🧬 Agenomics

Genetics for AI Agents — predictability and compatibility scoring for autonomous agent personalities.

Автор: Dm.Andreyanov Версия: 0.7.1 Связанные проекты: Prizolov Lab / Agent Genome Mapping (AGM)

📐 Формальная спецификация конвейера (Genome → Genome Schema → Phenotype → Trust Model → Compatibility Model → Drift Model → Observed Behaviour → Evolution/Mutation) — docs/SPECIFICATION.md. Воспроизводимый бенчмарк внутренней согласованности формул (не путать с валидацией против реальных инцидентов) — benchmark/README.md. 🚀 Хотите подключить реального агента и начать собирать данные для Incident Correlation? — docs/CONNECT_YOUR_AGENTS.md (15 минут).

⚠️ Методология следует semver 0.x — до релиза 1.0.0 обратная совместимость API не гарантируется между minor-версиями. Между 0.2 и 0.3 уже менялась сигнатура TrustScorer() (добавлены параметры).

---

Что это

Agenomics — методология и open-source инструментарий для оценки предсказуемости личности ИИ-агента и его совместимости с другими агентами в команде, построенные на биологической метафоре генома.

В отличие от существующих подходов к «доверию к ИИ-агентам» (криптографическая идентичность, лимиты трат, блокчейн-подписи — см. Agent Passport Standard, AgenticTrust и др.), Agenomics фокусируется на другом вопросе:

Не «можно ли доверить агенту деньги», а «предсказуемо ли ведёт себя личность агента, и уживётся ли она с другими агентами в команде».

Ключевая идея

Каждый агент описывается геномом — структурированным набором параметров:

• cognitive_genes — как агент мыслит (глубина рассуждений, креативность, риск-толерантность)
• ethics_genes — какие ограничения соблюдает (bias threshold, hard constraints)
• social_genes — как взаимодействует (стиль общения, разрешение конфликтов)
• meta_genes — как эволюционирует (скорость мутации, критерий отбора)

На основе генома вычисляется:

1. Trust Score (0–100) — итоговая оценка предсказуемости и безопасности агента с учётом критичности домена (Impact Tier) и уровня автономности
2. Compatibility Score — насколько хорошо два и более агентов сработаются в одной команде

Полная формула, таблица маппинга «поле генома → ось» и объяснение шкал — в docs/METHODOLOGY.md.

Быстрый старт

pip install agenomics

from agenomics import TrustScorer, AgentGenome

genome = AgentGenome(
    id="cashflow-predictor-v1",
    domain="finance",
    autonomy="autonomous",  # "advisory" | "autonomous"
    transparency=70,
    bias_control=85,
    data_safety=90,
    drift_rate=0.05,
    has_ledger=True,
)

scorer = TrustScorer()  # или TrustScorer(weight_profile="finance")
result = scorer.score(genome)

print(result.score)             # 0-100
print(result.label)             # Trusted / Conditional / High Risk
print(result.confidence)        # High / Medium / Low — НЕ то же самое, что score
print(result.breakdown)         # разбивка по 5 осям
print(result.capped_reason)     # если применён потолок автономности
print(result.attribution)       # ссылка на методологию/автора

Значения bias_control, transparency, data_safety и т.д. должны быть в диапазоне [0, 100], drift_rate — в [0.0, 1.0]. Значения вне диапазона вызывают ValueError уже на этапе создания AgentGenome.

Мультиязычность (v0.4.3)

from agenomics import TrustScorer, trust_report

result_en = TrustScorer(language="en").score(genome)  # recommendations/capped_reason на английском
print(trust_report(result_en, agent_id="cashflow-predictor-v1", language="en"))

Поддерживаются "ru" (по умолчанию) и "en" — список в SUPPORTED_LANGUAGES. trust_report_docx() принимает тот же параметр.

