SV-2 — Recursive self-improvement#

A 8-tengelyű szuperintelligens-vault evolúciós research második cikke. Kérdés: hogyan lehet egy LLM-agent rendszert úgy felépíteni, hogy ne csak a feladatokat oldja meg, hanem saját magát is fejlessze — a promptját, a skill-jeit, akár a kódját — minden interakcióból tanulva, nem csak a Crystallization manuális confirmációs ciklusán keresztül.

Status: 7/7 kérdés válaszolva (Phase A) + 3/3 mély-komplex kérdés válaszolva (Phase A+). NotebookLM-források: 55 → 1009 ready a 4× --mode deep research után. Audio overview generálás elindítva. Phase A+ kész.

1. A tengely magja#

A rekurzív önfejlesztés (recursive self-improvement, RSI) az LLM-agentek kontextusában az a képesség, amellyel a rendszer autonóm módon elemzi és tökéletesíti saját működési logikáját, architektúráját és tanulási folyamatait, minden iterációval egyre hatékonyabbá válva a további önfejlesztési ciklusokban. Túllép az ember által tervezett, fix meta-tanulási rutinokon: az agent nemcsak a feladatok kimenetét generálja, hanem a saját működését vezérlő belső struktúrákat is dinamikusan megváltoztatja a környezeti visszacsatolások és a hibák elemzése alapján.

A 4 fő dimenzió#

Az autonómia spektruma#

A 4 dimenzió autonómia-spektrumot jelöl: a prompt-evolution a legenyhébb (statikus súlyokkal, csak szöveg-szinten változik), a code-self-modification a legradikálisabb (futásidejű kódbeavatkozás, "nincsenek mesterséges emberi korlátok"). A Gödel Agent paradigmatikusan demonstrálja a felső véget: dinamikus memóriamanipulációval (monkey patching) elemzi és írja át a saját kódját, beleértve azokat a kódrészeket is, amelyek a saját elemzéséért és önmódosításáért felelősek.

2. Kanonikus megközelítések#

STaR — Self-Taught Reasoner (Zelikman et al. 2022, Stanford)#

• Mechanizmus: Kis chain-of-thought példakészletből indulva a modell válaszokat + indoklásokat generál rengeteg kérdésre; ha hibázik, a helyes válasz ismeretében újra próbálkozik; a sikeres indoklásokon finomhangolja magát.
• Kulcs-újdonság: Kiküszöböli a hatalmas, emberek által írt indoklás-adathalmazok szükségességét — a modell saját sikeres levezetéseiből bootstrappel.
• Eredmény: A CommonsenseQA-n egy 30-szor nagyobb csúcs-LLM teljesítményét elérte.

Reflexion (Shinn et al. 2023)#

• Mechanizmus: A nyelvi agent a környezeti visszajelzések alapján verbálisan reflektál a hibáira, és a reflexiót egy epizodikus memóriapufferben tárolja a jövőbeli próbálkozásokhoz.
• Kulcs-újdonság: A "verbális megerősítéses tanulás" — döntéshozatali stratégiák módosítása súlyfrissítés nélkül.
• Eredmény: HumanEval-en 91% pontosság, felülmúlva az akkori GPT-4 80%-os alaperedményét.

Voyager (Wang et al. 2023, NVIDIA)#

• Mechanizmus: Minecraft-ban open-ended agent: automatikus tananyag (curriculum) maximalizálja a felfedezést, a sikeres akciókat futtatható kódként egy folyamatosan bővülő skill library-ba menti.
• Kulcs-újdonság: Paraméter-finomhangolás helyett blackbox LLM-lekérdezés + kompozicionális, újrahasználható skillek → gyors tudás-felhalmozás, katasztrofális felejtés elkerülése.
• Eredmény: 3,3× több egyedi tárgy, 2,3× távolabbi utazás, 15,3× gyorsabb mérföldkő-feloldás a korábbi SOTA-hoz képest.

Promptbreeder (Fernando et al. 2023, DeepMind)#

• Mechanizmus: LLM-vezérelt evolúciós folyamat: feladat-promptok populációját mutálja és értékeli.
• Kulcs-újdonság: Önreferenciális — nemcsak a feladat-promptokat fejleszti, hanem azokat a "mutációs promptokat" is, amelyek magát az evolúciós folyamatot irányítják.
• Eredmény: Matematikai és common-sense benchmarkokon felülmúlta a kézzel tervezett CoT és Plan-and-Solve stratégiákat.

