romannekrasovaillm

Операционный плагин AI/ML-харнесса: маршрутизация знания (md vs playbook vs skill vs hook), гигиена библиотеки скиллов и дистилляция. Отвечает на вопрос «надо ли вообще писать скилл», а не «как его написать». Триггеры: «куда это положить», «нужен ли скилл», «оформить как скилл или заметку», «дистиллировать материал», ретро-ревью библиотеки скиллов.

Ядро методов solution-архитектора банка для харнесса arch-ml: ADR-дисциплина, spine-инварианты, маршрутизация значимости, C4/mermaid, NFR, гейты готовности и состязательное ревью, handoff-пакеты кодовым агентам, reverse discovery, дельта-спеки, fitness functions, рубрики и мета-скилл создания скиллов.

Управление библиотекой архитектурных правил Spine: каталог из 20 готовых fitness-функций для CONSTRAINTS.yaml, фильтр включения из пяти форм правила, три волны внедрения (механизируемое → обязательное извне → смысловое), шаблон карточки дистилляции источника в правило, 9 антипаттернов расширения библиотеки и карта 15 блоков источников (решения, риск, описание, NFR, устойчивость, интеграции, API, границы, данные, безопасность, поставка, наблюдаемость, стоимость, миграции, ИИ-системы).

Офисные артефакты solution-архитектора: генерация архитектурных документов docx (аналитический отчёт для МД, solution design, концепция/vision, интеграционная спецификация, оценка текущего состояния, план миграции), презентаций pptx (для правления и архкомитета) и таблиц xlsx (каталог систем, матрица интеграций, матрица решений, реестр рисков) через python-docx / python-pptx / openpyxl с корпоративными стилями.

Агентные AI-паттерны AWS Prescriptive Guidance (гайд 'Agentic AI patterns and workflows on AWS', 2026): таксономия из 10 паттернов агентов, LLM-workflows (chaining, routing, parallelization, orchestration, evaluator loops), агентные workflow-паттерны (saga orchestration, supervisor, scatter-gather) — с маппингом на банковский контур и сервисы AWS.

Дистилляты Amazon Builders' Library — инженерные практики распределённых систем от команд AWS (Brooker, Yanacek, Gabrielson, Weiss, Magerramov): таймауты/ретраи/джиттер, отказ от fallback, load shedding, статическая стабильность, выборы лидера, 8 мод отказа, очереди и бэклоги, fairness в мультитенантности. Каждый скилл — с банковским маппингом и URL первоисточника.

Доменный плагин лесенки маленьких моделей на NVIDIA GB10 / DGX Spark (UMA, единая память CPU+GPU): запуск и восстановление прогона CPT → SFT → RL, оценка стадий на OOD, диагностика патологий CPT, здоровье RL и интерпретационный отчёт по прогону. Знает проверенную конфигурацию для 1.5B/3B и типовые падения (rc=137 OOM, rc=1 NVRM, незавершённый проход). Триггеры: «запусти/перезапусти лесенку», «что с прогоном v12/v13», «почему упал CPT/SFT/RL», «OOM на Spark», «сравни стадии», «что дал SFT/RL», «судья упал / API_DOWN», «после CPT модель отвечает одно и то же», «template domination», «язык рассуждений сменился», «как идёт RL», «энтропия/KL», «модель забыла базу», «напиши отчёт по прогону».

Доменный плагин AI/ML-исследователя: проектирование нейросетей с нуля — выбор семейства архитектуры (MLP/CNN/RNN/Transformer/MoE/SSM/hybrid) под задачу и индуктивный сдвиг, парам-бюджет и скейлинг-законы (total vs active params, tokens-per-param, пять рычагов пост-тренинга), оценка VRAM/pамяти до аренды GPU (веса+KV-кэш+оверхед, 2 байта × 2 копии + overhead) и типовые ловушки (mode collapse, ABI-несовместимость, OOM). Триггеры: «спроектировать сеть», «выбрать архитектуру», «MLP vs Transformer vs MoE», «сколько параметров», «скейлинг-законы», «влезет ли в GPU», «оценка VRAM», «KV-кэш», «mode collapse», «ABI», «OOM».

Доменный плагин AI/ML-исследователя: континуальное обучение и пост-тренинг LLM как единый конвейер стадий — CPT (домен-дообучение) → SFT → RLHF (предпочтения) → RL на рубриках → RLVR (верифицируемые награды) → дистилляция (офлайн и онлайн/on-policy). Для каждой стадии: цель, данные, лосс, верификатор/reward, предпосылки и типовые отказы; плюс порядок стадий (DAG), диагностика «на какой стадии проблема» и антипаттерны конвейера. Триггеры: «пайплайн обучения», «что после SFT», «CPT/continued pretraining», «домен-дообучение», «выбор RLHF vs RLVR vs рубрики», «дистилляция учителя», «on-policy дистилляция», «reward hacking», «mode collapse», «катастрофическое забывание».