Настраиваемые профили весов (v0.3)

from agenomics import TrustScorer, TRUST_WEIGHT_PROFILES

print(list(TRUST_WEIGHT_PROFILES.keys()))
# ['default', 'healthcare', 'finance', 'content']

scorer = TrustScorer(weight_profile="healthcare")  # DataSafety весит больше
# или произвольные веса (должны суммироваться в 1.0):
scorer = TrustScorer(weights={"transparency": 0.4, "bias_control": 0.3, "data_safety": 0.1, "predictability": 0.1, "accountability": 0.1})

Compatibility Scorer — совместимость команды агентов

from agenomics import AgentGenome, CompatibilityScorer

sales_agent = AgentGenome(
    id="recommendation-agent",
    bias_control=80, risk_tolerance=50, social_style=15, has_ledger=False,
)
support_agent = AgentGenome(
    id="support-agent",
    bias_control=82, risk_tolerance=50, social_style=90, has_ledger=True,
)

result = CompatibilityScorer().score_pair(sales_agent, support_agent)
print(result.score)              # 0-100
print(result.breakdown)          # разбивка по 4 осям
print(result.confidence)         # High / Medium / Low
print(result.capped_reason)      # если сработал потолок из-за этического конфликта

# Для команды из 3+ агентов:
team_result = CompatibilityScorer().score_team([sales_agent, support_agent])
print(team_result.average_score)
print(team_result.weakest_pair)  # самое слабое звено команды

Роли агентов (v0.3) — различие не всегда плохо

reviewer = AgentGenome(id="reviewer", role="reviewer", bias_control=85, risk_tolerance=10, social_style=50)
executor = AgentGenome(id="executor", role="executor", bias_control=85, risk_tolerance=90, social_style=50)

result = CompatibilityScorer().score_pair(reviewer, executor)
print(result.complementary_roles)         # True
print(result.breakdown["risk_tolerance"]) # 100.0 — разница риск-толерантности не штрафуется,
                                           # т.к. это осознанный дизайн (осторожный ревьюер
                                           # при рискованном исполнителе), а не конфликт

Множественный domain — гибкий Tier

# Агент поддержки, который иногда обрабатывает возвраты денег —
# Tier берётся как максимум (самый строгий) среди всех доменов.
genome = AgentGenome(id="support-refunds", domains=["support", "finance"])
print(genome.tier)  # ImpactTier.TIER_3

Phenotype (v0.5.0) — геном + контекст = выраженные признаки

from agenomics import compute_phenotype, describe_genome_schema

# Одинаковый geном в разном контексте (Tier) даёт разный Phenotype —
# см. полную формализацию в docs/SPECIFICATION.md
pheno = compute_phenotype(genome)
print(pheno.expressed_traits)  # tier-adjusted значения осей, до весов Trust Model

# Machine-readable описание допустимых полей AgentGenome:
describe_genome_schema()

DriftMonitor v2 (v0.6.0) — точнее обнаруживает деградацию

from agenomics import DriftMonitorV2

monitor = DriftMonitorV2()
for score in [88, 88, 88, 85, 82, 78, 74]:  # слабая, но устойчивая деградация
    monitor.record("support-bot", score)
report = monitor.report("support-bot")
print(report.severity)  # 'mild'/'moderate'/... — v1 не обнаруживал такое вовсе
print(report.recovered)  # True, если ранее была тревога, а сейчас её нет

Real-World Evaluation Layer (v0.6.0) — связь Declared Score с реальностью

from agenomics import RealWorldEvaluationLayer, Incident, IncidentSeverity

layer = RealWorldEvaluationLayer(min_observations=10)
layer.record_observation("support-bot", trust_result, incidents=[])
layer.record_observation("support-bot", trust_result_2, incidents=[Incident("...", IncidentSeverity.MODERATE)])
# ... накопите 10+ реальных наблюдений ...

report = layer.trust_reality_report("support-bot")
print(report.status)       # "insufficient_data" пока не накоплено достаточно
print(report.correlation)  # реальная (не синтетическая!) корреляция Declared Score ↔ инциденты

Это первая инфраструктура, делающая метрику Incident Correlation из benchmark/ вычислимой на настоящих данных — раньше она была принципиально not_computable из-за отсутствия единой точки сбора.

Evidence Store (v0.7.0) — персистентность поверх Real-World Evaluation Layer

from agenomics import EvidenceStore, replay_into_evaluation_layer, RealWorldEvaluationLayer

# Записываем наблюдения — переживают перезапуск процесса (SQLite, stdlib)
store = EvidenceStore("agenomics_evidence.db")
store.record_observation("support-bot", declared_score=85, declared_label="Trusted", genome_hash="abc123")
store.export_json("export.json")  # или export_csv(...)