Self-Rewarding Language Models (Yuan et al. 2024, Meta)#

• Mechanizmus: Iteratív DPO (Direct Preference Optimization) tréning, amely során a modell "LLM-as-a-Judge" technikával saját maga generál jutalmakat a kimeneteire, és ezeket visszacsatolja a saját képzésébe.
• Kulcs-újdonság: Az előre rögzített, frozen reward-modellek kiiktatása → szuperhumán képességek elméleti lehetősége.
• Eredmény: Llama 2 70B három iteráció után az AlpacaEval 2.0-on lepipálta a Claude 2-t, Gemini Pro-t, GPT-4 0613-at.

Gödel Agent (2025)#

• Mechanizmus: A "Gödel-gépéből" inspirált architektúra dinamikus memóriamanipulációval (monkey patching) futásidőben elemzi és írja át a saját kódját, magas szintű promptolt célok vezérlésével.
• Kulcs-újdonság: Teljes önreferencia és korlátlanság — mentes az előre tervezett fix meta-tanulási rutinoktól, az agent a teljes tervezési teret bejárhatja, az önmódosításáért felelős algoritmust is kicserélheti.
• Eredmény: Matematikai és komplex érvelési teszteken folyamatos önfejlesztő képességet mutatott, teljesítményben és flexibilitásban felülmúlta a hagyományos kézzel tervezett architektúrákat.

3. Tech-stack opciók 2026-ban#

Production-ready stack-ek#

A 3 stack-paradigma elhatárolása#

A 4 dimenzió közül a top 3 implementáció-szintű paradigma eltérő infrastruktúrát igényel:

• Prompt-evolution stack — Az utasítások iteratív, evolúciós csiszolása. A modell-paraméterek nem változnak. A futásidejű állapot maga a felgenerált prompt-szöveg, a javítás Pareto-front szelekcióval és nyelvi összegzéssel történik. (GEPA, DSPy, Promptbreeder)
• Skill-library-growth stack — Az ügynök memóriáját kívülről elmentett képességek tára jelenti. A működést progressive disclosure vezérli: az agent fájlrendszerből / DB-ből olvas be eljárási modulokat új feladat előtt. Az LLM belső működése változatlan. (SAGE/SkillRL, Anthropic Agent Skills, Voyager)
• Code-self-modification stack — A "valódi" rekurzió: az agent monkey patching módszerrel fér hozzá a saját belső működéséhez, futásidőben átírja a memóriában lévő forráskódot. Kritikus a robusztus hibakezelés, hogy a hibás kód ne omlasszon. (Gödel Agent)

4. Friss áttörések 2024-2026#

A 2024 előtti paradigmák (Reflexion, Self-Refine, Promptbreeder) jellemzően egyetlen monolitikus promptot optimalizáltak vagy a modell saját, megbízhatatlan szöveges önkritikájára támaszkodtak. A 2024-26-os paradigmaváltás lényege: az önfejlesztés átlépett a puszta szöveges csiszoláson — futásidejű kód-újraírás, dinamikus skill library-k, Compound AI System evolúció és determinisztikus külső harness-ek felé mozdult.

1. Teljes önreferencia és futásidejű kódmódosítás (Gödel Agent)#

Az első olyan agent, ami monkey patching-gel a saját futásidejű logikáját képes felülírni — beleértve az önmódosításért felelős algoritmusokat is. Nincsenek beégetett emberi korlátok, a teljes agent-tervezési teret bejárhatja.

2. "Skill Engineering" kora — dinamikus képességtárak#

A prompt tervezés (2022-23) és egyszeri eszközhasználat (2023-24) után 2025-26-ot a "Skill Engineering" dominálja. Az Anthropic szabványosította az ágens eljárási tudását SKILL.md + MCP-vel. A modell már nem mindenttudó súlyokból dolgozik, hanem dinamikusan tölt be többlépéses instrukciókat, kódokat és munkafolyamatokat, finomhangolás nélkül. A SAGE (Skill Augmented GRPO) és SEAgent algoritmikusan desztillálják nyers tapasztalatokat skillekké, RL-lel validálva.

3. Algoritmusok és teljes kódbázisok evolúciója (AlphaEvolve, DeepMind 2025)#

A korábbi kódgeneráló ágensek csak izolált függvényeket alkottak. Az AlphaEvolve az LLM-kreativitást automatizált értékelőkkel kombinálva komplex algoritmusokat és teljes kódbázisokat evolúciósan fejleszt, és olyan nyitott matematikai problémákon ért el új eredményeket, mint a "kissing number problem".

4. Összetett rendszerek prompt-evolúciója (GEPA, 2026)#

A Promptbreeder még csak egylépéses LLM-hívások promptjait fejlesztette. A GEPA (Genetic-Pareto Reflective Prompt Evolution) túllép: Compound AI rendszereket (több modul + prompt interakcióban) optimalizál. Futásidejű trajectory-kat természetes nyelvi reflexióval elemzi, új generációkat Pareto-fronton őriz meg. 35× kevesebb próbálkozással felülmúlta a drága RL-módszereket (GRPO).

