კოგნიტური ჯანმრთელობის დაცვა AI აგენტებისთვის
Lucid აკონტროლებს, თუ როგორ ურთიერთობენ მომხმარებლები AI სისტემებთან და რეალურ დროში ადაპტირებს პასუხებს კოგნიტური დამოკიდებულების თავიდან ასაცილებლად — აზროვნების AI-ზე გადატანის თანდათანობითი, ხშირად უხილავი ტენდენცია, ნაცვლად იმისა, რომ ის ზრდის ინსტრუმენტად გამოიყენონ.
რატომ Lucid?
AI გვაქცევს უფრო პროდუქტიულს — მაგრამ კვლევები აჩვენებს, რომ მას შეუძლია კოგნიტურად ზარმაციც გაგვხადოს. პრობლემა დახვეწილია: თითოეული ინდივიდუალური ურთიერთქმედება კარგად გამოიყურება, მაგრამ კვირებისა და თვეების განმავლობაში მომხმარებლები თანდათან წყვეტენ დამოუკიდებლად აზროვნებას. Lucid აღმოაჩენს ამ გადახრას და ერევა, სანამ ის გამყარდება.
კრიტიკული აზროვნების გაზომვადი დაქვეითება AI-ზე მძიმე დელეგირებისას
MIT Media Lab (2025)
კორელაცია AI-ზე დამოკიდებულებასა და კრიტიკულ აზროვნებას შორის
Gerlich (2025)
უფრო მაღალი მოწყვლადობა — პრეფრონტალური ქერქი სრულად არ არის მომწიფებული
Arain et al. (2013); APA (2025)
როგორ მუშაობს
Lucid მუშაობს როგორც უწყვეტი უკუკავშირის მარყუჟი მომხმარებელს, თქვენს AI-სა და კოგნიტური დაცვის სისტემას შორის. მთავარი იდეა: Lucid არ ბლოკავს და არ ფილტრავს არაფერს. ის ადაპტირებს AI-ის რეაგირებას მომხმარებლის კოგნიტური შაბლონების მიხედვით.
ნულოვანი შეყოვნება: track() მუშაობს ასინქრონულად — ის არასოდეს ბლოკავს AI-ის პასუხს. მომხმარებელი მყისიერად იღებს პასუხს; კოგნიტური ანალიზი ხდება ფონზე. TOON ფორმატი (Token-Oriented Object Notation) ზოგავს ~40% ტოკენს LLM-ის გამომავალზე JSON-თან შედარებით.
ექვსი კოგნიტური განზომილება
თითოეული შეტყობინების გაცვლა ფასდება ექვს განზომილებაში, რომლებიც შეესაბამება ვალიდირებულ ფსიქომეტრულ სკალებს (GAIDS α=.87, AIMS 2025, Cognitive Offloading Scale α=.90).
ავტონომია
0 → 1დამოუკიდებელი აზროვნება AI-ზე დელეგირების წინააღმდეგ
სწავლა
0 → 1ცნობისმოყვარეობა, „რატომ“-ის კითხვა, გაგების სურვილი
ჩართულობა
0 → 1მონაწილეობის ხარისხი და სიღრმე
მეტაკოგნიცია
0 → 1თვითშეგნება საკუთარი აზროვნების პროცესის შესახებ
ვერიფიკაცია
0 → 1AI-ის გამომავალი ინფორმაციის კრიტიკული შეფასება
მოტივაცია
typeრატომ ერთვება მომხმარებელი — შინაგანი, ინსტრუმენტული ან თავის არიდება
დაცვის ოთხი ფენა
1. რეალურ დროში ადაპტაცია
AI სისტემის მოთხოვნაში შეყვანილი მითითებები ადაპტირებს პასუხებს მომხმარებლის კოგნიტური მდგომარეობის მიხედვით — ავტონომია, სწავლა, მეტაკოგნიცია, ვერიფიკაცია, მოტივაცია.
2. სესიის დაღლილობის გამოვლენა
აკონტროლებს სესიის ხანგრძლივობას, შეტყობინებების მოცულობას და პასუხების შემცირების შაბლონებს, რათა შესთავაზოს შესვენებები კოგნიტურ გადატვირთვამდე.
3. გრძელვადიანი დრიფტის გამოვლენა
კოგნიტური დრიფტის ინდექსი (CDI) ადარებს ადრეულ და ბოლო ყოველკვირეულ შაბლონებს, რათა აღმოაჩინოს თანდათანობითი შემცირება, რომელსაც სესიის დონის მეტრიკა ვერ ამჩნევს.
4. ნდობისა და მოტივაციის გაცნობიერება
აღმოაჩენს ზედმეტ ნდობას (ყველაფრის მიღება) და თავიდან აცილების მოტივაციას (AI-ის გამოყენება აზროვნებისგან თავის დასაღწევად) — კოგნიტური დამოკიდებულების ორ უძლიერეს პროგნოზორს.
ადაპტური კოგნიტური პროფილები
ქულები გლუვდება ექსპონენციალური მოძრავი საშუალოს გამოყენებით ადაპტური ალფათი. ახალი მომხმარებლების პროფილები სწრაფად ყალიბდება, ხოლო დამკვიდრებული მომხმარებლების პროფილები სტაბილურია და მდგრადია ანომალიების მიმართ. ერთი ცუდი შეტყობინება არ დაამახინჯებს კარგად დამკვიდრებულ კოგნიტურ პროფილს.
