ae白皮书
该存储库包含AEGNTIC项目的两个基础文本：
- 通过Aegntic AI进行计算放大 (
computational-amplification-whitepaper.pdf)--一个实用的框架，用于协调具有可衡量投资回报率的并行代理开发。\
文件：计算放大白皮书.pdf
- Aegntic白皮书通知 (
Aegntic Whitepaper Notice.pdf)——“AEGNT：进化生成神经阈值的算法”背后的语言/本体论理论基础\
文件： aegntic-whitepar-notice.pdf
______________________________________________________________________
太长，读不下去了
- 核心原则： “计算能力=工程成功。”智能编排将原始计算转化为非线性生产力的提高。
- 放大堆栈（L1→L5): 单一代理人→ 平行代理→ *孤立的* 平行分支→ 自动最佳品种选择→ 无限的学习循环。
- 三文件夹系统：
IDocs（持久知识），Specs（规划/架构），.cloud（可重用资产）以复合团队学习。 - MCP服务器： Docker、GitHub/FS、数据库/API和浏览器自动化的标准化操作界面——解锁更丰富、可验证的代理行为。
- 安全与质量保证： 循环/并行性的硬限制，多标准评估（正确性、性能、安全性、可维护性、创新性）。
- 经济案例： 记录了代理模式和并行工作树的生产力/ROI增量。
- 本体： “AEGNT”将所谓的“AI”重新定义为生成 *新阈值* 理解（不仅仅是自动化）。
______________________________________________________________________
论文
- 通过Aegntic AI进行计算放大\
./computational-amplification-whitepaper.pdf 计算放大白皮书.pdf
亮点：放大方程；通过Git工作树并行/隔离分支；无限代理循环；MCP集成；安全栏杆；经验投资回报率。
- Aegntic白皮书通知\
./aegntic-whitepaper-notice.pdf aegntic-whitepar-notice.pdf
亮点：“AEGNT：算法进化生成神经阈值”，语言精度，以及用更准确的本体取代“人工智能”的动机。
______________________________________________________________________
关键概念
- “计算能力=工程成功。” 核心杠杆是编排——将计算转化为指数而非线性的输出。
- 放大堆栈：
1. 单剂→ 2) 平行代理→ 3) *孤立的* 并行代理（Git工作树）→ 4) 智能选择→ 5) 无限的学习循环。
- 三文件夹系统：
IDocs,Specs,.cloud将跨项目和时间的学习制度化。 - 模型上下文协议（MCP）： 工具（Docker、GitHub/FS）、数据、API和浏览器的一致接口，支持可验证的代理操作。
- 安全与治理： 迭代/并行、评估管道和人在环审查的资源上限。
- AEGNT本体： *进化生成神经阈值算法*--关于如何构建这一领域的语言更正和意图陈述。
______________________________________________________________________
如何引用
通过Aegntic AI进行计算放大 --库珀，M.（2025）。版本1.0。CC-BY-SA 4.0。\ Aegntic白皮书通知 --库珀，M.（2025）。“AEGNT”的语言/本体上下文
注：计算放大论文发布于 知识共享CC-BY-SA 4.0 （归因+分享相同）。请在引用或混音时适当归因。
______________________________________________________________________
许可证
- 计算放大: CC-BY-SA 4.0 （见页脚）。
- Aegntic白皮书通知：有关归因的详细信息，请参阅文档。
______________________________________________________________________
联系
- Aegntic基金会 --PDF中包含的联系方式。
- 作者 马塔·库珀 （首席人工智能系统完整性研究员）。
______________________________________________________________________
相关
- ae协同系统 --AEGNTIC用于代理开发的开源生态系统（文档/编排/MCP）