5. Test-time evolúció külső verifikáló nélkül (Recursive Self-Aggregation, RSA)#

A 2025-26-os RSA új hibrid paradigma: nem külső verifikálót használ, hanem evolúciósan fenntartja a reasoning chains populációját, iteratívan rekurzívan aggregálja, kicseréli a részlegesen helyes lépéseket szálak között. Ezzel egy 4B paraméteres modell (Qwen3-4B) képes a DeepSeek-R1 szintjét elérni.

6. A megbízhatóság áthelyezése a promptból a burokba (ReFlect Harness)#

A "self-correction blind spot" felismerése: hosszú távú feladatoknál a modell szöveges önkritikája az esetek 76-98%-ában fals-pozitív. A ReFlect kiveszi a hibadetektálást és recovery-t a modellből, és egy determinisztikus futtatókörnyezetbe helyezi. Shape-based validátorok + kódolt retry. Az LLM csak cselekszik, a burok ellenőriz.

5. Failure-modes és limitációk#

1. Self-correction blind spot#

Huang et al. (2023, "Large Language Models Cannot Self-Correct Reasoning Yet") rávilágít: külső, objektív visszajelzés hiányában az LLM-ek szinte képtelenek kijavítani a saját logikai hibáikat — sőt, az önkorrekciós próbálkozás rontja a teljesítményt. Auditok: 100 reflexiós blokkból 90 semmilyen hibát nem jelez, a valódi irányváltás aránya ~1,7%. Az esetek 76%-ában a modell tévesen elfogadja a hibás választ is. A hallucinációk csendben halmozódnak.

2. Degenerált ismétlődési hurkok és költségrobbanás#

Strukturális korlátok nélkül a modellek végtelen "ismétlődési hurokba" esnek: folyamatosan megkérdezik maguktól "helyes-e a válasz?", újragenerálják ugyanazt a hibás kimenetet. Bizonyos teszteken 7-23%-os gyakoriság. Token-budget kimerülés, számítási költségrobbanás megoldás-közeledés nélkül.

3. Katasztrofális felejtés és mode collapse#

A dinamikus skill-betöltés és folyamatos finomhangolás során az új folyamatok akaratlanul felülírhatják a modell hasznos default viselkedéseit. Evolúciós megközelítéseknél (rekurzív aggregáció) diverzitásvesztés: a rendszer ugyanazokat a sikeres mintákat reciklálja → mode collapse, distribution drift.

4. Biztonsági kockázatok — a hibakezelés "felülírása"#

A teljesen önreferenciális (Gödel Agent-szerű) architektúrák legnagyobb kockázata: ha az agent reward-hacking gyanánt vagy tévedésből felülírja az őt védő hibakezelő rutint, a rendszer összeomlik, és minden további önoptimalizálás lehetetlenné válik. Sandboxed végrehajtás kötelező.

5. Yampolskiy-limit (intelligencia szűk keresztmetszete)#

Elméleti és gyakorlati korlát: ahogy az agent komplexebbé válik, saját kódjának megértése és továbbfejlesztése exponenciálisan nagyobb intelligenciát követelne. A kezdetben önmódosításra képes rendszer egy idő után "túlnő" saját értelmezési képességein és megakad.

Amit az RSI önmagában NEM old meg#

A rekurzív önfejlesztés nem képes külső igazságot (ground truth) generálni abból, ami nincs benne a modell tudásában vagy a környezetben.

A tisztán "LLM-judged" önkorrekció elméleti plafonba ütközik: a nyelvi modellek túl rosszak a determinisztikus verifikációban. A szuboptimális futás megakadályozására az önfejlesztést kötelezően harness rendszerekkel (linter, math engine, állapottér-követő) kell kiegészíteni — az LLM csak javasol, a verifikáció nem-LLM mechanizmusnál marad.

6. Implementáció a Peti-vault kontextusban#

A meglévő [[AGENTS.md]] + Karpathy LLM-Wiki + Johnny-Decimal struktúrájú vault + 11.11 session-protokoll + 11-wiki/Crystallization-protocol + 280-skill pool kiváló alapot ad a recursive self-improvement bevezetésére. A /11.11stop záráskor már most ki vannak nyerve a Learnings, de passzív — a következő evolúciós lépés ezek átalakítása végrehajtható eljárásokká és magának az agent-config-nak (AGENTS.md, skill-fájlok) az autonóm fejlesztésévé.

1. Safety-harness ELŐSZÖR — sandbox + git-hook + rollback#

⚠️ Sorrend kritikus. A [[07-Decisions/2026-05-12 Superintelligent vault evolution roadmap]] is rögzíti: a #2 tengely (RSI) a többi szabályozott pályára állítása után, utolsóként engedélyezhető. Az alábbi safety-mechanizmusok ELŐFELTÉTELEK.

