Skip to content

Betriebshandbuch: Eurisko Heuristic Breeder

Dieses Betriebshandbuch beschreibt die theoretischen Grundlagen, die mathematische Funktionsweise, die Systemintegration und die Abläufe des Eurisko Heuristic Breeder in der MoE Sovereign-Infrastruktur.

1. Theoretischer Hintergrund: Eurisko & Selbstreferenzialität (1983)

Douglas Lenats System Eurisko (1983) führte das Konzept der heuristischen Selbstreferenzialität (Heuristic Self-Reference) ein: Heuristiken wurden nicht starr programmiert, sondern als Datenobjekte dargestellt, wodurch Eurisko in der Lage war, seine eigenen Heuristiken zu verändern, zu bewerten und neue Heuristiken zu generieren.

Das Problem moderner Router

Statische Routing-Vorlagen (z. B. feste VRAM-Schwellenwerte, fixe Zuweisungen oder feste Context-Budgets) degradieren bei sich ändernden Systemlasten oder neuen Modellen.

Umsetzung in MoE Sovereign

Der Eurisko Heuristic Breeder in MoE Sovereign optimiert die Gating- und Routing-Templates vollautomatisch im Hintergrund: 1. Heuristik-Pool: Heuristiken werden als ausführbare Mutationsobjekte mit Gewichten verwaltet. 2. Feeback-Kopplung: Die Gewichte passen sich basierend auf dem realen Benutzer-Feedback (user_rating) an. 3. Selbst-Zucht (Crossover): Bei hoher Performance werden neue Heuristiken durch Kombination erfolgreicher Eltern-Heuristiken erzeugt und dem Pool hinzugefügt.

2. Mathematische Funktionsweise & Vererbung

Der Optimierungs-Loop (scripts/eurisko_template_optimizer.py) arbeitet nach evolutionären Prinzipien:

2.1. Roulette-Wheel-Selektion

Um eine Mutation auf ein mangelhaftes Template anzuwenden, wählt der Breeder eine Heuristik $h_i$ aus dem Pool mit einer Wahrscheinlichkeit aus, die proportional zu ihrem aktuellen Gewicht $w_i$ ist:

$$P(h_i) = \frac{w_i}{\sum_{j=1}^M w_j}$$

  • Gewichtsanpassung (Feedback-Loop): Nach jedem Optimierungsdurchlauf wertet das System das Benutzer-Feedback (user_rating $\in [1, 5]$) aus dem dynamic_template_feedback_log aus.
    • Erfolg (Rating $\ge 4$): Das Gewicht der angewandten Heuristik wird belohnt: $$w_{\text{neu}} = w_{\text{alt}} \times 1.15$$
    • Fehlschlag (Rating $< 3$): Das Gewicht wird bestraft: $$w_{\text{neu}} = \max(0.1, w_{\text{alt}} \times 0.85)$$

2.2. Heuristische Vererbung (Crossover Zucht)

Erreicht eine Heuristik im Pool ein Gewicht von $> 1.5$ (hervorragende historische Performance), kreuzt der Breeder die beiden am besten bewerteten Heuristiken ($h_A$ und $h_B$) und erzeugt eine neue Kombinationsheuristik:

$$h_{\text{child}} = h_A \circ h_B$$

Diese neue Heuristik (bred_A_and_B) führt nacheinander die Mutationen beider Elternteile aus. Sie wird dauerhaft im Pool unter /app/data/eurisko_heuristics.json gespeichert.

3. Architektur & Datenfluss

Der Breeder läuft asynchron als Hintergrundprozess oder periodischer Cronjob:

                  [PostgreSQL: dynamic_template_feedback_log]
                                       │
                      (Liest schlechtes Feedback < 3)
                                       │
                                       ▼
                         [Heuristic Breeder (Eurisko)]
              ┌──────────────────────────────────────────────────┐
              │ 1. Passt Gewichte basierend auf Logs an          │
              │ 2. Führt Crossover-Zucht durch (Gewichte > 1.5)  │
              │ 3. Wählt Mutator via Roulette-Wheel aus          │
              │ 4. Mutiert das defekte Template                  │
              └────────────────────────┬─────────────────────────┘
                                       │
                         (Erzeugt optimiertes Template)
                                       │
                                       ▼
                  [PostgreSQL: admin_expert_templates]
                      (Inaktiviert das alte Template)
                                       │
                                       ▼
                       [ChromaDB: moe_template_cache]
                       (Leitet Cache auf neues Template um)

3.1. Die Standardheuristiken

  • context_scaling_1.5x: Skaliert das VRAM-Kontextfenster der Experten und des Planners/Judges um den Faktor $1.5$ nach oben (reduziert Context Overflow-Fehler).
  • enable_context_features: Schaltet RAG-Erweiterungen (GraphRAG, Web-Suche) aktiv hinzu, um Informationslücken zu schließen.
  • enable_vsa_habe: Schaltet das HABE-VSA-Hintergrundwissen hinzu, um implizite Kontexteigenschaften einzubetten.

4. Betriebsabläufe & Aufruf

4.1. Die Heuristik-Pool-Datei

Die gelernten Gewichte und erzeugten Zucht-Heuristiken werden serialisiert in /app/data/eurisko_heuristics.json abgelegt: 

{
  "context_scaling_1.5x": {
    "name": "context_scaling_1.5x",
    "weight": 1.15,
    "metadata": {
      "description": "Scale context window by 1.5x",
      "type": "context"
    }
  },
  "bred_enable_vsa_habe_and_context_scaling_1.5x": {
    "name": "bred_enable_vsa_habe_and_context_scaling_1.5x",
    "weight": 1.0,
    "metadata": {
      "bred_from": ["enable_vsa_habe", "context_scaling_1.5x"],
      "description": "Bred combination of enable_vsa_habe and context_scaling_1.5x"
    }
  }
}

4.2. Manueller Testaufruf

Du kannst die Optimierungs-Schleife jederzeit manuell anstoßen: 

sudo docker exec -it langgraph-orchestrator python3 scripts/eurisko_template_optimizer.py

4.3. Test-Suite ausführen

Das evolutionäre System ist über tests/test_habe_and_advice.py vollautomatisch unit-getestet. 

python3 -m pytest tests/test_habe_and_advice.py -k "eurisko"