Какие типы задач требуют Level 3 представления (scientific formalization)?

Краткий тезис

Level 3 (scientific formalization) — это уровень представления знаний, при котором информация кодируется не в виде неструктурированного текста (Level 1) или полуструктурированных данных (Level 2), а в виде формальных математических моделей, логических правил и уравнений. Такое представление необходимо для задач, где требуется точное, воспроизводимое и проверяемое рассуждение: физическое моделирование, многокомпонентное планирование с временными ограничениями, генерация научных гипотез и любые сценарии, где агент должен оперировать explicit world model (явной моделью мира). В контексте Agentic RAG Level 3 позволяет агенту не просто извлекать факты, а выполнять символьные вычисления, симуляции и логический вывод, что критически повышает надёжность и обоснованность ответов.

1. Что такое уровни представления знаний (Level 1–3)

В архитектурах Agentic RAG и Knowledge-Enhanced LLM выделяют три уровня формализации знаний:

Ключевое отличие Level 3: знание представлено в форме, допускающей автоматический вывод (inference), верификацию (verification) и симуляцию (simulation) без участия LLM. LLM может лишь интерпретировать результаты формальной модели, но сами вычисления выполняются детерминированными алгоритмами.

2. Определение Level 3: Scientific Formalization

Scientific formalization — это процесс перевода эмпирических знаний или гипотез в строгую математическую/логическую форму. Такое представление обладает свойствами:

• Композициональность: сложные модели собираются из простых блоков.
• Интерпретируемость: каждый символ и уравнение имеют однозначный смысл.
• Вычислимость: модель можно запустить на компьютере и получить предсказания.
• Проверяемость: результаты можно сравнить с экспериментальными данными.

В контексте Agentic RAG Level 3 означает, что агент хранит не просто чанки текста, а исполняемые модели (executable models). Например, для задачи «Рассчитай траекторию снаряда» агент не ищет текстовое описание, а вызывает симулятор, основанный на уравнениях баллистики.

3. Физическое моделирование (Physical Simulation)

Зачем нужен Level 3
Физические процессы описываются дифференциальными уравнениями, которые невозможно адекватно представить в виде текста или таблицы. LLM не может «посчитать» траекторию — она может лишь угадать, что приведёт к ошибкам.

Примеры задач

• Расчёт механических напряжений в конструкции (метод конечных элементов).
• Моделирование климата (уравнения атмосферной динамики).
• Симуляция химических реакций (кинетические уравнения).
• Прогнозирование распространения загрязнений (уравнения адвекции-диффузии).

Как RAG|Agentic RAG использует Level 3:

1. Агент получает запрос: «Как изменится температура в реакторе при увеличении давления на 10%?»
2. Вместо поиска текстового ответа агент находит в своём хранилище формальную модель реактора (систему ОДУ).
3. Запускает симуляцию с новыми параметрами.
4. Возвращает численный результат и график.

Инструменты SciPy, Simulink, OpenModelica, FEniCS.

4. Сложное планирование (Multi-agent Planning with Temporal Constraints)

Проблема Планирование действий в среде с несколькими агентами, временными окнами и ресурсными ограничениями требует формального описания состояний, действий и переходов. Текстовое описание плана не гарантирует выполнимости.

Level 3 представление PDDL (Planning Domain Definition Language) или Temporal PDDL, STRIPS, HTN (Hierarchical Task Networks).

Пример задачи

• Координация группы дронов для доставки грузов в городе с учётом погоды, запретных зон и времени прибытия.
• Планирование производственной линии с несколькими роботами и конвейерами.

Роль Agentic RAG

• Агент хранит PDDL-домены и задачи в формализованном виде.
• При запросе «Спланируй маршрут для трёх курьеров с учётом пробок» агент извлекает соответствующую модель, запускает планировщик (например, Fast Downward, OPTIC), получает последовательность действий и возвращает её пользователю.

Ключевой элемент временные constraints (deadline, duration, synchronisation) — их невозможно корректно обработать без формальной модели.

5. Научная гипотеза генерация (Scientific Hypothesis Generation)

Задача Автоматическое выдвижение новых гипотез на основе существующих данных и закономерностей. LLM может генерировать правдоподобные тексты, но для научной ценности гипотеза должна быть формально проверяемой.

Level 3 подход

• Представление известных законов в виде уравнений (например, законы сохранения, термодинамические соотношения).
• Использование символьной регрессии (например, PySR) для поиска новых математических выражений, объясняющих данные.
• Генерация гипотезы в виде формальной модели, которую затем можно проверить экспериментально.

Пример:

• Агент анализирует данные о росте популяции бактерий в разных условиях. На основе Level 3 модели (логистическое уравнение) он предлагает модификацию: «Добавить член, учитывающий конкуренцию за субстрат» и генерирует новое дифференциальное уравнение.

