Recursive Intelligence
MARIA OSが再帰的自己改善をどう実装するか — チャット駆動学習からディープリフレクションループまで。
チャットは生成しない。 チャットは改善する。
出力は監査され、結果は内部状態にフィードバックされ、次の判断構造が変化する。これが構造的再帰である。
品質ループパイプライン
品質状態更新
α: 改善学習率。β: ドリフト抑制係数。品質は偏差を抑制しながらTargetに収束する。
内部状態マシン
収束条件
ダッシュボード指標
人間は感覚で評価する。MARIA OSは構造で評価する。
実際にユーザーに何が変わるのか
ワンショットのチャット応答から、エビデンス監査と再評価を内蔵した再帰チャットへ。出力だけでなく、次の判断構造そのものが更新される。
Before: シングルパスチャット
[Output]
矛盾監査なしで回答ドラフトが出力される。
[Evidence]
引用が乏しく、トレーサビリティが弱く、手作業の修正が必要。
After: 再帰監査チャット
[Loop]
出力 → 監査 → 差分チェック → 書き換え → 再検証。
[State Update]
失敗パターンが永続化され、次の判断で重み付けされる。
エージェントチームランタイムイメージ
プランナー
仮説ツリーとアクション構造を構築する。
クリティック
矛盾、ドリフト、根拠のない主張を発見する。
検証者
エビデンスの整合性とゲートの準拠を確認する。
観測テレメトリ（チャット層）
完了タスク比率 / ジョブ
+28.6ptアクショントレース密度 / ジョブ
+27.2%永続化アーティファクト / ジョブ
+50.0%納品ゲートブロック率
-100ptソース: artifacts/run-to-done/job_*.json (26ジョブ, 2026-02-13〜2026-02-14 UTC)。Before=waiting_approvalコホート (n=13), After=completedコホート (n=13)。
ユニバースは単に拡張しない。 安定しながら進化する。
アーティファクトが監査され、構造的ギャップが検出され、ポリシーが改修・再デプロイされる。品質とガバナンスがサイクルごとに改善される。
生産ループパイプライン
アーティファクト品質更新
γ: ガバナンス強度。λ: 学習効率。コンプライアンスがリスクを上回ると品質が向上し、インサイトによって加速される。
安定性条件
進化ダッシュボード
チャット + ユニバース =
生成AI → Judgment OS
チャットは出力を改善する。ユニバースは構造を改善する。両者が合わさりJudgment OSになる。
再帰的自己改善のインパクトを可視化する
ユニバース層では、アーティファクト監査とポリシー再設計が継続的に実行され、品質とガバナンスが同時に向上する。変更はログに記録され、次のサイクルの構造に反映される。
ガバナンスコントロールルームイメージ
検出
監査エンジンがポリシーと構造のギャップをフラグ付け。
改修
ルールと責任ゲートが書き換えられる。
検証
リプレイテストが回帰とコンプライアンスを検証。
デプロイ
承認済みポリシーセットがランタイムに昇格。
構造的意味
1. 出力の修正だけでなく、意思決定ルール自体を更新する。
2. エラーを記録し、次の設計・人員配置・ゲート判断に反映する。
3. 品質とガバナンスを同時に最適化する再帰サイクルを維持する。
観測テレメトリ（ユニバース層）
エビデンスアーカイブ完了率
+100pt納品ゲート承認率
+100pt承認待ちタスク率
-14.3ptジョブあたり完了タスク数
+50.0%ソース: artifacts/run-to-done/job_*.json (26ジョブ, 2026-02-13〜2026-02-14 UTC)。Before=waiting_approvalコホート (n=13), After=completedコホート (n=13)。
エージェントチームデプロイ例
設計エージェント
カバレッジ 92%
監査エージェント
検出率 88%
運用エージェント
復旧率 84%
短期記憶のパルスから関心を推定する。 重要なものだけを保存。必要なときだけ呼び出す。
記憶パイプライン
キーワードごとの関心スコア
freq: 出現回数。recency: 鮮度の重み。revisit: 不在後の再訪問。emotion: 強調との共起。noise: 一時的抑制。
関心ベクトル更新
関心ベクトルは重み付けされたキーワードスコアを蓄積し、各サイクルで再正規化される。
ゲート設計
保存ゲート
保存条件: 高い繰り返し、意思決定に影響、または高い再利用価値がある場合のみ。生ログ禁止 — 要約のみ。
呼び出しゲート
常時オンは禁止。必要なときだけ検索。自然な会話の流れを保持。
記憶保存ゲート — YAML
gate_engine:
name: "memory-save-gate"
defaults:
fail_closed: true
store_mode: "summary_only"
pii_policy: "block"
rules:
- id: "MS-01-block-pii"
if: { signal: "contains_pii", value: true }
then: { action: "deny" }
- id: "MS-02-allow-stable-preference"
if: { freq: ">= 3", revisit: ">= 1" }
then:
action: "allow"
store: { format: "canonical_summary" }
- id: "MS-05-require-user-consent"
if: { sensitivity: "high", emotion: ">= 0.7" }
then: { action: "ask_user" }
- id: "MS-06-fallback-deny"
then: { action: "deny", reason: "Fail-closed" }短期パルスから関心を推定。重要なものだけ保存。必要なときだけ呼び出す。
頻出テーマから潜在意図へ。 価値の矛盾を検出。仮説を生成。エビデンスで検証。
リフレクションパイプライン
潜在仮説フォーマット
仮説スコアリング
support: 会話からのエビデンス。predictability: 次の発話の予測能力。stability: 時間経過に対するロバスト性。intrusiveness: 過度な介入のリスク。
安全設計
プライバシーゲート
