Platform Skeleton(Mini Palantir) seviyesine ulaştı: yerel Graph-RAG + bilişsel middleware + dış iş birliği başladı JAMES v0.3.0 (açık kaynak, alpha)

 (github.com/Hashevolution)
7 puan yazan skanxhakr12 6 일 전 | 1 yorum | WhatsApp'ta paylaş

Tek satırlık özet

Güvenliği tasarım ilkesi olarak ele alan %100 yerel bir Graph-RAG bilgi motoru.
v0.3.0 Platform Skeleton(2026-05-17) seviyesine ulaşırken, bilişsel middleware katmanı
bir tasarım değil, kod olarak ana dala alınmış durumda.

  • GitHub: https://github.com/Hashevolution/James-RAG-Evol
  • Mevcut sürüm: v0.3.0 (Foundation Hardening 6/6 ekseni geçti, 2026-05-13 geçidi temizlendi)
  • Lisans: MIT
  • Harici doğrulama: OpenSSF Best Practices passing rozeti (Tiered 111%, project #12806)
  • Takma ad: "Mini Palantir" (Palantir, Palantir Technologies'in ticari markasıdır; JAMES ile doğrudan bağlantılı değildir — yalnızca typed-graph + audit izini koruma desenine benzetme)

[IMG] JAMES 3D ontoloji görselleştirmesi

v0.2 → v0.3, 9 günde neler değişti

  1. Bilişsel middleware katmanı Phase 2 ana dala yerleşti
    • verification engine (PR #290) / planner·task decomposition (PR #297) / tool router (PR #295)
    • Doğrulama·planlama·araç yönlendirme artık bir design doc değil, içe aktarılabilir modüller
  2. Knowledge Cascade Phase A → E: 213 entity / 656 relation için prodüksiyon migrasyonu tamamlandı
  3. 3 aşamalı güvenlik hattı korunuyor: girdi pre_check → arama ABAC → çıktı post_filter + PII maskeleme
  4. Kendini geliştiren denetim günlüğü: tüm yamalar approver_username içeriyor, atlatılamaz
  5. bcrypt parola + SHA-256 şeffaf migrasyonu (PR #173), ruff F-class baseline + GitHub Actions lint workflow'u (PR #205)

Dışarıda olanlar (bunu tek başıma yapmadığımın kanıtı)

  • Ali Afana (Provia kurucusu, dev.to Featured) ile ilk dış iş birliği sürüyor — LinkedIn DM'de 6 tur + dev.to yorum dizisi
    • Ortak çalışma: 83 maddelik injection regression suite'in ayrılması, v0.3 Gemma 4 varyant benchmark'ı (E4B / 26B MoE / 31B Dense)
    • Ortak çıktı: injection-fixtures schema v1.1 (PR #311 → #317 → #322, Ali'nin önerdiği normalization invariant'ları·expected_block_stage·catalog_context tamamen yansıtıldı, diff-log'da kaynak belirtildi)
    • Ön kayıt: 3×3 değerlendirme planı (3 varyant × 3 sıcaklık × 1 prompt yapısı, 4 hipotez + decision matrix, tek bir hücre çalışmadan önce PR #315 ile kilitlendi)
    • Harici uygulayıcı temas noktası: LLM Provider contract (PR #316, 6 gerekli davranış + ayrılmış kwargs/env vars, ~30 satırlık Gemini API backend taslağı dahil)
  • İkinci iş birliği adayı — Matija Fućek(@mfucek_, naumu.ai), 3D görselleştirme tweet'ine yanıtta kendi projesinin (tak-çalıştır şirket beyni uygulaması) demosunu paylaştı, iş birliği kanalı açıldı
  • Gemma 4 Challenge için 2 track teslim edildi:

Dürüst sınırlamalar (alpha aşaması, saklanacak bir şey yok)

  • Bilişsel middleware Phase 2 ana dala girdi ama çok kullanıcılı·yüksek ölçekli yük doğrulaması v0.4 geçidi
  • Multimodal tarafı LLaVA·Whisper·ffmpeg'e kadar bağlandı (çalışan prototip). retrieval entegrasyonu v0.3.x ~ v0.4
  • Kendini geliştirme iskelesi tek kullanıcılı ortamda doğrulandı, çok onaylayıcılı workflow doğrulanmadı
  • Gemma 4 E4B bilişsel aşamada 5 kez boş yanıt üretti ve 4 hipotezin hiçbiri root cause'u kesinleştiremedi (Write track yazısında aynen açıklandı)

Nerede kullanılabilir

  • Kurum içi wiki/notları dış API'lere göndermeden yalnızca yerelde işlemek istediğinizde
  • Akıl yürütme yolunun (A --[CAUSES]--> X --[REQUIRES]--> Y biçimindeki typed graph_path) yanıtla birlikte grafik olarak da görünmesi gereken RAG demo/araştırmaları
  • Güvenli RAG desenleri için referans (3 aşamalı hat, instruction isolation, bcrypt migrasyonu, ruff baseline'ın tamamı PR bazında açık)
  • Plugin giriş noktasına ihtiyaç duyanlar için — JAMES_PLUGINS yükleyicisi ve Backend Protocol v0.3.x'te istikrar kazanıyor

Başlarken

git clone https://github.com/Hashevolution/James-RAG-Evol  
cp .env.example .env  
pip install -r requirements.txt  
ollama pull gemma2:2b      # GPU yoksa bununla başlayın  
python server_llmwiki.py   # http://localhost:8000

İlgili okumalar

1 yorum

 
skanxhakr12 6 일 전

Merhaba. Sorular her zaman memnuniyetle karşılanır —

Aşağıda sistem tasarımı düzeyinde bir karşılaştırma yer alıyor.

JAMES (v0.3.0) için mevcut mimari şu şekildedir.

  1. Formal query language katmanı yok — core/retrieval_engine.py içindeki hibrit arama, dense embedding + BM25 + keyword + name için 4 yönlü skor füzyonu kullanır; NL sorgularını SPARQL/RDF/SQL gibi biçimsel dillere dönüştürmez. Embedding ve BM25 skorları doğrudan aday düğüm seçiminde kullanılır.

  2. LLM yanıtı NL'dir — core/reasoning/modes/chat.py içinde LLM, NL prompt alır ve NL metin olarak yanıt üretir; formal-language ara aşaması yoktur.

  3. KG güncellemeleri insan onay kapısı ile ayrılmıştır — core/change_request.py modül docstring'inin ilk cümlesinde açıkça belirtilir: "Every write inside JAMES becomes a proposal in this module first; only a separate reviewer's approval turns the proposal into a real write." Yani LLM yanıtına dayanarak otomatik olarak KG'de add/modify/remove yapan bir yol sistemde yoktur. wiki_edit için de admin yetkisi kapısı vardır ve change_request içindeki propose → review → apply akışını zorunlu kılar (ilgili olarak CLAUDE.md §3, ARCHITECTURE.md §5.6'ya bakın).

Lütfen JAMES'in ticari olmayan alpha aşamasında olduğunu da dikkate alın.

Ek olarak, daha derin bir analiz isterseniz GitHub Issue üzerinde birlikte bakmamız iyi olur.

Çeşitli geri bildirimlerin, projenin tasarım tercihlerini dürüstçe gözden geçirebilmemizi sağlayan en değerli unsur olduğunu düşünüyorum. Teşekkür ederim.