Связь с Agentic RAG

• Агент использует RAG для извлечения релевантных научных статей (Level 1), извлекает из них параметры моделей (Level 2) и строит формальную модель (Level 3).
• Затем запускает симуляцию и сравнивает с данными, выдавая гипотезу в виде уравнения.

6. Задачи, требующие explicit world model (явной модели мира)

Explicit world model — это формальное представление среды, которое агент может использовать для рассуждений «что, если» (counterfactual reasoning), планирования и обучения.

Когда нужен Level 3

• Робототехника: модель динамики манипулятора (уравнения Лагранжа).
• Экономическое прогнозирование: DSGE-модели (динамические стохастические модели общего равновесия).
• Медицинская диагностика: модели фармакокинетики (дифференциальные уравнения концентрации лекарства).
• Игровой AI: формальное описание правил игры (например, шахматы — доска и ходы в виде предикатов).

Пример Agentic RAG с explicit world model:

• Агент-помощник врача: получает запрос «Как изменится дозировка препарата для пациента с почечной недостаточностью?»
• Извлекает формальную фармакокинетическую модель (Level 3) и параметры пациента (Level 2).
• Запускает симуляцию и выдаёт рекомендацию с графиком концентрации.

Преимущество ответ не «угадан» LLM, а вычислен на основе физиологии.

7. Сравнительная таблица: Level 1 vs Level 2 vs Level 3 для типовых задач

8. Пример архитектуры Agentic RAG с Level 3

# Псевдокод агента, использующего формальную модель
class ScientificAgent:
    def __init__(self, retriever, model_registry):
        self.retriever = retriever          # RAG для Level 1/2
        self.model_registry = model_registry  # Хранилище Level 3 моделей (например, .pkl, .py)

    def answer(self, query):
        # 1. Определяем, нужна ли формальная модель
        intent = self.classify_intent(query)  # "simulation", "planning", "hypothesis"
        if intent in ["simulation", "planning"]:
            # 2. Извлекаем формальную модель
            model_id = self.retriever.retrieve_model(query)  # поиск по метаданным
            model = self.model_registry.load(model_id)
            # 3. Извлекаем параметры из Level 2 (таблицы, JSON)
            params = self.retriever.retrieve_parameters(query)
            # 4. Запускаем симуляцию / планировщик
            result = model.run(**params)
            # 5. Генерируем ответ с помощью LLM, используя result как контекст
            return self.llm.generate(f"Query: {query}\nSimulation result: {result}")
        else:
            # Обычный RAG
            docs = self.retriever.retrieve(query)
            return self.llm.generate(docs + query)

Ключевые компоненты

• Model registry — база формальных моделей (уравнения, PDDL, нейросетевые симуляторы).
• Retriever — должен уметь искать не только текст, но и метаданные моделей (теги, область применения).
• LLM — используется для интерпретации результатов, а не для вычислений.

9. Связь с Agentic RAG

Level 3 — это естественное расширение возможностей агента. Без него Agentic RAG остаётся «умным поисковиком» с генерацией. С Level 3 агент становится вычислительным ассистентом, способным:

• Проверять гипотезы (simulation-based verification).
• Оптимизировать решения (планирование с обратной связью).
• Объяснять результаты через формальные выводы.

Ограничения

• Создание формальных моделей требует экспертизы и времени.
• Не все задачи можно формализовать (творческие, социальные).
• Высокая стоимость симуляций.

10. Пет-проект для закрепления

Задача Разработать агента, который отвечает на вопросы по физике маятника, используя Level 3 представление.

Инструменты

• Python, scipy.integrate.solve_ivp для решения ОДУ.
• LangChain или простой агент на transformers + chromadb.
• Хранилище моделей: JSON-файл с описанием уравнений и параметров.

Шаги:

1. Создайте формальную модель маятника: d²θ/dt² + (g/L)*sin(θ) = 0.
2. Загрузите модель в registry (например, как функцию Python).
3. Напишите retriever, который по запросу «период колебаний маятника длиной 1 м» находит модель и извлекает параметры (L=1, g=9.81).
4. Реализуйте агента: получает запрос → определяет, что нужна симуляция → запускает solve_ivp → возвращает период и график.
5. Добавьте RAG для контекстной информации (например, формулы из учебника).

Ожидаемый результат

• Агент выдаёт точный численный ответ (например, «Период ≈ 2.007 с»), а не текстовое описание.
• Можно задать уточняющие вопросы: «А если угол 30°?» — агент перезапускает симуляцию с новыми начальными условиями.

11. Связь с другими вопросами

12. Навигация

• Предыдущий: 190
• Следующий: 192
• Индекс: 00. Индекс разборов

Навигация

• Предыдущий: 190
• Следующий: 192
• Индекс: 00. Индекс разборов