ES
Geodi, el personaje oficial de GEODE en pixel art
Volver a la sala

GEODE

Autonomous Agent Harness

De la observación a la siguiente acción.

Un arnés local de agentes autónomos al que se pueden encargar investigación, trabajo con archivos y tareas programadas.

2026.02.21 — present

Diseño, juicio, verificación: Author · implementación: Claude · revisión: Codex

  • CLIPublicado · PyPI
  • Servidor MCPImplementado

Decision Offloading w. Jev

¿Cuáles de las decisiones intermedias que un agente toma a mitad de una tarea pueden delegarse en Jev, un modelo solo de decisión? Esta investigación comprueba si la calidad de la tarea, verificada de forma independiente, se mantiene una vez delegadas, contando la preparación, los juicios repetidos, la reparación y la entrega final. Los primeros pilotos no se explicaban con solo cambiar la llamada de juicio, así que el contrato de entrada, el contrato de decisión, la política de probabilidad y el consumo por parte del agente de ejecución se separaron en experimentos propios.

Mapa de Jev · runtime a partir del commit fijado 9e2c041, investigación a partir de los registros de September 2026
Rutas de juicio de Jev: integración en el runtime e investigaciónLa parte superior es la ruta de juicio opcional del runtime actual de GEODE. Solo cuando judgment_engine se fija en jev, la verificación final y la reflexión llaman una vez a Jev en TypeSafe SystemOne, y una respuesta solo se usa tras la admisión de tipo, rango y suma de probabilidades. Solo supported supera la verificación final, y el resultado va a la política PostVerify y Stop del capítulo “Finalización”. La parte inferior es la investigación Jev v3 fuera del runtime: un panel de estados fijos (U3) comparó los juicios de Astra y Jev, las ejecuciones E/I en Harbor 0.22 cambiaron solo la vía de juicio y comprobaron por separado resultados y entrega con un oráculo de reglas independiente, y el paquete público separa los hashes de origen y públicos y ofrece un recálculo sin modelo.TypeSafe SystemOnejev-1.13.0 · solo juicioJuez Astra · modelo actorgpt-6-astra/xhigh · suscripciónInforme de investigación de Jevinforme técnico públicocore/config/judgment.pyjudgment_engine · llm | jevauto → typesafe · openrouterloop/_lifecycle.pypolítica PostVerify · Stopcore/agent/verify.pyveredicto final · una pregunta Choicesolo pasa supported · solo textoadapters/typesafe.pySystemOne · una llamada · sin fallbackadmisión · tolerancia de suma 1e-5loop/_reflection.pyreflexión · clasificación de evidenciamemory · observabilitytimeline · filas de decisión del ledgerU3 · panel de estados fijos120 pares · 27 fuentes · sin actorAstra · Jev · misma preguntaE/I · Harbor 0.22actor Astra · herramientas · reparaciónvía de juicio · Astra · Jev · Jev-firstrule oraclecorrección · entrega por separadojev-v3-20260927E2E-DATA · hashes de origen · públicosREPRODUCE · model-freeRuntime de GEODE · 9e2c041juicio opcional · llm por defectoInvestigación Jev v3 · Sept 2026fuera del runtime · arnés aparte1elegir la vía2 solicitud · candidato · observaciones · veredicto final · una pregunta Choice → SystemOne · una llamada · sin fallback23 una llamada a SystemOne · SystemOne · una llamada · sin fallback → TypeSafe SystemOne34 Choice admitido · admisión · tolerancia de suma 1e-5 → solo pasa supported · solo texto45passed · reflection6filas de veredicto1misma elección2clasificar la evidencia3 una llamada a SystemOne · SystemOne · una llamada · sin fallback → TypeSafe SystemOne34 clasificación · admisión · tolerancia de suma 1e-5 → reflexión · clasificación de evidencia41Juicio de Jev2Juicio de Astra3resultados del panel · informe1generar · herramientas · reparar2vía de juicio de finalización3 comprobación independiente · E/I · Harbor 0.22 → corrección · entrega por separado34linaje de fallo · reparación5recálculo sin modelo

Runtime · veredicto final

Con Jev seleccionado, la verificación final llama una vez a Jev con una pregunta Choice, y solo pasa un veredicto supported admitido.

  1. judgment_engine · llm | jevcore/config/judgment.pyelegir la víaveredicto final · una pregunta Choicecore/agent/verify.py

    La vía de Jev solo se usa cuando judgment_engine se fija en jev (por defecto llm). provider auto elige TypeSafe y luego OpenRouter, el que tenga clave; sin clave se mantiene la vía del juez LLM. No es un fallback que reintente en otro lugar una solicitud fallida.

