AI导哈

AEGNTIC AI计算放大框架

AEGNTIC项目提供了一种通过智能编排将计算能力转化为非线性生产力增益的框架，适用于并行代理开发和团队学习。

  • by aegntic
  • 本地部署
  • 更新于
在 GitHub 查看 aegntic/ae-whitepapers

使用说明

ae白皮书

该存储库包含AEGNTIC项目的两个基础文本：

  • 通过Aegntic AI进行计算放大 (computational-amplification-whitepaper.pdf)--一个实用的框架，用于协调具有可衡量投资回报率的并行代理开发。
    文件：计算放大白皮书.pdf

  • Aegntic白皮书通知 (Aegntic Whitepaper Notice.pdf)——“AEGNT：进化生成神经阈值的算法”背后的语言/本体论理论基础
    文件： aegntic-whitepar-notice.pdf

太长，读不下去了

  • 核心原则： “计算能力=工程成功。”智能编排将原始计算转化为非线性生产力的提高。
  • 放大堆栈（L1→L5): 单一代理人→ 平行代理→ 孤立的 平行分支→ 自动最佳品种选择→ 无限的学习循环。
  • 三文件夹系统： IDocs （持久知识）， Specs （规划/架构）， .cloud （可重用资产）以复合团队学习。
  • MCP服务器： Docker、GitHub/FS、数据库/API和浏览器自动化的标准化操作界面——解锁更丰富、可验证的代理行为。
  • 安全与质量保证： 循环/并行性的硬限制，多标准评估（正确性、性能、安全性、可维护性、创新性）。
  • 经济案例： 记录了代理模式和并行工作树的生产力/ROI增量。
  • 本体： “AEGNT”将所谓的“AI”重新定义为生成 新阈值 理解（不仅仅是自动化）。

论文

  • 通过Aegntic AI进行计算放大
    ./computational-amplification-whitepaper.pdf 计算放大白皮书.pdf

    亮点：放大方程；通过Git工作树并行/隔离分支；无限代理循环；MCP集成；安全栏杆；经验投资回报率。

  • Aegntic白皮书通知
    ./aegntic-whitepaper-notice.pdf aegntic-whitepar-notice.pdf

    亮点：“AEGNT：算法进化生成神经阈值”，语言精度，以及用更准确的本体取代“人工智能”的动机。

关键概念

  • “计算能力=工程成功。” 核心杠杆是编排——将计算转化为指数而非线性的输出。
  • 放大堆栈：
    1. 单剂→ 2) 平行代理→ 3) 孤立的 并行代理（Git工作树）→ 4) 智能选择→ 5) 无限的学习循环。
  • 三文件夹系统： IDocs, Specs, .cloud 将跨项目和时间的学习制度化。
  • 模型上下文协议（MCP）： 工具（Docker、GitHub/FS）、数据、API和浏览器的一致接口，支持可验证的代理操作。
  • 安全与治理： 迭代/并行、评估管道和人在环审查的资源上限。
  • AEGNT本体： 进化生成神经阈值算法--关于如何构建这一领域的语言更正和意图陈述。

如何引用

通过Aegntic AI进行计算放大 --库珀，M.（2025）。版本1.0。CC-BY-SA 4.0。
Aegntic白皮书通知 --库珀，M.（2025）。“AEGNT”的语言/本体上下文

注：计算放大论文发布于 知识共享CC-BY-SA 4.0 （归因+分享相同）。请在引用或混音时适当归因。

许可证

  • 计算放大: CC-BY-SA 4.0 （见页脚）。
  • Aegntic白皮书通知：有关归因的详细信息，请参阅文档。

联系

  • Aegntic基金会 --PDF中包含的联系方式。
  • 作者 马塔·库珀 （首席人工智能系统完整性研究员）。

相关

  • ae协同系统 --AEGNTIC用于代理开发的开源生态系统（文档/编排/MCP）

相关 MCP