任何东西都可以是一次决策。 把每一次判断原子化成一个决策因子,先汇聚数据、自动摊成一张本体图, 每个因子再从图上裁一块动态子本体,按依赖链式推进、多步迭代,最后收敛成一个带概率的结论。
底层引擎是本地权重 convaiinnovations/laya-multilingual
(mmBERT-base 307M + 2 层决策头,322M 参数,100+ 语言,非自回归,RLCD 训练)。
运行时不访问网络:本体构建是纯 Python 启发式(无 LLM 调用),决策是一次前向传播。
汇聚数据 → 构建本体 → 因子分层 → 动态子本体 → 链式推进 → 多步迭代
| 步骤 | 做什么 | 产出 |
|---|---|---|
| 1. 汇聚数据 | 把多条来源(正文、画像、历史记录、交易流水)统一成文档集 + 属性表 | DataBundle |
| 2. 构建本体 | 结构化字段 → 属性节点;文本 → 短语级概念节点 + 同句共现边 | 带权本体图 OntologyGraph |
| 3. 因子分层 | 按因子的 depends_on 做拓扑分层,同层互不依赖 |
有向无环的执行层 |
| 4. 动态子本体 | 每个因子按自己的 scope(类型 / 关键词 / 跳数)裁出 k 跳邻域 |
每个因子一份子图 |
| 5. 链式推进 | 上游结论写成图上的结论节点,下游裁子图时自然读到 | 结论节点 + derives 边 |
| 6. 多步迭代 | 重复 2–5 若干轮,直到取值稳定或达到 max_steps |
收敛的结论 + 完整轨迹 |
链式依赖不是参数传递,而是图上多出来的那一个节点。 判完「是否要求退款」,
图上就多了一个 conclusion:是否要求退款 = 是(0.99),并且它 derives 自「扣款 / 退款 / 订阅费」;
下一个因子裁子图时,这个节点就在它的邻域里——不需要胶水代码,也不需要提示词工程。
多步迭代为什么有效(同一条工单,本地实测):
| 因子 | 第 1 轮 | 第 2 轮(上游结论已进图) |
|---|---|---|
| 紧急度 | 0.5572 → 门控:升级人工 | 0.5849 → 后验收紧 |
| 归属团队 | 0.7349 | 0.8967 |
第一轮里下游因子只能读到原始文本;第二轮子图里多了两个高置信的结论节点,
后验明显收紧。代价是延迟随「轮数 × 因子数」增长——所以它默认 max_steps = 1,
只在你需要时才打开。
为什么概率可信:RLCD 用严格适当评分规则训练——模型只有如实报告信念时期望奖励才最大。
但「可标定 ≠ 已标定」:本检查点出厂 temperature = [1.0, 1.0, 1.0],系统性过度自信,
所以平台把温度拟合与阈值扫描做成一等公民功能,而不是留给使用者自己拍脑袋。
与 Palantir 的分工:
| 维度 | Palantir | Anything is Decision |
|---|---|---|
| 本体从哪来 | 先建模:数据接入、实体对齐、本体工程 | 自动摊开:每次执行时从原始材料现构一张图,用完即弃 |
| 本体有多大 | 一个组织级世界模型 | 每个因子一块动态子图(默认 ≤ 16 节点) |
| 前置成本 | 底座建成之后决策能力才出现 | 零前置:给数据 + 一组因子,第一次调用就产出决策 |
| 答案形态 | 查询结果、图谱路径、生成式结论 | 类型化取值 + 完整概率分布 + 集中度 + 门控裁决 |
| 时延 | 秒级~分钟级 | 单因子一次前向 ≈ 30 ms;链路 = 轮数 × 因子数 × 30 ms |
| 不确定性 | 主要由人把握 | 一等公民:被标定、被画成曲线、被阈值化成策略 |
| 失败模式 | 本体建错/数据滞后 → 系统性偏移且往往无声 | 分布平坦 → 置信度低 → 显式升级人工 |
| 成本 | 平台 + 实施 + 持续数据工程 | 开源权重单机自托管,边际成本趋近于零 |
二者并不互斥:本体擅长回答「世界是什么样」,决策引擎擅长回答「此刻该做什么、有多确定」。 生产系统里 Anything is Decision 通常站在最前面——用几十毫秒决定这条输入该走哪条路、 要不要交给更贵更慢的系统。
# 1) 后端(Python ≥ 3.10)
python3 -m venv .venv
.venv/bin/pip install -r server/requirements.txt
.venv/bin/python server/run.py # http://127.0.0.1:8000
# 2) 前端(开发模式,已配置 /api → 8000 代理)
cd web && npm install && npm run dev # http://127.0.0.1:5173
# 或:构建产物交给后端托管,只开一个端口
cd web && npm run build && cd .. && .venv/bin/python server/run.py
# 也可以一条命令(含建环境、装依赖、构建、启动)
./start.sh首次启动会把 322M 权重读进内存(Apple Silicon 上约 8–10 秒,自动使用 MPS)。
设备可用 LAYA_DEVICE=cuda|mps|cpu 指定,长文档用 LAYA_MAX_LEN=8192。
| 页面 | 作用 |
|---|---|
| 总览 | 决策量、自动执行率、平均置信、置信直方图、近 14 天趋势、引擎状态 |
| 决策工作台 | 输入状态(文本 / JSON)+ 可视化编写 choice / score / noul,一次前向出全部答案;可打真值、可存为蓝图 |