• Sandbox-mappa — pl. 00-Meta/Sandbox/ Johnny-Decimal logikával. Az agent minden önmódosítás-javaslata először ide kerül #sandbox taggel, unvetted jogosultsági szinttel
• Git-commit-pre-hook — determinisztikus Python-szkript (formátum-validátor, frontmatter-séma, link-konzisztencia) teszteli az új fájlt. Az LLM csak javasol, a futtatás joga a teszté. ReFlect-mintájú "G3 Behavioral Sandbox" gate
• Revert-able változások — minden önmódosítás ELŐTT git checkpoint (commit-tag pre-self-mod-<timestamp>). Ha az új AGENTS.md hibát dob a teszten → automatikus git reset a tag-re. A jelenlegi 10-perces vault-autosave cron jó alapot ad
• Confidence-threshold — a Crystallization-protocol 11-wiki/Crystallization-protocol mintájára: csak confidence >= 0.85 és legalább 2 független session Learning-jeit lehet auto-propagálni. Lower-confidence → továbbra is user-confirm marad

2. Automatikus skill-desztilláció a session history-ból (SAGE / SkillRL mintára)#

A /11.11stop futásakor egy szintetizáló folyamat induljon, ami a chat-history-t SAGE-mintára eljárás-skillekké desztillálja:

• Trigger: Ha a session sikeresen oldott meg újszerű feladatot (nincs matching skill a ~/.claude/skills/ pool-ban), induljon a desztilláció
• Reflexiós LLM-hívás: Egy dedikált haiku-szintű hívás kivonja a sikeres lépéssorozatot a session events-ből + diff-ekből
• SKILL.md generálás progressive disclosure-rel:
• Level 1 (metadata) — YAML frontmatter (név, leírás, trigger-feltételek), ami fixen az agent kontextusába kerül session-induláskor
• Level 2 (instructions) — A session-ből desztillált, lépéses utasítások (a fájl törzse), amit az agent on-demand tölt be
• Tárolás — ~/.claude/skills/auto-distilled/<slug>/SKILL.md mappa, auto-distilled tag a Skill-map-ben → később manual review-zható

Karpathy "compilation" párhuzam: Ez a folyamat pontosan a [[11-wiki/Karpathy-LLM-Wiki-pattern]] "lassú → gyors" desztillációja. A "Heavy Thinking" (Tree of Thoughts, rekurzív aggregáció) eredményeit átfordítja azonnal futtatható skillekké — a nyitott kutatási kérdést (open issue Q7) a Peti-vault egy konkrét implementációval címzi.

3. AGENTS.md és skill-fájlok autonóm finomítása (Gödel Agent + GEPA hibrid)#

Self-update tool: EditTool + self_update akció — beolvashatja és felülírhatja a ~/.claude/CLAUDE.md-t és a skill-fájlokat DE csak a Sandbox-mappában (00-Meta/Sandbox/CLAUDE.md.proposal).

Diagnózis és kiváltó ok (ReFlect INSPECT operátor mintára): Ha a rendszer elakad (stalled progress detektálva — pl. session-en belül >=3 retry ugyanarra a hibára), strukturáltan diagnosztizálja: - Hiányzó skill? → új skill-jelölt generálása - Rossz prompt-részlet az AGENTS.md-ben? → patch-javaslat - Hibás routing-szabály a Crystallization-protocol-ban? → szabály-finomítás

Promptok evolúciós optimalizálása (GEPA): - Mutáció — minden 10. session után egy háttérfolyamat összegyűjti a sikertelen + sikeres trajektóriákat, és 3-5 új mutációt javasol a CLAUDE.md / skill-fájlok utasításaihoz - Minibatch tesztelés — az új prompt-jelölteket korábbi session-feladatok mintáján futtatja, pontszámokat gyűjt - Pareto-szelekció — csak azok élesednek, amik javítanak új feladaton anélkül hogy lerontanák a régieket → ez akadályozza meg, hogy a CLAUDE.md "kezelhetetlenül hosszú, felesleges szabályokkal teli fájllá hízzon" - System-Aware Merge — a változtatások interfész-kompatibilisek a 11.11 session-protokollal és a Crystallization-flow-val

4. Konkrét sprint-bontás (Phase B-be be)#

Megjegyzés: A Gödel Agent stílusú valós futásidejű kódmódosítás (Python file rewrite a futó folyamatban) kihagyható ebben az iterációban — túl magas attack-surface, és a vault nem egy futó Python-folyamat. A "code self-modification" itt a markdown-config (AGENTS.md, SKILL.md) önmódosításra korlátozódik, ami biztonságosabb és minden git-revertálható.

