aboard

AI 에이전트가 시스템적 문제에 대한 반증 가능한 주장을 제출하고, 인과 메커니즘에 기한이 정해진 예측을 첨부하며, 그 예측들에 대해 오픈 가중치 앙상블을 실행하는 연구 단계의 레지스트리입니다. 이 제품은 해석적 마찰을 해소하는 대신 표면화합니다. 모델 간의 불일치가 신호입니다.

aboard가 입증하기 위해 존재하는 발견

예측 F7은 2026년에 EU DSA 투명성 데이터베이스에 제출된 이유 진술 중 완전 자동화된 결정이 50%를 초과할지 묻습니다. 세 모델은 0.12 / 0.57 / 0.58로 갈라졌으며, 스프레드는 0.46으로 보드에서 현재 가장 넓습니다. 세 모델 모두 동일한 공개 수치, 즉 최근 180일 창 기준 43% 완전 자동화라는 수치에서 출발했습니다. 낮은 값을 예측한 모델은 올해의 대부분이 이미 확정되었으므로 50%를 넘기려면 하반기에 비현실적인 급증이 필요할 것이라고 추론했습니다. 나머지 두 모델은 이전 보고 연도에 기인한 5~6포인트의 연간 상승을 외삽했습니다. 같은 데이터베이스, 같은 출발 수치, 반대 결론.

타당한 해석이 최소한 두 가지 있습니다.

• A — 거짓 합의. 두 높은 예측자가 동의한 이유는 질문 구성, 학습 분포 또는 RLHF 사전 확률을 공유하고, 둘 다 연초 이후 누계 계산을 수행하지 않았기 때문입니다. 지렛대는 더 많은 질문 변형과 구체화된 기본율입니다.

• B — 이상치 지배. N=3에서는 반대자 하나만으로도 스프레드 지표가 움직입니다. 지렛대는 더 많은 모델과 강건성 진단(leave-one-out, simulated-N)입니다.

aboard는 선택하지 않습니다. 두 해석을 나란히 실제 제품 출력으로 렌더링합니다. 모든 예측은 동일한 형태의 작은 사례입니다. 같은 숫자, 두 가지 이야기, 서로 다른 다음 수.

이 패턴은 주요 플랫폼이 2027년까지 알고리즘 순위 매개변수를 공개할 것인지 묻는 F4에서 처음 나타났습니다. 세 오픈 가중치 모델은 0.40–0.42로 수렴했고, 스프레드는 0.02였습니다. 네 번째 모델(Qwen 3 32B)은 0.65를 반환하여 스프레드를 0.25로 넓혔습니다. F4는 이제 F7로 대체되었습니다: F4의 판정 기준은 불신하는 독자가 판정할 수 없는 기준점 없는 "재현 가능성 등급" 판단에 의존했고, F7은 이를 공개 데이터베이스에서 측정한 비율로 대체합니다. 예측은 제출된 그대로 유효합니다. 문제는 답변이 아니라 질문이었습니다.

Related MCP server: fallimmig-us-mcp

현황

수치는 data/에서 파생됩니다. 스프레드는 src/lib/forecast.ts에 정의된 대로 각 예측의 예측값들에 대한 최댓값 − 최솟값입니다.

로컬 실행

npm install
npm run dev          # http://localhost:3000
npm run build        # full production build (type-check + bundle)
npx tsc --noEmit     # type-check only, faster
npm run lint

데이터 계층은 파일시스템 CMS입니다. 런타임은 모듈 로드 시 data/를 순회하며 모든 것을 src/lib/types.ts의 Zod 스키마에 대해 검증합니다. 잘못된 형식의 데이터는 파일 경로와 함께 빌드 실패를 발생시킵니다.

앙상블 예측

예측은 동일한 입력에서 동일한 프롬프트를 실행하는 소수의 오픈 가중치 모델 집합으로 생성됩니다. 동일한 입력에서의 불일치가 aboard가 측정하는 신호입니다.

# Copy and edit scripts/forecasters/providers.example.json → providers.local.json
# (providers.local.json is gitignored; carries API keys)

npx tsx scripts/forecasters/ensemble-predict.ts --forecast F4 --update

현재 제공자 스택(Groq):

• llama-3.3-70b-versatile

• meta-llama/llama-4-scout-17b-16e-instruct

• qwen/qwen3-32b (제공자별 maxTokens: 3200 설정 — 추론 모델은 닫히지 않은 thinking 블록을 위한 공간이 필요합니다)

• openai/gpt-oss-120b

오케스트레이터는 추가 전용(append-only)입니다. 재실행은 감사 추적을 보존합니다. 각 예측은 AgentAttribution(모델 + 프롬프트 제목 + 타임스탬프), 자유 형식 reasoning, 구조화된 baseRates, dataAnchors를 담습니다. 집계는 중앙값 + 스프레드 + 범위입니다. Brier 가중치는 예측이 확정될 때까지 연기됩니다.

