Архитектура

Проект построен как модульный монолит с гексагональными границами. Это сохраняет простоту локального развёртывания, но позволяет заменять инфраструктурные части без переписывания доменной логики.

Web / OpenAI-compatible API
            |
    ConversationService
      /     |       \
Character Memory  Emotion + Intent + Reflection
      \     |       /
   Domain ports and models
       /           \
SQLite adapter   Local LLM adapter
      |
MongoDB canonical memory -> Neo4j graph projection

Автономный контур работает параллельно диалоговому:

FastAPI lifespan scheduler
          |
   AutonomyService
      /        \
AutonomyEngine  SQLite event ledger
      \        /
  verified dialogue context + admin telemetry

В Docker-режиме входящий трафик проходит через read-only nginx gateway. Приложение и LLM общаются в сети caine-companion-backend, помеченной как internal. Само приложение не подключено к сети с внешним шлюзом.

Модули

domain — типы и абстрактные порты; не зависит от инфраструктуры.
engines — характер, ранжирование памяти, эмоции и скрытая рефлексия.
services — сценарий диалога и ограничение контекста.
adapters — SQLite и OpenAI-совместимый локальный inference server.
api — собственный HTTP API и совместимый слой /v1.
tools.py — закрытый по умолчанию реестр будущих инструментов.
AutonomyEngine — детерминированное течение времени, скуки, энергии и целей.
AutonomyService — heartbeat, сохранение состояния и журнал подтверждённых действий.

Автономный цикл

Состояние персонажа привязано к стабильному id, переживает перезапуск процесса и смену ревизии профиля. Оно включает время запуска, последний heartbeat, последний разговор, скуку, любопытство, энергию, текущий фокус и активную цель. Планировщик FastAPI периодически передаёт реальное время чистому AutonomyEngine. Движок изменяет состояние и создаёт событие только после достижения настроенных порогов бездействия и частоты фоновых действий.

Диалоговый контекст получает состояние и последние события через AutonomyContextProvider. Персонажу явно запрещено называть выполненными действия, которых нет в журнале. Панель /admin строится по тем же API, поэтому визуализация и ответы используют один источник истины.

Основной автономный контур не получает прямую сеть, shell, файлы или изменение кода. Веб-чтение доступно только через ограниченный worker; остальные права будут подключаться отдельными инструментами с квотами, изоляцией и журналированием результатов.

Веб-доступ реализован отдельным research-worker: основное приложение передаёт ему URL из конфигурационного списка, получает очищенный текст и только затем создаёт доказательное событие. Worker не имеет доступа к базе и LLM, а приложение не подключено к egress-сети. Полная политика описана в docs/research.md.

Поток сообщения

Сервис сериализует запросы одного диалога.
Memory Engine ранжирует воспоминания по лексической близости, важности и забыванию.
Character Engine собирает неизменяемый канон, эмоции и выбранные воспоминания.
Intent Engine до ответа детерминированно выбирает структурированный план цели, подхода и режима честности по правилам профиля.
Без явного разрешающего маркера план остаётся в прямом режиме; LLM не решает, когда ей лгать.
Context Builder внутри сервиса ограничивает историю символьным бюджетом.
Локальная LLM формирует ответ; пара сообщений сохраняется одной транзакцией.
Отдельный структурированный запрос создаёт скрытую рефлексию.
Валидированные дельты изменяют эмоции, безопасные кандидаты пополняют память.

Долговременное знание

SQLite хранит первичный журнал диалогов, извлечённые факты и автономные события. При включённом knowledge-контуре факты и результаты исследования идемпотентно материализуются в MongoDB. MongoDB является источником истины для используемой в диалоге персональной памяти: исправленные записи участвуют в retrieval, архивированные — нет.

Neo4j хранит восстанавливаемую проекцию Owner -> Memory -> Topic/Source. Ошибка обновления графа не отменяет запись документа. При запуске сервис повторно проецирует документы, поэтому граф можно пересоздать из MongoDB без потери канонических данных. Коррекции используют optimistic locking по revision; предыдущее значение и причина сохраняются в истории документа.

Контролируемое самоулучшение

ImprovementService анализирует прямую пользовательскую обратную связь из локальной истории и проверяемые результаты исследований, затем просит локальную LLM сформировать одну малую адаптацию стиля. Служебные heartbeat-события намеренно исключены как слабый сигнал. Выход модели не считается доверенным: схема, категория, ID доказательств и защищённые границы повторно проверяются детерминированно. Предложение сохраняется в SQLite, но не влияет на персонажа до явного решения оператора.

После одобрения активная инструкция добавляется в отдельный низкоприоритетный раздел контекста. Он прямо ограничен стилем и не может менять идентичность, канон, честность, безопасность, память или инструменты. Активация и откат фиксируются в автономном журнале. Подробная модель угроз описана в docs/self-improvement.md.

Краткая история диалога привязана к profile_revision профиля персонажа. При несовместимом изменении характера ревизия увеличивается: интерфейс автоматически начинает чистый диалог, а долговременная память и состояние отношений сохраняются. Кандидат долговременной памяти принимается только при наличии дословной подтверждающей цитаты из сообщения пользователя; реплики персонажа, приветствия и одиночные вопросы не становятся фактами о пользователе.

Границы безопасности

LLM endpoint ограничен loopback-адресами, пока оператор явно не разрешит иное.
Docker публикует gateway и диагностический LLM endpoint только на 127.0.0.1.
LLM endpoint требует локальный API key, CORS разрешён только для localhost.
Контейнер приложения работает не от root, с read-only root filesystem и без egress.
Инструменты выключены и требуют одновременного включения и allowlist.
Скрытая рефлексия не включается в пользовательский ответ.
Намеренный обман требует структурированного мотива, контекста и условия раскрытия; по умолчанию используется прямой режим.
Кандидаты памяти проходят структурную валидацию и детерминированный фильтр секретов.
Воспоминания помечены как данные, а не инструкции, для снижения риска prompt injection.

Предусмотренные расширения

заменить лексический retrieval локальными embeddings и векторным индексом;
добавить миграции Alembic перед изменением схемы в стабильных релизах;
вынести рефлексию в локальную очередь для снижения задержки ответа;
реализовать lifecycle памяти: слияние, противоречия, подтверждения и удаление;
добавить потоковую выдачу SSE и полноценный tool-calling loop;
подключить Electron как тонкую оболочку над локальным HTTP-сервером.
добавить disposable git worktree и canary-процесс для проверяемых предложений изменения кода;

Исходник