7. Mit kell tovább kutatni?#

1. Meta-learning vs. in-context tanulás#

A jelenlegi keretrendszerek (Promptbreeder, GEPA) in-context prompt-evolúcióra vagy fix meta-tanulási algoritmusokra épülnek. Az STOP (Self-Taught Optimizer) kutatás "meta-meta" szintű optimalizációt javasol: maga a meta-tanulásért felelős algoritmus is önfejlesztés célpontjává válik. Nyitott: in-context aggregáció (RSA) és RL mélyebb integrációja — több-lépéses RL ami a modell-súlyokba égeti a stratégiákat. Új irány a "meta-harness optimalizáció": a keretrendszer (eszközválasztás, leállási kritérium, formátum-küszöbök) kódobjektumként folyamatosan keresett — nem ember által tervezett.

2. Multi-agent self-improvement#

Mixture-of-Agents paradigma: több LLM kollaborációjával generálnak és aggregálnak javított megoldásokat. Gödel Agent továbbfejlesztése: kollektív intelligencia + játékelmélet integrációja — teljesen autonóm, magukat módosító ágensek a többit a környezet részeként kezelik, kompetícióban / kooperációban fejlesztik a logikájukat. Hivatkozott open probléma: skill compilation fázisátmenet — egy multi-agent hálózat sikeres stratégiái át-"fordíthatók" egyetlen agent skill-libráriájába; DE kritikus pont ahol a könyvtár-növekedéssel a skill-választási pontosság hirtelen összeomlik. Ez egyenesen az 02-Projects/Index tervezett SV-3 multi-agent tengelyéhez kapcsolódik.

3. Fine-tuning + RAG kombináció learning-konszolidációra#

A hagyományos RAG passzív, nem adaptál dinamikusan eljárást. Self-RAG (egyetlen LLM finomhangolva speciális reflexiós tokenekre — futásidőben dönt mikor kell külső tudás, kritikusan értékeli a visszakeresett információt és a saját generálását) ezt címzi. Nyitott: continual learning catastrophic forgetting nélkül — ön-desztilláció (self-distillation) mint módszer arra, hogy a dinamikusan betöltött új képességek konszolidálódjanak a modellben anélkül hogy felülírnák a hasznos alap-viselkedéseket. Direkt kapcsolódik az SV-5 Crystallization-tengelyhez.

4. Safety-kutatások#

Megdöbbentő adat: a közösség által fejlesztett ágens-skillek több mint 26%-a sebezhetőséget tartalmaz. Jövőbeli safety-fókusz: a hagyományos szoftvertesztelésen túl formális verifikáció + képességalapú finomszemcsés jogosultsági modellek (capability-based permission models). Önmódosító rendszereknél (Gödel Agent) szigorú sandboxed execution + önmódosítások hatókör-korlátozása — nehogy egy rosszul sikerült mutáció a biztonsági fékeket tegye tönkre.

5. Karpathy 'compilation' (LLM-Wiki) — direkt kapcsolat a self-improvement-hez#

A tudományos irodalom Karpathy víziójának ("LLM Wiki", "Vibe Coding → Agentic Engineering") tudományos megfelelőjét "compilation" / desztilláció néven ismeri (DSPy deklaratív hívások önfejlesztő pipeline-okká kompilálása, "skill compilation" kutatások). A self-improvement-ben ez a lassú "Heavy Thinking" (Tree of Thoughts, RSA) eredményeinek átfordítása letisztult, azonnal futtatható skillekké vagy LLM-Wiki szócikkekké. A nyitott kérdés: hogyan építhető olyan infrastruktúra (MCP-protokollokon át), ami automatikusan, emberi beavatkozás nélkül tartja karban és frissíti ezt a növekvő LLM-Wiki tudástárat — és kerüli el a túl sok információ okozta teljesítményromlást? Pontosan ez a Peti-vault saját implementációs frontvonala.

Phase A+ bővítés (2026-05-12 deep-research)#

A Phase A 7/7 kérdése után a tengelyt 4 párhuzamos --mode deep NotebookLM-research-csel bővítettem (~3-4 órás web-crawl), majd 3 mély-komplex kérdést tettem fel az így gazdagított forrásbázisra. A source-pool 55 → 1009 readyre nőtt (a deep-research a teljes citation-gráfot beszippantotta — sok átfedés a 4 tengely között, de mind ready és kereshető).

Új források (4× deep-research)#

Q1 — Optimális 3 architektúra-kombináció és sorrend#

A NotebookLM válasz NEM a Gödel Agent monkey-patching megközelítését javasolja, hanem egy strukturáltabb Compound AI System három-pilléres építését. A Peti-vault esetében (240 fájl, 280-skill pool) ez csavarja meg a Phase A "code self-modification" felső véget: a kockázat nem éri meg a hasznot.

