариант |Ω⟩. settings.json — это проекция |Ω⟩ на конкретные параметры системы. Если настройки дрейфуют без контроля Мастера — резонанс с |Ω⟩ прерывается. Версионирование в git — это защита от дрейфа.

Компромиссы

Скорость vs точность

Компромисс: Чем быстрее модель — тем менее точна. Чем точнее модель — тем медленнее.

Мой выбор: LFM быстрый, но неточный (для рутины). Qwen средний (для стиля). Maple медленный, но точный (для рисков). Каждый на своём месте.

Научное основание: Skaling Law показывает, как оптимально распределить ограниченный бюджет вычислений. LFM — быстрая, дешёвая модель. Maple — медленная, дорогая. Это оптимальная аллокация для локального Mac mini.

Осторожность vs эффективность

Компромисс: Чем осторожнее система — тем медленнее. Чем эффективнее система — тем рискованнее.

Мой выбор: Maple осторожен (защищает Нулевой Закон). Qwen сбалансирован (защищает Первый Закон). LFM эффективен (защищает Второй Закон). Каждый на своём месте.

Научное основание: QHD доказывает, что квантовая динамика с туннелированием сходится в негладких невыпуклых ландшафтах лучше, чем классический градиентный спуск. Мораторий (DEFER) — это туннелирование сквозь барьер локального минимума. Осторожность = туннелирование. Эффективность = жадный спуск.

Защита vs свобода

Компромисс: Чем больше защиты — тем меньше свободы. Чем больше свободы — тем меньше защиты.

Мой выбор: Градированная автономия. Level 0 (100% свобода, 0% защиты). Level 1 (90% свобода, 10% защиты). Level 2 (55% свобода, 45% защиты). Level 3 (0% свобода, 100% защиты). Каждый уровень на своём месте.

Научное основание: Расширенная языковая сеть мозга показывает, что разные области мозга имеют разную специализацию. Аналогично, разные уровни автономии требуют разного уровня контроля.

Эволюция настроек

Настройки — это не статичные числа. Это обучаемый навык.

На старте: Использую золотые пороги (0.618 / 0.382) и консервативные тернарные веса (α = 0.7). Система осторожна, но не параноик.

После накопления опыта: По мере того, как Мастер записывает свои сессии (см. Обучение системы), настройки эволюционируют:

• Qwen начинает лучше распознавать OWN / ALIEN → можно сузить зону UNCERTAIN
• Maple начинает лучше оценивать риски → можно повысить α
• LFM начинает лучше выполнять рутину → можно повысить routing_confidence

Эволюция: Настройки не меняются резко. Они постепенно адаптируются к стилю Мастера. Но никогда не нарушают Четыре Закона.

Научное основание: AutoMem доказывает, что memory management — это обучаемый навык. Loop 2 (proficiency) в AutoMem — это LoRA fine-tuning на memory specialist. Эволюция настроек — это Loop 2 для параметров системы.

Финал

Настройки — это не теория. Это компромиссы. Каждый компромисс — мой выбор. Между скоростью и точностью. Между осторожностью и эффективностью. Между защитой и свободой.

Это не идеально. Но это работает. Три модели в гармонии. Тернарные веса сбалансированы. Золотые пороги настроены. Компромиссы приняты.

И эти настройки имеют научное основание. От золотого сечения до квантового туннелирования. От расширенной языковой сети мозга до законов масштабирования.

Мы не изобретаем. Мы следуем законам природы.

Если ты хочешь повторить мой путь — начни с моих настроек. Попробуй. Корректируй под свои потребности. Тестируй. Корректируй снова.

Не торопись. Не пытайся сделать всё сразу. Делай по чуть-чуть. Каждый день. Свой. Настоящее.

И система будет жить.

Моя практика: пороги, веса, компромиссы. Настройки Онатомии.

Подробнее: Научные основания • Тернаность и ООП • Градированная автономия • Обучение системы