Вердикт AI-ReadyИзучать как архитектурный паттерн безопасного исполнения, а не как готовый продукт.

Что это

reference implementation паттерна intent-execution separation: LLM выдаёт typed intent в доменной лексике, а deterministic layer валидирует, scope’ит, переводит и исполняет действие.

Бизнес-проблема

агент не должен напрямую трогать базу, API или бизнес-операции. Он должен формулировать намерение, а отдельный слой решает, можно ли это выполнить и как именно.

Практическая польза

это почти архитектурный материал для AI-Ready Business Harness: domain ontology + rules + prompt + deterministic execution. Особенно интересно для CRM/support/legal/vet-like доменов, где надо не “ответить красиво”, а безопасно выполнить действие.

Почему интересно сейчас

fresh Show HN сигнал “An LLM agent that emits typed intent”; на фоне MCP-security исследований это хороший counter-pattern к бесконтрольным tool calls.

Показатели активности выше относятся к исходному обзору от 2026-06-25. Перед выбором технологии их нужно проверять заново; сами по себе они не доказывают качество или готовность.

Технические особенности

Java 21, Spring Boot 3.3, Vue 3 + Vite + TypeScript, PostgreSQL 15, MongoDB 7, Docker Compose, Anthropic Messages API; deterministic provisioner работает без LLM key, chat требует Anthropic API key. Есть legal и vet demo domains.

Значение для AI-Ready

inspiration / architecture pattern / future component. Риски: не готовый продукт; один автор; нет adoption; deployment не “для клиента за 15 минут”. Вердикт: Save for later / Study.

Риски

  • Проект исследовательский, поддерживается одним автором и не доказывает готовность к клиентскому production.
  • Typed intent ограничивает поверхность действий, но не гарантирует правильность решения модели.

Граница вывода

Использовать как reference pattern для одного синтетического Task Contract. Не подключать к production-базам, API и клиентским операциям.

Ключевые риски

  • Проект исследовательский, поддерживается одним автором и не доказывает готовность к клиентскому production.
  • Typed intent ограничивает поверхность действий, но не гарантирует правильность решения модели.

Разберите эту страницу со своей LLM

Скопируйте контекст страницы в ChatGPT, Claude, Gemini или другую LLM и попросите применить эту схему к вашему бизнесу.

Можно спросить:

  • Какую задачу AI-Ready разумно проверить с помощью OntoCortex?
  • Какие риски и ограничения нужно закрыть перед пилотом OntoCortex?
Открыть каталог