| 本体与链路 | 汇聚多条数据源 → 自动构建本体图 → 编辑因子的依赖与作用域 → 链式多步决策;可回放每一步读到的子本体 |
| 蓝图库 | 31 张内置决策蓝图、20 个领域(客户运营 / 风控合规 / 内容安全 / 研发运维 / 销售市场 / 人力资源 / 医疗健康 / 公共部门 / 投资研究 / 个人决策 / 通用办公 / 电商零售 / 营销合规 / 金融保险 / 信息安全 / 舆情公关 / 供应链 / 产品管理 / 教育教学 / 数据运营),支持自建与克隆 |
| 批量决策 | CSV / JSON / 逐行文本导入 → 共享前向传播批量打分 → 分流统计 → 导出 CSV → 逐条标注 |
| 决策账本 | 每次决策的完整留痕(状态、问题集、概率分布、语言路由、耗时、裁决),可回溯、可标注、可删除 |
| 标定与门控 | 准确率 / ECE / Brier / MAE 指标、覆盖率↔准确率扫描曲线、一键拟合各类型温度并应用到运行时 |
| 方法论 | 与 Palantir 的逐维度对照、三原语、门控经济学、什么时候不该用它、模型卡 |
weights/laya-multilingual/ 本地检查点(model.safetensors + tokenizer + rl_agent_config.json)
server/
run.py 启动脚本(--host/--port/--device/--no-preload)
requirements.txt
app/
config.py 路径、设备、默认阈值
engine.py Laya 引擎单例:加载、推理、结果规范化、温度缩放、门控
ontology.py 本体层:数据汇聚、自动构图、动态子本体裁剪、结论回写、渲染
orchestrator.py 链式编排:拓扑分层、按因子裁子图、链式推进、多步收敛
calibration.py 指标 / ECE / 阈值扫描 / 温度拟合
store.py SQLite 持久化(账本、反馈、蓝图、设置)
blueprints_data.py 内置蓝图库
schemas.py pydantic 模型
routers/ meta / decisions / chain / blueprints / ledger / calibration
web/ React 18 + Vite + TS + Tailwind 前端
src/pages/ 8 个页面(含「本体与链路」)
src/components/ Layout / ui / QuestionEditor / AnswerCard / OntologyGraphView
src/lib/ api.ts / types.ts / format.ts / MetaContext
server/data/anything-is-decision.db 运行时生成的 SQLite(已在 .gitignore)
| 方法 | 路径 | 说明 |
|---|---|---|
| GET | /api/meta |
引擎信息 + 设置 |
| POST | /api/route |
只做脚本 / 语言分析,不走前向 |
| POST | /api/decide |
单条决策,返回答案、概率、门控、账本 ID |
| POST | /api/decide/batch |
批量决策(共享前向) |
| POST | /api/decide/chain |
链式决策:汇聚 → 构图 → 动态子本体 → 多步迭代,返回图 + 每步轨迹 |
| POST | /api/ontology/build |
只汇聚数据并构建本体图(不跑推理) |
| POST | /api/chain/plan |
只做依赖分析:拓扑分层 + 环检测(不跑推理) |
| GET | /api/chain/demo |
一条带依赖与作用域的链式样例 |
| POST | /api/ingest/parse |
CSV / JSON / 逐行文本 → 批量条目 |
| GET/POST/PUT/DELETE | /api/blueprints |
蓝图 CRUD |
| GET | /api/ledger、/api/ledger/stats |
账本与统计 |
| POST | /api/ledger/{id}/feedback |
给某个答案打真值(成为标定样本) |
| POST | /api/calibration/metrics · /sweep · /fit · /apply |
指标、阈值扫描、温度拟合与应用 |
| GET/PUT | /api/settings |
阈值、温度、自动执行开关 |
交互文档:http://127.0.0.1:8000/docs
一段最小调用:
curl -s localhost:8000/api/decide -H 'content-type: application/json' -d '{
"state": {"body": "我被重复扣款了,请今天退款,否则我们取消套餐。"},
"questions": {
"department": {"type": "choice", "instructions": "Which team should handle this?",
"criteria": {"billing": "invoices, refunds", "technical": "bugs, outages"}},
"refund_requested": {"type": "noul", "instructions": "Does the sender ask for money back?"}