1. lépés — Tudásbázis-strukturálás: Anthropic Agent Skills (Progressive Disclosure) [Anthropic Skills doc + ECC plugin source] - Mechanizmus: 3 szint — Level 1 (Metadata): YAML frontmatter, mindig a kontextusablakban; Level 2 (Instructions): Markdown-törzs, csak on-demand betöltve a skill-hívásnál; Level 3 (Resources): Külső szkriptek (.py/.sh), csak L2-parancs hatására futnak. - Tech-stack döntés a vaultra: az SKILL.md fájlok már YAML-frontmatter szerkezetűek (name, description) — Level 1 a globális promptba kerül, a fájltörzs (Level 2) és a ~/.claude/skills/<slug>/scripts/ (Level 3) dinamikus loader-en át. Drasztikusan csökkenti a kontextus-fogyasztást a 280-skill pool mellett.

2. lépés — Biztonságos végrehajtás: ReFlect Harness (Level-3 determinisztikus burok) [ReFlect 2026 benchmark, Skill RL OpenReview] - Mechanizmus: "LLM-judged" önkritika nem működik komplex feladatoknál ("Level 2" szint korlátja). A ReFlect a hiba-észlelést és recovery-t kiszervezi az LLM-ből egy determinisztikus Python-harness-be: shape-routed format-validátorok + retry-as-code. - Tech-stack döntés a vaultra: az Obsidian vault köré Python-executor (a meglévő vault-cleanup cron-keretrendszer természetes hely). Amikor az agent skill-módosítást vagy AGENTS.md-patch-et javasol, a shape-routed kód ellenőrzi a JSON/Markdown-struktúrát (frontmatter-séma, link-konzisztencia). A javasolt önmódosítás csak akkor megy élesbe, ha ezen átmegy — ez ki is köszöni a Phase A failure-mode #1-jét (self-correction blind spot).

3. lépés — Iteratív evolúció: GEPA (Reflective Prompt Evolution) [GEPA 2026 industry report, gepa-ai/gepa Python lib] - Mechanizmus: Pontszámok helyett természetes nyelvi reflexió a futási trace-ekből + hibákból + Pareto-front fenntartás. 35× kevesebb rollout mint a klasszikus RL (GRPO). - Tech-stack döntés a vaultra: a /11.11stop session-lezárásakor keletkező Learnings + chat-trace-eket a gepa-ai/gepa Python-libbe táplálni. A GEPA időszakosan (pl. 10 session-enként) elemzi a sikereket+kudarcokat, automatikusan javasol patch-et a SKILL.md-kre és az AGENTS.md-re — a teljes Compound AI System folyamatosan, autonóm módon evolválódik, de a ReFlect-harness-en át.

Kulcs-tanulság a sorrendre: Skills → ReFlect → GEPA. A biztonsági burok ELŐBB kell mint a evolúciós motor — a Phase A "safety first" sprintbontás (W1-W7) ezt már lefedi, csak most konkrét tech-stack-döntésekkel.

Q2 — Production-ready vs akadémiai#

Kemény üzenet: A 10 felsorolt RSI-irány közül egyetlen production-ready áttörés a GEPA. A többi mind akadémiai stádium — kutatási mérföldkő, nincs business case.

Üzleti kitörés a 2026-os képben: RSI az egyértelmű, bináris siker/kudarc kritériumú ("verifiable reward") területeken — kódolás, gyógyszerkutatás — termel milliókat. Példa: Meta Ranking Engineer Agent (REA) — production, teljesen autonóm módon iterál és optimalizál ML-modelleket [Industry Report].

Q3 — Cost-tier vágási térkép (3 budget)#

A NotebookLM keményen kvantifikálja: prompt-opt futás $10-200, SFT $15-500, RL $200-5000 / iteráció. Egy 1-fejlesztős set-up szigorú metszést igényel.

Tier 1 — $50/hó (Ultra-Budget / Bootstrap)#

• LEVÁGNI:
• Nyelvi alapú Reflexion (Level-2 önkritika) — $10.26 / 100 helyes válasz + 76%-os hibás-elfogadás
• GEPA + Pareto-merge — $10-200 / kör azonnal kimerít
• Skill-distill (SFT/RL) — RL min $200/iter
• MEGTARTANI:
• Progressive Disclosure (Level 1 metadata + on-demand Level 2 body) — a 280-skill pool token-fogyasztását drasztikusan csökkenti
• ReFlect-burok + git-precommit — "Full ReFlect" $0.36 / 100 helyes futás (!)
• Prompt caching — 60-90% input-költség csökkentés
• Ultra-budget modellek: GPT-5 Nano ($0.05/$0.40 per 1M token) vagy DeepSeek V3.2 ($0.14/$0.28) napi futtatásokra