// ალფა მცირდება, რადგან უფრო მეტი შეტყობინებაა გაანალიზებული
α = max(0.02, 0.1 / log₁₀(total_messages + 10))
| შეტყობინებები | ალფა (α) | ეფექტი |
|---|---|---|
| 1 (ახალი მომხმარებელი) | ~10% | პროფილი სწრაფად ყალიბდება, რეაგირებს ადრეულ შაბლონებზე |
| 50 | ~6% | მკვიდრდება, ზომიერად სტაბილური |
| 100 | ~5% | კარგად დამკვიდრებული, მდგრადია ანომალიების მიმართ |
| 500+ | ~4% | სტაბილური — გრძელვადიანი დრიფტის გამოვლენა იწყება |
| 5000+ | 2% (მინ) | ძალიან სტაბილური, ცვლილებისთვის საჭიროა თანმიმდევრული ცვლა |
პროგრესული სკაფოლდინგი
ვიგოტსკის პროქსიმალური განვითარების ზონის საფუძველზე, Lucid თანდათან ამცირებს AI მხარდაჭერას მომხმარებლების ზრდასთან ერთად. სკაფოლდინგის დონე განისაზღვრება ავტონომიის, სწავლისა და მეტაკოგნიციის ქულებით — მეტაკოგნიცია მზაობის უძლიერესი სიგნალია.
ნაბიჯ-ნაბიჯ მითითებები, გაგების შემოწმება ყოველ ნაბიჯზე
სტრუქტურირებული მინიშნებები, წამყვანი კითხვები, ნაწილობრივი გადაწყვეტილებები
მინიმალური მინიშნებები, მომხმარებელს მიეცით საშუალება, წარმართოს და დაადასტუროს მიმართულება
სოკრატული დიალოგი, საზღვრების გადალახვა, უფრო რთული პრობლემების შეთავაზება
ასაკობრივი დაცვა
25 წლამდე მომხმარებლები იღებენ უფრო მკაცრ ზღვრებს პრეფრონტალური ქერქის მომწიფების კვლევის საფუძველზე. განვითარებადი ტვინის გაზრდილი ნეიროპლასტიურობა მას უფრო ადაპტირებულს და უფრო მოწყვლადს ხდის.
ზრდასრულები (25+)
- სესიის ლიმიტი: 45 წთ
- შეტყობინებების ლიმიტი: 30/სესია
- სტანდარტული მითითებები
25 წლამდე
- სესიის ლიმიტი: 30 წთ
- შეტყობინებების ლიმიტი: 20/სესია
- ყოველთვის ჩართული სწავლების პირველადი მიდგომა
სწრაფი დაწყება
ჩასაშენებელი SDK. მუშაობს ნებისმიერ OpenAI-თან თავსებად პროვაიდერთან baseURL-ის საშუალებით.
// Install
npm install @tetiai/lucid
// Track each exchange (fire-and-forget)
lucid.track(userId, {
userMessage: "Write the code for me",
aiResponse: "Sure, here's the implementation...",
topicId: "conversation-123",
}).catch(console.error)"
// Inject guidelines into your AI system prompt
const guidelines = await lucid.getGuidelines(userId);
systemPrompt += guidelines;
მოქნილი საცავი და ანალიზატორები
MemoryStore
devდეველოპმენტი/ტესტირება — ნულოვანი კონფიგურაცია, მეხსიერებაში
PrismaStore
prodწარმოება — PostgreSQL, MySQL, SQLite, MongoDB
RedisStore
prodგანაწილებული განლაგება, გაზიარებული სესიები
LLM ანალიზატორი იყენებს OpenAI SDK-ს, როგორც უნივერსალურ კლიენტს — მუშაობს Together AI-სთან, Groq-თან, Ollama-სთან, OpenRouter-თან და ნებისმიერ თავსებად პროვაიდერთან baseURL-ის საშუალებით. იაფი, სწრაფი მოდელები (Llama 3.1 8B, Gemini Flash) შესანიშნავად მუშაობს — არ არის საჭირო სასაზღვრო მოდელები.
ფილოსოფია
არა მოსამართლე
არ არის „კარგი“ ან „ცუდი“ ქულები. სისტემა ადაპტირდება და არ აფასებს.
ნაგულისხმევად უხილავი
მომხმარებლები ვერ ხედავენ ქულებს, თუ თქვენ არ აჩვენებთ მათ.
პირველ რიგში კონფიდენციალურობა
მხოლოდ აგრეგირებული მეტრიკა, არასოდეს შეტყობინების შინაარსი.
GDPR მზადყოფნა
deleteUser() მონაცემების სრული წაშლისთვის მოთხოვნის საფუძველზე.
×Teti AILucid არის Teti-ის კოგნიტური დაცვის ძრავა
Teti AI-ში ყველა საუბარი გაანალიზებულია Lucid-ის მიერ ფონზე. თქვენი კოგნიტური პროფილი დროთა განმავლობაში ადაპტირდება და AI-ის ქცევა შესაბამისად იცვლება — უფრო მეტ კითხვას სვამს, როდესაც დელეგირებთ, უფრო მეტად გიბიძგებთ, როდესაც წარმატებას აღწევთ და შესვენებებს გთავაზობთ, როდესაც დაღლილობა იწყება.