}
}'一段链式调用(因子带依赖与作用域,max_steps: 2 表示多跑一轮让后验收紧):
curl -s localhost:8000/api/decide/chain -H 'content-type: application/json' -d '{
"state": {
"subject": "重复扣款,请马上退款",
"body": "我在本月被重复扣款了两笔订阅费,共计398元。请今天退款,否则我们取消套餐并投诉。",
"user": {"plan": "pro", "tenure_months": 26}
},
"questions": {
"是否要求退款": {"type": "noul", "instructions": "这条消息是否明确要求退款?"},
"归属团队": {
"type": "choice",
"instructions": "这条消息应该归属哪个团队处理?",
"criteria": {"财务": "发票、支付、扣款、退款", "技术": "崩溃、故障、报错", "其他": "以上都不是"},
"depends_on": ["是否要求退款"],
"scope": {"keywords": ["扣款", "退款"], "depth": 2}
},
"紧急度": {
"type": "score",
"instructions": "这件事有多紧急?",
"criteria": ["没有时间压力", "本周内需要处理", "正在阻塞对方"],
"depends_on": ["归属团队"]
}
},
"policy": {"threshold": 0.6},
"max_steps": 2,
"depth": 2
}'返回里 graph 是最终本体图(含结论节点),steps 是每一步的轨迹
(读了哪块子图、答案是什么、置信多少、gate 怎么裁决、这一轮是否发生变化),
rounds / converged 说明多步迭代跑到第几轮、有没有收敛。
- 决策维度用中文:问题名、选项标签、等级描述、门控说明一律中文—— 使用者以中文编写、阅读与复核。例如「归属团队 / 紧急度 / 情绪强度 / 流失风险 / 要求退款」。
- 多语言只作用于原始数据:被决策的对象(工单、交易、帖子、告警)可以是英、日、西、阿、印地等 任意语言,同一个检查点、同一套中文维度一次前向完成。
- 蓝图样例以中文为主:内置蓝图的示例状态默认给中文(可直接改、可直接跑), 另附 1–2 条多语言原始数据样例用于验证跨语言表现。
- 是非题的显示:内部取值仍是
true / false,界面统一显示为「是 / 否」。
- choice 选项 ≤ 20 个,且绝不使用
true/false、yes/no之类的真值词做标签 (模型会跟着标签走而不是跟着内容走)——平台在保存蓝图时会直接拒绝。 - score 等级 ≤ 5 级,每一级都要写清楚判据;这是最弱的原语,能用 choice 就别用。
- noul 只问一个命题;概率落在 0.5 附近时,门控会强制升级人工。
默认形态是扁平并行:所有因子共享同一份状态、彼此看不见对方的答案,交换顺序结果不变。 快、可复现、可解释——对互不相关的维度这就是最优解。
只有当因子之间真的有依赖时,才给它们加两个字段(两者都是可选的,不写就走扁平路径):
语义与代价:
depends_on决定执行顺序:被引用的因子先跑,它的结论以conclusion:<因子名>节点写回图, 并从它依据的节点连derives边。依赖必须构成有向无环图——有环时/api/chain/plan会直接报出环。scope决定读哪块图:命中类型的节点 + 命中关键词的节点作为种子,向外扩depth跳, 再按权重截断到limit(默认 16)个节点。不写scope时退化为「全图按权重取头部节点」, 此时同层因子的输入文本相同,会被合并成一次前向传播——所以不写依赖也不写作用域时, 链路的开销与扁平并行基本一致。max_steps决定跑几轮:默认 1。第 2 轮起只重判「自身未过阈」和「上游发生了变化」的因子。 延迟大约是轮数 × 层数次前向,请按需要打开。- 上游的错误会顺着链条传播:链式依赖放大了「先判对的那一步」的价值,也放大了它判错时的代价。
- 模型:convaiinnovations/laya-multilingual · Apache 2.0 · Convai Innovations
- 库:
pip install laya· 文档 https://nandhakishorm.github.io/laya/ · 官方演示 https://huggingface.co/spaces/convaiinnovations/laya-demo - 本平台代码同样以 Apache 2.0 发布。
如果这个项目对你有帮助,欢迎点个 Star ⭐
{ "是否要求退款": { "type": "noul", "instructions": "这条消息是否明确要求退款?" }, "归属团队": { "type": "choice", "instructions": "这条消息应该归属哪个团队处理?", "criteria": { "财务": "扣款、退款、发票", "技术": "崩溃、报错", "其他": "以上都不是" }, "depends_on": ["是否要求退款"], // 我先知道它要不要退款,再判归属 "scope": { "types": ["attribute"], // 我只关心图上这几类节点 "keywords": ["扣款", "退款"], // 以及命中这些词的节点 "depth": 2 } // 再向外扩 2 跳 } }