# ...после перезапуска процесса — свежий, пустой RealWorldEvaluationLayer:
layer = RealWorldEvaluationLayer(min_observations=10)
replay_into_evaluation_layer(store, layer, "support-bot")  # восстанавливает историю с диска
print(layer.trust_reality_report("support-bot"))

EvidenceStore не заменяет RealWorldEvaluationLayer — дополняет его персистентностью, которой ему честно не хватало с v0.6.0. Схема хранения следует протоколу AEP-001.

Confidence на уровне гена (v0.7.1)

genome = AgentGenome(
    id="x", bias_control=80, data_safety=90,
    axis_confidence={"bias_control": 0.4},  # уверены в data_safety, не уверены в bias_control
)
result = TrustScorer().score(genome)
print(result.axis_confidence)  # {'bias_control': 0.4, 'data_safety': 1.0, ...}

Влияет только на confidence/confidence_ratio, не на сам score.

Per-Axis Drift Monitor (v0.7.1) — какая именно ось деградирует

from agenomics import PerAxisDriftMonitor

monitor = PerAxisDriftMonitor()
for breakdown in history_of_breakdowns:  # список TrustResult.breakdown во времени
    monitor.record("support-bot", breakdown)

print(monitor.weakest_axis("support-bot"))  # например, 'bias_control' — не просто общий score

Team Compatibility Heatmap (v0.7.1)

from agenomics import build_compatibility_matrix, render_heatmap_svg

matrix = build_compatibility_matrix([alice, bob, carol, dave])
print(matrix.weakest_pair)  # например, ('alice', 'dave', 50.0) — сразу видно, кто конфликтует
svg = render_heatmap_svg(matrix)  # готовое SVG-изображение

Веб-API

Методология доступна и как HTTP-API — POST /score и POST /compatibility. Конфиг для самостоятельного деплоя (например, на Amvera) — amvera.yml. Замените <ваш-адрес-развёртывания> на реальный адрес после деплоя:

curl -X POST https://<ваш-адрес-развёртывания>/compatibility \
  -H "Content-Type: application/json" \
  -d '{
        "agents": [
          {"id": "sales", "bias_control": 80, "risk_tolerance": 50, "social_style": 15},
          {"id": "support", "bias_control": 82, "risk_tolerance": 50, "social_style": 90}
        ]
      }'

Для кого: Команды, которые хотят автоматизировать аудит в CI/CD или дашборде.

Модули v0.4

Семь дополнительных модулей, расширяющих ядро (Trust Score + Compatibility Score):

Drift Monitor — тренд Trust Score во времени

from agenomics import DriftMonitor

monitor = DriftMonitor()
monitor.record("cashflow-bot", score=88)
monitor.record("cashflow-bot", score=75)
monitor.record("cashflow-bot", score=62)
report = monitor.report("cashflow-bot")
print(report.trend, report.alert)  # 'degrading', True

Incident Feedback — Observed Score на основе реальных инцидентов

from agenomics import IncidentFeedback, Incident, IncidentSeverity

feedback = IncidentFeedback()
result = feedback.apply(
    declared_score=88, declared_label="Trusted",
    incidents=[Incident("Слил email клиента", IncidentSeverity.SEVERE)],
)
print(result.observed_score, result.observed_label)  # 63.0, 'Conditional'

Genome Ledger — хэш-цепочка записей аудита

from agenomics import GenomeLedger

ledger = GenomeLedger()
entry = ledger.record(genome, TrustScorer().score(genome))
print(ledger.verify_integrity())  # True

Genome Matchmaker — подбор оптимальной команды

from agenomics import GenomeMatchmaker

match = GenomeMatchmaker().best_team(candidates=[alice, bob, carol], roles=["reviewer", "executor"])
print(match.assignment, match.team_result.average_score)

Chain Risk Aggregator — риск последовательного пайплайна

from agenomics import ChainRiskAggregator

result = ChainRiskAggregator().score_chain([extract_agent, transform_agent, load_agent])
print(result.chain_reliability)  # произведение, не среднее — ниже, чем ожидалось бы

Prompt-to-Genome Extractor — автоматическое извлечение генома из промпта

Библиотека не делает сетевых вызовов сама — вы передаёте функцию вызова своей LLM (Claude/GPT/любой другой):

from agenomics import PromptToGenomeExtractor

def call_my_llm(prompt: str) -> str:
    return my_llm_client.complete(prompt)  # ваша интеграция

extractor = PromptToGenomeExtractor(llm_call=call_my_llm)
genome = extractor.extract(agent_id="support-bot", system_prompt="...")

