cotcodec — hier arbeiten
Zweck
CoTCodec ist ein Forschungsprogramm und eine ausführbare Evaluierungsplattform, die Entscheidungen zur Agenten-Orchestrierung explizit, messbar und optimierbar macht. Papier 1 untersucht Sprache; die gemeinsame Plattform und das Evidenzregister decken das breitere Programm zur Orchestrierungsvariablen ab.
Mentales Modell & Schlüsseldateien
memory.jsonist der kompilierte Projektzustand und das aktive Prioritätenregister.wiki/log.mdist die anfügbare operative Zeitleiste.directions/verwaltet Forschungshypothesen;experiments/verwaltet vorregistrierte Durchläufe.harness/führt Bedingungen aus und benchmarkt;scripts/validiert und versiegelt.research/evidence/enthält tragbare Entscheidungsbündel. Rohdaten/lokale Ausgabe gehört unter das ignoriertedata/, niemals versehentlich in Git.README.mdist der menschliche Einstiegspunkt;AGENTS.mdist das vollständige Betriebsreferenzhandbuch;SKILL.md-Dateien in Verzeichnissen enthalten lokale Verfahren.
Zu befolgende Muster / Invarianten
- Lies
wiki/SOUL.md,wiki/USER.md,wiki/HEARTBEAT.mdundmemory.jsonvor substanzieller Arbeit. - Registriere vor der Beobachtung von Behandlungsergebnissen Falsifikatoren, Budgets, Anspruchsgrenzen und Abbruchbedingungen vor. Überschreibe niemals einen abgeschlossenen Experimentvertrag.
- Bewahre negative Ergebnisse und Ergebnisse vor dem Nachweis auf. Erstelle versionierte Wiederholungen anstatt fehlgeschlagene Ausgabeverzeichnisse zu überschreiben.
- Trenne deterministische Infrastrukturzulassung von Live-Modell- oder wissenschaftlichen Behauptungen. CPU-Konformität impliziert niemals H100-Zulassung oder Gedächtnisqualität.
- Binde Quellrevision, Baum, Lizenz, Abhängigkeiten, Bild-/Modellidentität und Ausführungs-Hashes für jedes Ergebnis, das in einer Forschungsentscheidung verwendet wird.
- Halte
memory.json(kompilierte Wahrheit) undwiki/log.md(Zeitleiste) synchron.
Häufige Aufgaben → Erste Aktion
| Aufgabe | Erste Aktion |
|---|---|
| Forschung fortsetzen | Lese memory.json-Prioritäten und den neuesten wiki/log.md-Eintrag. |
| Ein Experiment ausführen | Lese skills/run-experiment.md, dann seinen YAML-Vertrag. |
| Einen Benchmark hinzufügen | Lese harness/benchmarks/SKILL.md und den Basisadapter. |
| Orchestrierungslogik ändern | Lese das nächste harness/**/SKILL.md und die zugehörigen Tests. |
| Ein Speichersystem hinzufügen | Lese infra/memory-baselines/SKILL.md und Portfolio-/Quellvalidatoren. |
| Evidenz ausliefern | Führe die Quell-, Experiment-, Evidenz- und Portfolio-Validatoren aus, die das Artefakt lenken. |
| Dokumentation aktualisieren | Aktualisiere Agent-Docs, README-/Current-State-Seiten, memory.json und wiki/log.md. |
Fallstricke
- Viele Benchmark-Adapter sind absichtlich Stubs; Anwesenheit bedeutet nicht Bereitschaft.
data/kann multi-Gigabyte-Modelle, Datenbanken, Quellbäume und Docker-Artefakte enthalten. Überprüfe ignorierte/nicht verfolgte Dateien vor dem Staging.- Lebenszyklus-Jobs mit exakter Quelle verwenden oft CPU-Zuteilungen auf GPU-Hosts. Ein Hostname, der
h100enthält, beweist nicht, dass eine GPU angefordert oder verwendet wurde. - Der historische Pfad
~/Documents/GitHub/kevin-wikikann lokal fehlen; setzeKEVIN_WIKI_ROOTfürscripts/run-agent-docs.ts, wenn nötig.