LCA - Living Cognitive Architecture
Architettura cognitiva auto-apprendente che costruisce in autonomia una base di conoscenza strutturata sotto forma di grafo. LCA studia i concetti in ordine di prerequisiti, verifica la comprensione tramite quiz automatici prima di avanzare e gestisce contraddizioni ed esperienza reale. Il modello…
LCA — Living Cognitive Architecture Architettura cognitiva vivente. Un sistema software che costruisce e fa crescere in autonomia una base di conoscenza strutturata (un grafo), studiando gli argomenti in ordine di prerequisiti e verificando la comprensione prima di avanzare. Panoramica LCA affronta un problema preciso: come può un programma imparare da solo, in modo ordinato e verificabile, senza limitarsi a "interrogare un'AI"? La risposta dell'architettura è ribaltare il ruolo del modello linguistico. Nei sistemi convenzionali l'LLM è il cervello che decide; qui è soltanto una fonte di materiale testuale. Il motore decisionale è una logica deterministica fondata su soglie, formule e invarianti: è il sistema — non il modello — a stabilire quando un concetto è stato appreso, quando va ripetuto e quando una conoscenza entra in contraddizione con un'altra. Il risultato è un processo di apprendimento tracciabile, riproducibile e interrompibile: ogni cambiamento di stato è registrato con timestamp e l'intero stato vive nel database, mai solo in memoria. Principi di progettazione L'LLM non decide mai. Fornisce solo testo e giudizi binari (sì/no) usati come input. Ogni transizione di stato è governata dalle soglie del sistema. Niente conoscenza non verificata. Il materiale prodotto dal modello è sempre trattato come non attendibile finché non supera la fase di verifica. Prerequisiti prima di tutto. Un concetto diventa studiabile solo quando tutti i suoi prerequisiti risultano appresi. Stato persistente. Il ciclo è interrompibile e riprendibile: lo stato risiede interamente in SQLite. Crescita osservabile. Ogni evento è datato per ricostruire la curva di apprendimento nel tempo. Stack tecnologico Componente Tecnologia Note ------------ ----------- ------ Linguaggio Python 3.11+ Coerenza con l'ecosistema di librerie Base di conoscenza SQLite 3 Due tabelle (nodes, edges), file locale, nessun server Embedding sentence-transformers · all-MiniLM-L6-v2 (384 dim) Locale, su CPU Similarità NumPy (coseno) Sufficiente sotto ~100k nodi; oltre, indice ANN Modello-fonte Ollama · qwen2.5:7b (locale) Genera solo testo Scheduler Loop Python in processo dedicato Esegue il ciclo di istruzione in continuo Schema dati La conoscenza è un grafo diretto: i nodi sono concetti, gli archi sono relazioni (prerequisito, causa, similitudine). Tabella nodes Tabella edges Un arco prerequisito da A a B significa: A è prerequisito di B (B richiede A). La direzione è vincolante. Il ciclo di vita di un nodo Ogni concetto attraversa una macchina a stati ben definita. Ai fini dello sblocco dei successori, sia appresoteorico sia appresoconfermato contano come "appreso". Stato Significato Ingresso ------- ------------- ---------- bloccato prerequisiti non tutti appresi stato iniziale di un nodo con prerequisiti sbloccato studiabile tutti i prerequisiti appresi proposto nato fuori programma, da validare creato durante lo studio in_studio sessione attiva scelto dal ciclo appreso_teorico mastery ≥ 0.75 sui materiali sessione conclusa con successo appreso_confermato confermato dall'esperienza reale canale esperienza sospeso ≥ 3 tentativi falliti sessione fallita oltre soglia conteso contraddetto da nuova conoscenza controllo contraddizioni Inizializzazione: il programma di studio L'unico intervento umano richiesto è un file JSON che descrive il curriculum: Per ogni nodo si inserisce una riga in nodes e un arco prerequisito per ciascuna dipendenza. I nodi senza prerequisiti partono sbloccato, gli altri bloccato. Il ciclo di istruzione automatica È il processo principale: gira in loop finché esistono nodi studiabili. 1 · Scegli nodo — tra i nodi sbloccato, ha priorità chi sblocca il maggior numero di successori; a parità, il level più basso. 2 · Cerca materiale — un prompt vincolante chiede al modello-fonte una spiegazione didattica del concetto, assumendo noti i prerequisiti. Il testo ottenuto è materiale…
Tecnologie: Python, SQLite, Ollama, sentence-transformers, NumPy, AI, LLM, Knowledge Graph