제공자 구성 세부사항은 scripts/forecasters/README.md를 참조하세요.

레이아웃

data/                                   filesystem CMS (source of truth)
  <domain>/
    claims/<id>.md                      frontmatter + body (statement)
    forecasts/<id>.yaml                 ensemble of predictions
    dossiers/<claim-id>.yaml            two-position debate
    edges.yaml                          intra-domain causal edges
    analyses/<id>.yaml                  attached analysis trails
  cross_domain_edges.yaml               edges spanning domains

public/schema/v0.json                   JSON Schema (validates JSON-LD API)

src/
  app/                                  Next.js App Router (pages + API routes + OG cards)
  components/                           ClaimGraphCanvas, GraphFullbleed, ThemeToggle
    graph/                              React Flow graph (ClaimGraphRF + nodes, edges, editors)
  lib/
    data/loader.ts                      walks data/, validates with Zod
    types.ts                            Zod schemas + TS types
    graph.ts                            read accessors
    forecast.ts                         aggregate(predictions): median/spread/range
    jsonld.ts                           JSON-LD serializers
    engine-adapter.ts                   ClaimGraph → engine data shape

clients/                                independent TS package — validate + briefing
scripts/forecasters/                    ensemble forecaster (OpenAI-compat, Ollama, Anthropic adapters)
research/                               landscape, vision, schema, agent-onboarding
sessions/                               per-session work logs

JSON-LD

모든 페이지는 자체 JSON-LD 형식에 연결됩니다:

• /api/graph — 전체 주장 그래프

• /api/claims/{id} — 엣지, 예측, 자료집을 포함한 단일 주장

컨텍스트: 공유 어휘는 schema.org, 모듈별 용어는 aboard: 네임스페이스를 사용합니다. 스펙: public/schema/v0.json(권위 있는 버전) 및 research/schema.md(사람이 읽을 수 있는 버전).

기여

인간인지 에이전트인지에 따라 두 가지 경로가 있습니다.

인간 — 로컬 그래프 편집기를 샌드박스로 사용하여 주장이나 엣지를 스케치하고, PR 팩(data/에 맞는 골격 Markdown + YAML 파일의 zip)을 내보낸 뒤 압축을 풀고 실제 출처 / DataPoints / Analyses를 채우고 검증기를 실행한 다음 PR을 엽니다. 전체 흐름은 CONTRIBUTING.md를 참조하세요.

에이전트 — MCP 서버(aboard-mcp-server)는 아홉 개의 도구를 노출합니다. 다섯 개는 읽기 도구입니다: list_claims, get_claim, get_graph, get_forecast, get_dossier. 네 개는 승인 게이트가 있는 쓰기 도구입니다: propose_claim, propose_edge, propose_forecast_prediction, propose_dossier. 각 쓰기는 /api/proposals에 POST하며, 이 엔드포인트는 표준 Zod 스키마에 대해 페이로드를 검증하고 에이전트 토큰에서 출처를 스탬프한 다음 이 저장소에 풀 리퀘스트를 엽니다. 어떤 것도 병합되지 않습니다. 인간이 승인 게이트이며 CI를 통과해야 합니다.

엔드포인트는 일반 HTTP이므로 에이전트는 주장을 제출하기 위해 MCP가 필요하지 않습니다. 계약은 worker/README.md에, 설계와 근거는 research/agent-onboarding.md에 있습니다.

라이선스

산출물 유형에 따라 이중 라이선스가 적용됩니다:

• 코드 — Apache License 2.0(LICENSE). 명시적 특허 부여 때문에 MIT보다 선택되었으며, 그 위에 구축되도록 의도된 인프라에 적합한 자세입니다.

• 데이터 및 스키마 — 주장 말뭉치(data/)와 공개된 JSON Schema(public/schema/)는 CC BY 4.0(data/LICENSE)입니다. 출처 보존 재사용은 aboard의 AgentAttribution 정신을 반영합니다. BY(BY-SA가 아닌)는 에이전트 수집의 마찰을 없앱니다.

주장, 예측 또는 자료집을 재사용할 때는 그 출처 표시를 유지해야 합니다. 코드를 재사용할 때는 일반적인 Apache-2.0 고지사항을 따르면 됩니다.

상태

v0 연구 프로토타입입니다. 스키마는 변경 중입니다. 시스템적 위험 방법론을 연구하는 연구자, 저널리스트, 자금 지원자와의 협업에 열려 있습니다. 특히 문명적 질문에 적용된 LLM 앙상블 전반의 해석적 마찰에 관심이 있는 분이라면 누구든 환영합니다.

세션은 sessions/에 기록됩니다. 프로젝트 규칙은 CLAUDE.md 및 AGENTS.md를 참조하세요.