Секретный сад разработчика: как пространственная онтология выравнивает LLM без промпт-инжиниринга

В течение трёх недель я разработал плагины Gradle с Opencode, используя три разных LLM — Kimi K2.6, GLM-5.1 и DeepSeek-V4-Pro (единственный оставшийся в живых, но это уже другая историяУже рассмотрено здесь.) Мой метод управления агентомЯ подробно документировал его в предыдущей статье. основан на файлах AsciiDoc —AGENT.adoc, INDEX.adoc, PROMPT_REPRISE.adoc— которые загружают ~30 000 токенов правил, бэклога и истории в начале каждой сессии.

И несмотря на эту документальную инфраструктуру, меня поразили две вещи:

Мне нужен был механизм выравнивания, который не зависит от количества токенов в подсказке.

Ответ: прекратить выравнивание по тексту, и начать выравнивание попространство.

Моя папка`workspace/(в~/workspace/`) не является репозиторием Git. Это корень всей моей работы — код, документация, обучение, инфраструктура. И он организован в четыре зоны, которые не являются соглашениями о хранении, а являютсяконцентрические круги доверия:

ПРИМЕЧАНИЕ: В таблице нет уровня 3. Уровень 3 является переходным уровнем: это содержимое`office/`который был анонимизирован и готов к публикации в открытых данных. У него нет собственной физической зоны — это состояние данных, а не место.

Каждый уровень отвечает на конкретный вопрос :

Эта онтология естьпотребляемый LLM. Когда он читает файл в`foundry/plantuml-gradle/src/`, он неявно понимает : "я нахожусь в круге 4 — открытый код, обязательные тесты, никаких секретов, никаких учебных данных". Ему не нужен подсказка, который напомнил бы ему об этом.

Сравним два подхода.

Когда LLM обходит`foundry/, у него естьрешетка структурированных данныхузлы (плагины, файлы, тесты, зависимости), типизированные ребра`import, depends_on, generates, tests), отношения композиции и порядка (`training-gradle`извлекает репозиторий →`slider-gradle`генерирует слайды →`capsule-gradle`увеличичь видео)

Эта алгебра нигде не записана явно — но она наблюдаема. Каждая`build.gradle.kts`показывает зависимости. Каждый`INDEX.adoc`излагает перекрёстные ссылки.

LLM наблюдает эту алгебру и обнаруживает егодельта: разрыв между тем, что система уже может производить и тем, что описывает видение

Из этого дельта он может определитькарты экспертов по предметной области— CDA (разработчик приложений, Kotlin/Gradle/JHipster) и FPA (профессиональный тренер для взрослых, педагогика/Qualiopi/Bloom) — и определить, чего не хватает каждому эксперту.

LLM не нужно говорить, что делать. Дельта возникает из структуры.

Она материализована тремя компонентами, которые образуюткомпозитный вектор контекстадля LLM.

Пространственная онтология не просто выравнивает LLM — она даёт ейматрица классификации GDPRдля маршрутизации каждого элемента данных в его законную зону

В конце сессии LLM выполняетглобальная задача:

Le `.gitignore`корень не является файлом конфигурации Git — этофайл управления историзацией. Он определяет схему, которую LLM потребляет, чтобы решить, какие файлы из секретного сада попадают в стратегическую биографию, а какие являются одноразовыми.

LLM больше не является простым генератором текста. Онменеджер информацииэкосистемы — производитель, классификатор, маршрутизатор.

Сегодня, эта система управления детерминистна: эта LLM применяет процедуру описанную в файлах AsciiDoc. Estaфаза 1— инжиниринг подсказок с памятью LLM.

La фаза 2извлечет каждый этап процедуры в однутипизированная задача GradleПожалуйста, предоставьте текст для перевода.

La фаза 3будет моделировать процесс завершения сессии какграф состоянийсhttps://github.com/langgraph4j/langgraph4j[LangGraph4j]:

Этот граф будет версионироваться в CI/CD, выполняться Gradle, настраиваться через GitHub Secrets плагинов. LLM больше не будет решать вопрос маршрутизации — граф сделает это.

Вот что она привносит конкретно :

Я не помещаю политический манифест в подвал моего сайта. Я не помещаю этические правила в мои промпты. Выравнивание не находится в тексте — оно находится вфайловая система.

Когда LLM работает в этом пространстве, он не может утечь секретом (путь ему это запрещает). Он не может перепутать учебные данные с исходным кодом (физическая зона различна). Он не может забыть правило безопасности в 80 000 токенов — потому что правило не находится в промпте, оно находится в`workspace/(There is no output as the translated text is empty.)`configuration/→office/</think>`foundry/`что каждое чтение файла повторно активирует.

Это принцип secure by design, применённый к выравниванию агента: не требуйте от LLM запоминания правил. Делайте так, чтобы архитектура делала ошибку структурно невозможной.

Кстати, это даёт LLM то, что никакой запрос не может ему дать: способностьвосприниматьгде он находится, что существует, чего не хватает — и вывести из этого, что он должен сделать.