ユーザーは望まない深堀りを停止可能。深度レベルは段階的。
説明可能性ゲート
仮説の根拠が要約できない場合、その仮説は提示されない。
対話ルール
直接断定しない。仮説として提示し、確認の質問で検証する。
Question: 「守りたいのは結果ですか、それとも関わる人々ですか？」
緊張を検出し、エビデンスから仮説を生成し、対話で検証する。会話が進むほど意図が明確になる。
短期パルスからディープダイブを自動トリガー。
12の観測シグナル、3段階の侵襲性レベル。仮説はエビデンスで検証。会話の自然さは決して損なわない。
| ID | シグナル | 条件 | Lvl | アクション |
|---|---|---|---|---|
| TD-01 | 頻度 | 同一キーワードがNターンで3回以上 | L1 | 要約 + 関心の言語化 |
| TD-02 | 再訪問 | 不在後にトピックが戻る | L2 | 仮説2つ提示 + 確認 |
| TD-03 | スパイク | 出現率が2倍に増加 | L2 | ディープダイブ候補を提案 |
| TD-04 | 共起クラスタ | キーワードクラスタが繰り返される | L2 | テーマ命名 + 構造化Q |
| TD-05 | 強調 | 断定的/強調的な共起 | L2 | 価値観または恐れを確認 |
| TD-06 | 感情変化 | 極性変化または高振幅 | L3 | 安全確認 + ペース調整 |
| TD-07 | 未解決質問 | 前の質問が未解決のまま | L3 | 提示 + 順序提案 |
| TD-08 | 価値矛盾 | Aと言いながらBを選択 | L3 | 矛盾仮説 + 優先順位Q |
| TD-09 | 固定用語 | 固有名詞が持続 | L1 | 定義の確定 + 用語集 |
| TD-10 | 回避 | トピックの繰り返し回避 | L2 | 周辺探索 |
| TD-11 | 意思決定接近 | 「決定」「次へ」が増加 | L2 | 意思決定フレーム + 選択肢 |
| TD-12 | 高再利用価値 | 手順/基準の会話 | L1 | テンプレート提案 + 保存 |
L1 — 低侵襲性
要約、関心の言語化、選択肢の提示。会話の流れを乱さない。
L2 — 中侵襲性
複数の仮説を提示し、質問で検証。テーマを命名する。
L3 — 高侵襲性
価値の矛盾、恐れ、制約、目指す将来像。同意が必要。
短期パルスからディープダイブを自動トリガー。仮説はエビデンスで検証、会話の流れを決して壊さない。
ディープダイブは画一的ではない。 ユーザーに合わせて深度と表現を適応。
ユーザーモデル — 4軸（KICS）
ユーザーモデル更新
ρ: 適応率（0.1〜0.25）。x_t: 最新の会話ターンからの観測ベクトル。固定されない — 継続的に更新。
ディープダイブ強度
シグモイド有界の強度。高い関心 + 緊張 = より深い探索。高い侵襲性リスク = 抑制。L1/L2/L3にマッピング。
テンプレート選択 — 最適効用
Alignment: 関心ベクトルとの一致。Learning: 意図の明確化。Safety: 侵襲性の範囲内。Friction: 押しつけがましさのペナルティ。
テンプレートセレクター — YAML
deep_dive_engine:
name: "adaptive-deep-dive"
defaults:
fail_closed: true
require_consent_level: 3
math:
deep_dive_intensity:
formula: "sigmoid(a1*I + a2*tension
+ a3*decision_proximity
- a4*intrusiveness_risk)"
readability_target:
formula: "r0 + r1*(1-K) + r2*(1-C)"
templates:
- id: "T-A-simple"
when: "K <= 0.45"
parts: [mirror, summary, hypothesis, Q]
- id: "T-B-structured"
when: "C >= 0.55 and tension >= 0.45"
parts: [mirror, structure, conflict, Q]
- id: "T-C-sensitive"
when: "emotion >= 0.70"
parts: [safety_check, soft_summary, Q]適応的重み更新
y_t: 観測されたユーザー応答品質。ŷ_t: 期待される応答。η: 学習率。重みはセッションを通じて最適なテンプレート選択に収束。
ディープダイブは画一的ではない。深度と表現はユーザーに自動最適化。安全ゲートが侵襲性を制御。
エンドツーエンドパイプライン。 短期パルスから適応型ディープダイブまで、クローズドループ。
10ステップ実行フロー
会話が積み重なる。各セッションが次をより精緻にする。
呼び出しゲート — YAML
gate_engine:
name: "memory-recall-gate"
defaults:
fail_closed: true
recall_mode: "on_demand"
max_recall_items: 3
min_relevance: 0.62
pii_policy: "block"
triggers:
- id: "RG-01-explicit-request"
if: { signal: "explicit_memory_request" }
then: { action: "recall", max_items: 3 }
- id: "RG-02-project-continuation"
if: { project_continuation: true }
then: { action: "recall", mode: "project_card" }
- id: "RG-04-preference-needed"
if: { preference_needed: true }
then: { action: "recall", privacy: "strict" }
- id: "RG-06-smalltalk"
then: { action: "deny" }
math:
recall_necessity:
formula: "sigmoid(b1*explicit + b2*coref
+ b3*missing - b7*intrusiveness)"運用原則
短期パルス → ユーザーモデル → テンプレート選択 → 学習更新。エンドツーエンド、クローズドループ。会話のたびに精度が向上。