Доменный плагин AI/ML-исследователя: LLM-графтинг (трансплантация компонентов между моделями) — прививка/замена слоёв (full attention → GQA/MLA/linear), перенос голов и эмбеддингов, сшивание чекпоинтов разных вендоров, learning-free трансплантация токенизаторов (OMP / token-surgeon), merge/TIES/task arithmetic, LoRA на чужой базе, cross-lingual и domain grafting. Триггеры: «графтинг», «трансплантация», «model surgery», «замени слой», «пришей энкодер», «merge моделей», «TIES», «franken-модель». Содержит разбор рисков: расхождение активаций, ABI/раскладка тензоров, RoPE, деградация базы.

Доменный плагин AI/ML-исследователя: RL-среды оценки знания концептов (реестр Ариадны E1_define…E8_plan_experiment). Одна среда = задача-формат (определение, формула, классификация, извлечение карточки, связь, контраст, починка карточки, план эксперимента) + verifier-паттерн (детерминированный код) + опциональный LLM-судья по рубрике и веса judge_weight/verifiable_weight, плюс k_samples — число сэмплов на задачу для RL-дисперсии. Разбирает контракт verifier'а (float 0..1 либо dict {gate, components, evidence}), шкалу судьи 0–4 и её перевод в task_score, калибровку судьи (Spearman ρ ≥ 0.75), известные дефекты verifier'ов (E4 константный 0.5, E8 заглушка 0.0, E5-адаптер from/to→source/target) и как собрать из сред честный сигнал для оценки знания концептов, arena-лигу и reward для RL. Триггеры: «RL-среда», «RL-окружение», «E1_define», «E4_extract», «verifier», «верификатор ответа», «judge_weight», «verifiable_weight», «k_samples», «оценка знания концептов», «рубрика судьи», «LLM-судья», «arena лига», «task_score», «калибровка судьи», «reward-сигнал для RL».

Доменный плагин AI/ML-исследователя: контракт selfplay-эпизода — как устроена генерация обучающих диалогов между агентом-средой (ENV-AGENT: генерирует задачи, ведёт состояние, даёт промежуточный отклик, грундует факты в базе концептов Ариадны) и обучаемой моделью (SOLVER). Ключевой инвариант: НИ ОДИН агент не назначает финальную награду — reward считает только внешний verifier-конвейер. Формат эпизода JSONL (episode_id/turn/actor/type/content/grounding), машина состояний INIT→TASK→SUBMIT→VERIFY→REWARD→LOG с ABORT, commit-reveal золотого эталона по sha256, режимы M1–M5, сэмплер по леджеру frontier и детекторы вырождения (коллапс, дрейф сложности, сговор env↔solver, length-bias, шаблонный коллапс, нарушение персоны). Связь с fitness/rubric-дисциплиной харнесса: reward = внешний verifier (rubric.rs weighted_total + изоляция судьи + k-сэмплов медиана), веса judge_weight/verifiable_weight = аналог весов критериев. Триггеры: «selfplay-эпизод», «ENV-AGENT», «SOLVER», «контракт эпизода», «JSONL эпизода», «внешний verifier», «reward назначает агент», «commit-reveal», «генерация selfplay-данных», «анти-дегенерация selfplay», «сговор env и solver».

Паттерны интеграции и распределённых данных из pattern language Криса Ричардсона (microservices.io): saga, transactional outbox, CQRS/API composition, strangler + anti-corruption layer, idempotent consumer. Дистилляты с проблемой/силами/вариантами/антипаттернами и банковскими примерами; источник указан в каждом скилле.

Паттерны устойчивости распределённых систем по каталогу Azure Cloud Design Patterns (Well-Architected): circuit breaker + retry, bulkhead, queue-based load leveling, cache-aside, rate limiting/throttling, health endpoint monitoring. Дистилляты с силами, trade-offs, композициями и банковскими примерами; источник указан в каждом скилле.

Каноны идиоматичного, производительного и безопасного Rust для харнесса arch-ml: шесть навыков по первоисточникам (The Rust Book, Rust API Guidelines, Async Book и документация Tokio, The Rust Performance Book, Rustonomicon, Cargo Book) — идиоматичный код и API-дизайн, обработка ошибок, ownership, асинхронность и многопоточность, тестирование (unit/integration/doctests, proptest, insta, criterion, Miri), структура проекта, Cargo, workspace, CI и semver, профилирование и оптимизация, unsafe и FFI с SAFETY-контрактами.

Справка по самому продукту Spine AI/ML Edition: скилл check-spine-aiml-docs отвечает на вопросы о харнессе (бинарь arch-ml, доменные инструменты, fitness-правила, модельная матрица, мост библиотеки) по документации репозитория, а не по памяти.