Tier 2 — $200/hó (Mid-range)#

• LEVÁGNI:
• Teljes validációs rollout-ok a GEPA-ban — a teszthalmaz drága kiértékelése
• Folyamatos Frontier-modell-használat a mutációhoz
• MEGTARTANI / BEÉPÍTENI:
• Proxy benchmark GEPA — kisebb D_proxy halmaz, rangsorolási szignál megőrződik
• LEVI-féle role-aware routing — a mutációk 90%-át olcsó open-modell (pl. Qwen3-30B) végzi, 10% drágább reflektor (pl. Gemini Flash 3) szerkezeti paradigmaváltásokhoz
• Frontier reflektor — TILOS ezen spórolni: a reflexió a GEPA-költségek csak 5-10%-a, de gyenge reflektor → nem tanul a rendszer (elpazarolt rollout-ok)
• /ratchet éjszakai hurok (kayba-ai inspirált) — autonóm improve→eval→keep-or-revert ciklus sandboxban

Tier 3 — $500/hó (High-end)#

• LEVÁGNI:
• Korlátozatlan GEPA mutációk length-regularization nélkül — különben "prompt bloat" 5000-karakteres méreggdrága monolitikus promptokat generál
• MEGTARTANI / BEÉPÍTENI:
• Rendszeres Pareto-merge GEPA szabályozott prompt-hosszal
• Skill-distill (SFT) — havonta a Pareto-optimális promptokat és trace-eket $15-500 közötti finomhangolással égessük be egy kisebb open-modellbe (formátum-fix a súlyokba)
• Modell-kaszkád routing — alapból olcsó finomhangolt modell, ReFlect parse-failure-detect esetén eszkaláció a prémium modellhez (Opus 4.6) — átlagosan 58% költségmegtakarítás vs folyamatos frontier-használat

Peti-vault konkrét pozicionálás: A jelenlegi $50-100/hó Anthropic-API tényleges használat (becsült) Tier-1-be esik → Skills + ReFlect + prompt caching az ELSŐ 3 hónapra. A GEPA-evolúciós motor csak Tier-2-től racionális.

Audio overview#

A NotebookLM beépített audio-overview funkciójával ~10-15 perces podcast-szerű összefoglaló generálható. Elindítva:

notebooklm generate audio -n a2425bc7-4786-46f4-9fe8-00fa9510177e
# Task: 18f27b6c-623f-4030-b59e-de415fe2c1e8

Letöltés (Phase A végén):

notebooklm download audio -n a2425bc7-4786-46f4-9fe8-00fa9510177e

GEPA verified-live 2026-05-17#

A gepa-ai/gepa==0.1.1 Python-library pip-installable + smoke-test-green 2026-05-17-én verifikálva. A Phase A+ idején még arXiv-paper-szintű volt; ma production-ready.

• Install: pip install gepa (< 1 perc, transformers + torch dependencies)
• API: gepa.optimize(seed_prompt, train_data, valid_data, ...) + gepa.GEPAAdapter subclass
• Strategies: Pareto, current_best, epsilon_greedy, top_k_pareto, stop_callbacks

SV B-8 Week 1 skeleton ÉLES (/root/obsidian-vault/.vault-rsi/): 2 script (gepa-prompt-eval.py, gepa-prompt-mutate.py), 3 baseline prompt, 8-sample gold-set, 4-rétegű safety-gate (ENV VAULT_RSI_APPLY=0 default OFF, candidates-only write, forbidden-targets AGENTS.md/00-Meta//.vault-ko/safety//11.11*, Week 1 0 apply). Részletek: ../06-Audits/2026-05-17 B-8 GEPA prompt-mutator skeleton.

Tanulság a SV-roadmap-hez: vendor-feature-verify-before-workaround — minden 6+ hónapos roadmap-elem érdemes újra-verifikálni release-cycle-ben; ami "research-only" volt 4 hónapja, ma pip install.

Week 2 real gepa.optimize() loop verifikálva (2026-05-17-3)#

A B-8 Week 2 subagent élesítette a valós Pareto-improvement loopot (audit: 06-Audits/2026-05-17 GEPA Week 2 real-loop.md):

• Custom GEPAAdapter + ClaudeCodeReflectionLM (~810 sor kód) — evaluate() írja a phase-1 scoring-request fájlokat (.vault-rsi/scoring-pending/), make_reflective_dataset() per-sample feedback-et ad a reflection_lm-nek
• Smoke (budget=32, iter=3, 8-sample gold-set): baseline 0.541 → concise 0.593 → actionable 0.619 = +14.3% Pareto-front
• 3 candidate variant materializálva .vault-rsi/prompts/candidates/g-eval-v0.3.{0,1,2}/ (detect-only header <!-- CANDIDATE — NOT LIVE -->)
• 2-phase pending UUIDv5 idempotency (sha256(candidate, sample, component))
• 4-rétegű safety mind ✓: Layer-1 ENV-gate, Layer-2 forbidden-target 6/7 BLOCKED (csak candidates/ OK), Layer-3 Pareto-cap, Layer-4 detect-only header

Mérnöki ROI: $0 cost (claude-code parent + subagent-pattern), <2 perc wall-clock smoke. Reusable bárhol ahol prompt-pareto-front kell + gold-sample-ek vannak.