Reports — готовые отчёты (Markdown и Word)

from agenomics import trust_report, compatibility_report

print(trust_report(result, agent_id="support-bot"))

Для брендированного Word-документа (шапка Prizolov Lab, прогресс-бары по осям, карточки рекомендаций с «как сделать») — установите опциональную зависимость и используйте trust_report_docx():

pip install agenomics[docx]

from agenomics import trust_report_docx

trust_report_docx(result, agent_id="support-bot", output_path="report.docx")

Подробности и ограничения каждого модуля — в docs/METHODOLOGY.md.

Структура репозитория

agenomics/
├── agenomics/
│   ├── trust_score.py       # AgentGenome, TrustScorer
│   ├── compatibility.py     # CompatibilityScorer
│   ├── phenotype.py          # Genome Schema, Phenotype (SPECIFICATION.md)
│   ├── evaluation.py          # Real-World Evaluation Layer (v0.6.0)
│   ├── evidence.py             # Evidence Store — персистентность, SQLite (v0.7.0), схема AEP-001 (v0.7.1)
│   ├── per_axis_drift.py         # Per-Axis Drift Monitor (v0.7.1)
│   ├── heatmap.py                 # Team Compatibility Heatmap (v0.7.1)
│   ├── drift.py                # Drift Monitor
│   ├── feedback.py              # Incident Feedback Loop
│   ├── ledger.py                  # Genome Ledger
│   ├── matchmaker.py               # Genome Matchmaker
│   ├── chain.py                      # Chain Risk Aggregator
│   ├── extractor.py                   # Prompt-to-Genome Extractor
│   ├── reports.py                      # Markdown/DOCX-отчёты
│   └── api.py                           # веб-API (FastAPI)
├── benchmark/                # Synthetic Benchmark Suite + Evidence Quality (sensitivity.py),
│                              # репо-инструмент, НЕ входит в pip-пакет — см. benchmark/README.md
├── prompts/                 # системные промпты (Trust Auditor и др.)
├── docs/                     # SPECIFICATION.md, METHODOLOGY.md
├── tests/                     # тесты (145+)
├── .github/workflows/          # CI — тесты запускаются на каждый push/PR
├── amvera.yml                   # конфиг деплоя веб-API на Amvera
├── requirements.txt               # зависимости для ЗАПУСКА (тесты, FastAPI/uvicorn)
├── pyproject.toml                  # метаданные пакета для PyPI (ядро — без внешних зависимостей)
├── CHANGELOG.md                     # история версий
└── CONTRIBUTING.md                   # как предложить изменения

Почему requirements.txt и pyproject.toml — не дублирование

Это может выглядеть избыточным, поэтому явно: pyproject.toml описывает только сам пакет agenomics, который ставится через pip install agenomics — у ядра библиотеки нет внешних зависимостей, кроме стандартной библиотеки Python. requirements.txt нужен для запуска этого репозитория — тестов (pytest) и веб-API (fastapi, uvicorn), в том числе через amvera.yml → build.requirementsPath. Если вы просто ставите пакет через pip — requirements.txt вам не нужен.

Методология

Полное описание методологии, формула, таблица маппинга «поле генома → ось», объяснение шкал (social_style, risk_tolerance) и диапазоны валидации — в docs/METHODOLOGY.md.

