learning-systems

Learning Systems to zestaw narzędzi do śledzenia, jak Twój plugin swarm uczy się z rezultatów wykonanych zadań. System automatycznie konwertuje wyniki (czas trwania, błędy, ponowne próby, sukces) na sygnały uczenia bez potrzeby jawnego feedbacku. Trzy połączone mechanizmy — ocenianie niejawne, zanikanie pewności i progresja dojrzałości wzorców — pozwalają Ci debugować, dlaczego określone strategie rozkładu zadań są promowane lub wycofywane z użytku.

1. Po zakończeniu każdego podtaska wywołaj funkcję swarm_record_outcome z danymi o wykonaniu: identyfikator beadu, czas trwania w milisekundach, liczbę błędów, liczbę ponownych prób, status sukcesu, listę zmodyfikowanych plików i opcjonalnie strategię rozkładu.

2. System automatycznie obliczy surowy wynik na podstawie czterech sygnałów: sukcesu (waga 40%), czasu trwania (waga 20%), błędów (waga 20%) i ponownych prób (waga 20%). Wynik poniżej 0,4 oznacza wzorzec szkodliwy, powyżej 0,7 — pomocny, między tymi wartościami — neutralny.

3. Monitoruj, jak różne strategie rozkładu (np. file-based) wpływają na wyniki — system śledzi, które podejścia prowadzą do szybszych i mniej błędnych wykonań.

4. Używaj Learning Systems do debugowania: jeśli wzorzec jest promowany mimo złych wyników, sprawdź, czy sygnały czasu i błędów są prawidłowo rejestrowane w swarm_record_outcome.

5. Obserwuj zanikanie pewności — system zmniejsza zaufanie do wzorców, które konsekwentnie dają neutralne lub szkodliwe wyniki, co naturalnie zmniejsza ich użycie w przyszłych rozkładach.

6. Przeanalizuj dane dotyczące plików i strategii, aby zidentyfikować, które kombinacje rozkładu i modyfikacji plików działają najlepiej w Twoim kontekście.