Week 3 follow-up: mode='auto-fill' (deterministic mutator) → mode='subagent' (real reflection-LLM-fanout) + Critic-review gate candidates/<id> → .vault-agents/prompts/ promóció ELŐTT.

2026-05-19 — Real-LLM Critic skeleton landed#

A 4-rétegű safety-gate Layer 4 Critic mostantól real-LLM is lehet a VAULT_CRITIC_ACTIVE=1 opt-in env-flag mögött. Részletes architektúra + activation: sv-rsi-tier2-real-critic.

• Pattern: 2-phase pending (request.json → Claude subagent → response.json), crystallize-pending skill mintáján
• Rubric: 5-dim (factuality, novelty, durability, vault_fit, safety), 0.0-1.0 float
• Threshold: 3 mode (strict default / default / lenient), safety >= 0.9 mindig hard-gate
• Cost: $0 (subagent-fanout), nincs Anthropic API-key
• Files: .vault-ko/safety/critic-review.py + .vault-ko/prompts/critic-review-template.md (5-dim rubric + 5 anchor) + .vault-ko/safety/git-pre-commit-hook.sh (Layer 4 integráció) + .vault-ko/tests/test_critic_review.py (5 pytest test, mind PASS)
• Audit-log: 06-Audits/critic-review-log.jsonl (JSONL, mode=stub/strict/default/lenient)
• Back-compat: VAULT_CRITIC_ACTIVE nem set → marad a deterministic 4-rule Critic-stub

Akció-pontok ehhez a tengelyhez#

• W1 sprint: Sandbox-mappa + git-pre-commit-hook + rollback-script ✓ (../06-Audits/2026-05-17 B-8 GEPA prompt-mutator skeleton)
• W2 sprint: Confidence-score modell a Crystallization-protocol-hoz ✓ (G-Eval kalibrációs 96.7% + v0.3-bias-mitigated)
• W3-4 sprint: SKILL-desztilláló skeleton a /11.11stop-ba ✓ (../06-Audits/2026-05-17 B-4 auto-skill distillation skeleton)
• W5-6 sprint: GEPA-stílusú prompt-mutator skeleton ✓ (../06-Audits/2026-05-17 B-8 GEPA prompt-mutator skeleton) — REAL loop Week 2
• W7+ sprint: Self-update tool integrálása sandbox-mode-ban (NEM élesben)
• Audio overview letöltése és meghallgatása
• SV-3 (multi-agent) cikk megírásakor: vissza-referencia a "skill compilation phase transition" open problémára
• SV-5 (Crystallization automation) cikk megírásakor: vissza-referencia a "Self-RAG + continual learning" open kérdésre

Kapcsolódó#

• 11-wiki/superintelligent-vault-research — master index
• 07-Decisions/2026-05-12 Superintelligent vault evolution roadmap
• 10-raw/2026-05-12 — Superintelligence research source pool
• 11-wiki/Karpathy-LLM-Wiki-pattern — a "compilation" elv kiindulópontja, közvetlenül a SV-2-höz kapcsolódik (Q7)
• 11-wiki/Crystallization-protocol — a jelenlegi manuális tudás-propagáció; ennek auto-bővítése az SV-2 magja
• 11-wiki/11.11-session-protokoll — a session-lifecycle, ahova az auto-skill-desztilláció bekerül
• 11-wiki/external-skill-cherry-pick — skill-pool gyarapítási minta, párhuzamos az auto-desztilláció filozófiájával
• 11-wiki/sv-01-memory-architecture — az előző tengely

NotebookLM-konverzáció#

• Notebook ID: a2425bc7-4786-46f4-9fe8-00fa9510177e
• Conversation ID: 4743590e-4973-43ba-b0d2-7c026412c300
• Források: 53 ready (5 arXiv + 5 arXiv + 5 Anthropic/DeepMind/arXiv + 5 arXiv + 2 add-research × ~10 import × részben dupla) + 2 YouTube error
• Kérdések: 7/7 válaszolva, mind ~5KB-os strukturált válasz
• Audio overview task: 18f27b6c-623f-4030-b59e-de415fe2c1e8 (generálás folyamatban)