  2. veredicto final · una pregunta Choicecore/agent/verify.pysolicitud · candidato · observacionesSystemOne · una llamada · sin fallbackadapters/typesafe.py

    La solicitud original y el candidato se ocultan parcialmente y se acotan, y luego se envían con las observaciones de herramientas como una sola pregunta Choice (supported, contradicted, insufficient_evidence). La llamada de juicio no recibe herramientas (allow_tools=False). Un juicio que necesita imágenes no se envía a Jev y se convierte en verification_error.

  3. SystemOne · una llamada · sin fallbackadapters/typesafe.pyuna llamada a SystemOneTypeSafe SystemOne

    Una llamada, directa a TypeSafe o a través de OpenRouter, sin salto a otro proveedor. Jev nunca se usa como modelo raíz de generación de texto.

  4. admisión · tolerancia de suma 1e-5adapters/typesafe.pyChoice admitidosolo pasa supported · solo textocore/agent/verify.py

    Una respuesta solo se usa tras la admisión de tipo, rango y suma de probabilidades (tolerancia 1e-5). Solo supported pasa; contradicted e insufficient_evidence se convierten en una señal de reintento con una siguiente comprobación fija. Una respuesta que no es end_turn o no supera la admisión se convierte en verification_error, que no es una señal de reintento (should_retry=False). La puntuación es una proyección binaria, no una probabilidad calibrada.

  5. solo pasa supported · solo textocore/agent/verify.pypassed · reflectionpolítica PostVerify · Stoploop/_lifecycle.py

    El veredicto va a la política PostVerify y Stop del capítulo “Finalización”. Un veredicto es una entrada de esa política, no una autoridad; cuando espera revisión, el candidato solo queda como pending_text y la respuesta final está vacía, así que no se entrega nada.

  6. política PostVerify · Stoploop/_lifecycle.pyfilas de veredictotimeline · filas de decisión del ledgermemory · observability

    Las decisiones de veredicto se registran en la timeline y el evidence ledger: registros del runtime, aparte de los artefactos de investigación.

Runtime · reflexión

La misma elección guía la clasificación de evidencia de la reflexión; la frase de la siguiente comprobación la fija el código.

  1. judgment_engine · llm | jevcore/config/judgment.pymisma elecciónreflexión · clasificación de evidencialoop/_reflection.py

    La misma elección se aplica a la reflexión.

  2. reflexión · clasificación de evidencialoop/_reflection.pyclasificar la evidenciaSystemOne · una llamada · sin fallbackadapters/typesafe.py

    La reflexión usa Jev para clasificar evidencia acotada y añade una siguiente comprobación definida por el código. No cambia las hipótesis de creencia ni la autoconfianza.

  3. SystemOne · una llamada · sin fallbackadapters/typesafe.pyuna llamada a SystemOneTypeSafe SystemOne

    Una llamada, directa a TypeSafe o a través de OpenRouter, sin salto a otro proveedor. Jev nunca se usa como modelo raíz de generación de texto.

  4. admisión · tolerancia de suma 1e-5adapters/typesafe.pyclasificaciónreflexión · clasificación de evidencialoop/_reflection.py

    Solo una clasificación admitida actualiza el estado de reflexión; si falla, la siguiente ronda reintenta desde el mismo estado anterior.

Investigación · panel fijo U3

Sin actor, se compararon en pares los juicios de Jev y Astra sobre el mismo estado y la misma pregunta.

  1. Astra · Jev · misma preguntaU3 · panel de estados fijosJuicio de JevTypeSafe SystemOne

    U3 (commit del experimento original 2f2b494): 120 estados fijos · 27 grupos de fuentes · 240 llamadas. Cada estado y pregunta fue a Jev y a Astra como un par; sin actor, herramientas ni Harbor.

  2. Astra · Jev · misma preguntaU3 · panel de estados fijosJuicio de AstraJuez Astra · modelo actor

    Aciertos en la misma muestra: Astra 90/120, Jev 84/120; mediana por llamada 10.446 s frente a 0.253 s. Es solo la latencia de la llamada de juicio, no tiempo de tarea ni ahorro de costos.

  3. U3 · panel de estados fijosresultados del panel · informeInforme de investigación de Jev

    Los resultados de exactitud y latencia de U3 aparecen en el informe técnico público. Aquí no se afirma si este panel forma parte del paquete público E2E.

Investigación · ejecuciones E/I

Con Astra como actor, solo cambió la vía de juicio, y un oráculo de reglas independiente comprobó por separado resultados y entrega.

  1. actor Astra · herramientas · reparaciónE/I · Harbor 0.22generar · herramientas · repararJuez Astra · modelo actor

    En E/I sobre Harbor 0.22, el actor Astra se encarga de la generación, las llamadas a herramientas y la reparación; solo cambia la vía de juicio.

  2. vía de juicio · Astra · Jev · Jev-firstE/I · Harbor 0.22vía de juicio de finalizaciónTypeSafe SystemOne

    E7 (commit del experimento original 1f65534): 12 tareas sintéticas redactadas × 3 configuraciones × 2 ejecuciones = 72 ejecuciones, 24/24 por configuración. La configuración Jev-first tuvo 0/24 fallbacks reales, así que su efecto no se midió.

