Je crois que j'ai possiblement résolu le problème de l'IA autoaméliorative

Tu as le lien ?

Et Venho utilise aussi un petit modèle vu qu'il est fait pour tourner sur un mini pc

https://www.jollamind2.com/

pour la mémoire toute les IA font ça maintenant je crois par contre, elles ont toutes la memoire a court terme avec la contexte windows et celle à long terme qu'elles peuvent influencer , le truc que tu as écrit là, graphe de connaissance/ vector database retrieval augmented generation

après pour l'AGI l'auteur tu as entendu parler de l'expérience de pensée de la chambre chinoise ?

je l'ai laissé tourner, c'est une version full hallucination là j'ai fix ça, sii tu veux checker :

Pourquoi prendre l'affaire Epstein, tu n'as aucun moyen facile de vérifier si ton llm hallucine ?

Essaye les mails de Clinton par exemples, c'est bien documenté.

pour la mémoire toute les IA font ça maintenant je crois par contre, elles ont toutes la memoire a court terme avec la contexte windows et celle à long terme qu'elles peuvent influencer , le truc que tu as écrit là, graphe de connaissance/ vector database retrieval augmented generation

après pour l'AGI l'auteur tu as entendu parler de l'expérience de pensée de la chambre chinoise ?

Un groupe de terroriste pourai s'accaparer la façon de penser de ton IA en spammant de request ton idée est pas bonne.

pose une question => modèle => envoie des données formatée pour trouver les infos pouvant repondre à la question => script créer une requete sql => script envoie le resultat de la requete le sql au modèle => modèle formate la réponse => modèle envoie des données formatée de certitude et de lien => script genere le sql => append la bdd avec une requete et les données de lien et de confiance => petite portion de donnée avec un taux de confiance lacunaire et des liens entre les données

après tu repose une question, ou tu laisse le modèle se poser des questions lui même pour append le graphe

"pose une question => modèle => envoie des données formatée pour trouver les infos pouvant repondre à la question" il pourrait envoyer quoi comme type de données ? Par exemple si tu lui demandes "Quelle est la capitale de Paris" il réagirait comment ?

ils vont pas faire monter la confiance en des trucs faux

Actuellement au bout de 3 messages elles divaguent déjà donc bon, c'est pas si pertinent que ça

Bah avec ton systeme si c'est tres possible, si une grande majorité décide de spammer l'ia de request avec une façon de penser débile celle si prendra la façon de penser de la majorité comme étant la plus plausible.

Query: "Quelle est la capitale de la France ?"
Intent: find_relationship
Subject: "France" (entity type: location)
Predicate: "capitale" → relationship_type: "is_capital_of" (inverse)

SELECT * FROM entities WHERE canonical_name = 'france'
→ Entity #42 (type: location, importance: 90)

SELECT e.* FROM entities e
JOIN relationships r ON r.from_entity_id = e.id
JOIN relationship_types rt ON r.type_id = rt.id
WHERE r.to_entity_id = 42 AND rt.name = 'is_capital_of'
→ Entity #156: "Paris" (confidence: 95)

SELECT * FROM source_refs WHERE ref_type = 'relationship' AND ref_id = ...
→ 3 sources (Wikipedia weight:40, gov_record weight:85, textbook weight:55)

{
"answer": "Paris",
"confidence": 95,
"evidence": ["gov_record#12", "wikipedia#45"],
"contradictions": [],
"reasoning": "3 sources agree, no contradictions"
}

l'AGI là, la singularité, j'ai ptet trouvé une connerie


je vous met mon idée résumée simplement par l'IA, ça fonctionne en l'etat :

Le problème des LLMs actuels:
Un ChatGPT/Claude est "amnésique" - chaque conversation repart de zéro. Il ne croit rien, ne doute de rien, ne révise jamais ses opinions. C'est un perroquet très intelligent.
Ce que ce framework ajo:

Mémoire persistante structurée - Un graphe de connaissances (entités, relations) qui survit entre les sessions
Degrés de certitude - Chaque fait a un score de confiance (0-100%). Pas binaire vrai/faux comme une DB classique
Auto-révision - Quand une nouvelle info contredit une croyance, le système doit baisser sa confiance. Il apprend de ses erreurs
Doctrine - Des "valeurs" qui guident le raisonnement ("doute des sources officielles", "accuse si les preuves suffisent")

Pourquoi ça se rapproche de l'intelligence:
L'intelligence humaine c'est:

Accumuler des croyances
Les remettre en question face aux preuves
Agir malgré l'incertitude
Tracer pourquoi on croit quelque chose

Pourquoi ça scale: Le LLM ne voit jamais tout - on requête le graphe pour injecter uniquement les faits pertinents à la question, donc 10 000 ou 10 millions d'entités = même taille de contexte.

Un LLM seul = réflexe. LLM + ce framework = début de raisonnement persistant.
C'est pas l'AGI, mais c'est une brique: donner une "mémoire épistémique" à un modèle stateless.

Query: "Quelle est la capitale de la France ?"
Intent: find_relationship
Subject: "France" (entity type: location)
Predicate: "capitale" → relationship_type: "is_capital_of" (inverse)

SELECT * FROM entities WHERE canonical_name = 'france'
→ Entity #42 (type: location, importance: 90)

SELECT e.* FROM entities e
JOIN relationships r ON r.from_entity_id = e.id
JOIN relationship_types rt ON r.type_id = rt.id
WHERE r.to_entity_id = 42 AND rt.name = 'is_capital_of'
→ Entity #156: "Paris" (confidence: 95)

SELECT * FROM source_refs WHERE ref_type = 'relationship' AND ref_id = ...
→ 3 sources (Wikipedia weight:40, gov_record weight:85, textbook weight:55)

{
"answer": "Paris",
"confidence": 95,
"evidence": ["gov_record#12", "wikipedia#45"],
"contradictions": [],
"reasoning": "3 sources agree, no contradictions"
}

Les types de relations sont hardcodés ?

je termine la base et je te passe le git, je suis pas contre un avis externe


mais oui c'est hardcodé, à base d'itération de prompt soit très large soit correctif, soit carrément libre

J'ai honnêtement rien à t'apprendre, mais j'essaye juste de comprendre un peu ce que tu fais car c'est intéressant je trouve