  3. E/I · Harbor 0.22comprobación independientecorrección · entrega por separadorule oracle

    Un oráculo de reglas independiente comprueba el resultado final, y la entrega final real se cuenta aparte. En los 11 pares a posteriori de U8n, interrumpido, todos los candidatos superaron el oráculo, pero la entrega fue Astra 11/11 y Jev Noul 0/11.

  4. E/I · Harbor 0.22linaje de fallo · reparaciónE2E-DATA · hashes de origen · públicosjev-v3-20260927

    El paquete público E2E conserva los linajes de preparación, fallo y reparación, con los hashes de origen y de copia pública separados. Una copia pública con datos ocultos no sustituye la validación de la fuente sin cambios.

  5. REPRODUCE · model-freejev-v3-20260927recálculo sin modeloInforme de investigación de Jev

    Recalcular cifras a partir de respuestas guardadas y ejecutar de nuevo son operaciones distintas. El informe es un informe técnico público, no un artículo revisado por pares.

Todas las conexiones con el mismo grosor. Elija un flujo para resaltar solo su recorrido, con pasos numerados.

  • Continua · dirección en que fluyen solicitudes, candidatos y resultados
  • Discontinua · ejecutar, decidir, autorizar, configurar
  • Raya larga y punto · registros y observación, aparte del veredicto
  • Línea negra gruesa · el flujo seleccionado; los números dan el orden
  • Recuadro · frontera de código o de registro, con su ruta en la cabecera
  • Chip interior · componente de esa frontera
  • Recuadro discontinuo · fuera de esa frontera
  • bucle · arnés de ejecución
  • elección de vía · veredicto · oráculo
  • registros · paquete público
  • transporte · panel de juicio

La parte superior y la inferior son sistemas distintos. Las configuraciones y resultados de la investigación no están todos activados en la ruta actual del runtime; el único vínculo común es que ambas llaman al mismo modelo Jev (jev-1.13.0).

Admisión en el runtime
El runtime mantiene estricta la tolerancia de la suma de probabilidades en 1e-5. Quienes llaman desde la evaluación pasan su propia tolerancia registrada en lugar de relajar el analizador del runtime.
Alcance de la investigación
U3 solo mide llamadas de juicio; E/I incluye el actor y la reparación. Sus denominadores nunca se mezclan, y los 11 pares de U8n son un análisis a posteriori de un estudio interrumpido.

Tres contratos de decisión

Choice

Devuelve
Probabilidad por categoría u opción
Decide
Finalización; la intención y el objetivo de una solicitud

Noul

Devuelve
P(true) para cada condición
Decide
Contradicción; evidencia faltante

Score

Devuelve
Valor esperado y distribución en una escala ordinal fija
Decide
Clasificación de los candidatos generados

El valor esperado sitúa a un candidato en la escala; no se usa como confianza.

Evaluación y conexión

Cada contrato se evaluó en su propio panel de entradas fijo, y algunos se conectaron a la ruta de ejecución del arnés de experimentos para ver cómo el agente de ejecución consume el juicio. En el mapa de arriba, la parte de investigación muestra esas ejecuciones; la parte del runtime es la ruta opcional del GEODE actual.

Observaciones que cambiaron el diseño

  1. I5 → I6 · contrato de entrada
    1. Rastrear un fallo de entrega común mostró que a la entrada del juicio le faltaba el contrato de la tarea y describía las observaciones de herramientas de la misma solicitud como contexto pasado
    2. I6 entregó 6/6 en una ejecución aparte con el código revisado y una cuenta nueva
  2. U3 · los mismos 120 pares de estados
    1. Mediana por llamada Astra 10.446 s · Jev 0.253 s; aciertos en la misma muestra 90/120 · 84/120
    2. Para cada decisión se sopesan juntas la velocidad y la exactitud para fijar el alcance de la delegación
  3. U2 · probabilidades
    1. Las probabilidades de Jev estaban mejor calibradas en magnitud, pero Astra ordenaba primero sus juicios erróneos con más fiabilidad
    2. La calibración y la selección de errores se miden por separado, y el umbral se congela en la partición de selección
  4. U6a · intención y objetivo
    1. En 40 familias redactadas por el diseñador, Jev 216/220 · Astra 220/220, dentro del margen preregistrado de −5 pp
    2. La clasificación fija de intención y objetivo se acotó como siguiente candidata de aplicación
  5. U8n · entrega
    1. 11 pares a posteriori de una ejecución interrumpida: los candidatos reparados superaron el oráculo en ambos brazos; entrega Astra 11/11 · Jev Noul 0/11
    2. Los juicios de evidencia faltante bloquearon entregas correctas; la configuración actual de Noul carece de base para ser el único juez de entrega