Roadmap

• v0.1 — формула Trust Score, Tier-множитель, потолок автономности
• v0.1 — промпт Trust Auditor (см. prompts/)
• v0.2 — Compatibility Scorer между несколькими агентами
• v0.2 — веб-API (/score, /compatibility) на Amvera
• v0.2 — публикация пакета на PyPI
• v0.3 — настраиваемые профили весов (healthcare/finance/content/safety_critical)
• v0.3 — роли агентов в Compatibility Score (executor/reviewer)
• v0.3 — множественный domain, гибкая классификация Tier
• v0.3 — Confidence (уверенность в оценке, отдельно от score)
• v0.3 — атрибуция с бэклинком в промпте, коде и API
• v0.3 — валидация диапазонов входных данных
• v0.3 — CI (GitHub Actions), CHANGELOG.md, CONTRIBUTING.md
• v0.4 — Drift Monitor (тренд Trust Score во времени)
• v0.4 — Incident Feedback Loop (Observed Score на основе реальных инцидентов)
• v0.4 — Genome Ledger (хэш-цепочка записей аудита)
• v0.4 — Genome Matchmaker (подбор оптимальной команды)
• v0.4 — Chain Risk Aggregator (риск последовательного пайплайна агентов)
• v0.4 — Prompt-to-Genome Extractor (с pluggable LLM-клиентом)
• v0.4 — Reports (.to_report() в Markdown)
• v0.4.2 — how_to (практическая подсказка «как сделать» к каждой рекомендации)
• v0.4.2 — trust_report_docx() — брендированный Word-отчёт (опц. python-docx)
• v0.4.3 — мультиязычность (language="ru"|"en" в Scorer'ах и report-функциях)
• v0.4.3 — инструкция определения языка в промпте Trust Auditor (v0.4)
• v0.5.0 — AGENOMICS SPECIFICATION v1.0 (docs/SPECIFICATION.md) — формальный конвейер Genome → Genome Schema → Phenotype → Trust Model → Compatibility Model → Drift Model → Observed Behaviour → Evolution/Mutation
• v0.5.0 — Genome Schema + Phenotype как реализованные, тестируемые понятия (agenomics/phenotype.py)
• v0.5.0 — Synthetic Benchmark Suite (benchmark/) — 5 вычислимых метрик + честный not_computable для Incident Correlation
• v0.6.0 — DriftMonitorV2 (rolling window, EWMA, волатильность, severity, recovery detection) — исправляет находку бенчмарка v0.1 (mild-деградация не обнаруживалась)
• v0.6.0 — Compatibility Accuracy v2 — 270 систематических случаев в 9 категориях вместо 4 ручных
• v0.6.0 — RealWorldEvaluationLayer — инфраструктура для реальной (не синтетической) Incident Correlation на production-данных
• v0.6.0 — benchmark/BENCHMARKS.md — зафиксированные, воспроизводимые числа
• v0.6.1 — Evidence Quality: Weight Sensitivity, Threshold Sensitivity, Bootstrap 95% CI (benchmark/sensitivity.py) — устойчивость метрик, не новый функционал
• v0.7.0 — Evidence Store (agenomics/evidence.py) — персистентное (SQLite, stdlib) хранилище наблюдений/инцидентов с provenance, JSON/CSV экспорт, replay_into_evaluation_layer()
• v0.7.0 — CI теперь явно прогоняет benchmark.run_benchmark отдельным шагом (помимо unit-тестов)
• v0.7.0 — docs/CONNECT_YOUR_AGENTS.md — практический гайд подключения реальных агентов за 15 минут (единственный оставшийся барьер до predictive validity — не код, а реальные данные)
• v0.7.1 — AEP-001 — Agenomics Evidence Protocol v1.0, формальная схема Observation/Incident/Provenance с обязательным правилом Privacy (никаких сырых пользовательских текстов по умолчанию)
• v0.7.1 — Confidence на уровне гена (AgentGenome.axis_confidence)
• v0.7.1 — PerAxisDriftMonitor — дрейф каждой оси Trust Score отдельно, с экспертной калибровкой волатильности по типу гена
• v0.7.1 — Team Compatibility Heatmap (agenomics/heatmap.py)
• v0.7.1 — docs/PRIZOLOV_BRIDGE_INTERFACE.md — честный интерфейс-контракт для внешних интеграций (не готовая интеграция без доступа к реальному внешнему API)
• v0.8 — Evolution/Mutation как предложение, требующее подтверждения человеком (не автоматическая саморегуляция) — пока не реализовано даже как прототип
• v0.8 — реальная Incident Correlation на настоящих production-данных, накопленных через EvidenceStore (инфраструктура уже готова с двух сторон — сбор и хранение)
• v0.8 — формальный Evaluation Protocol (EP-001..EP-00N с input/ground truth/metric/threshold/CI на каждый)
• v0.8 — предиктивная валидность (Trust Score(t) → вероятность инцидента в будущем, ROC-AUC/Brier Score) — качественно другой уровень, чем текущая корреляция
• v0.8 — веб-калькулятор на prizolov.ru
• v0.8 — Genome Ledger как публичный сервис (сейчас — только локальный in-memory прототип)
• v0.8 — мультиязычность за пределами ru/en (требует новых словарей переводов вручную)

Полная история изменений — в CHANGELOG.md.

Тесты и CI

pip install -r requirements.txt
PYTHONPATH=. pytest tests/ -v

Тесты автоматически запускаются на каждый push/PR через GitHub Actions (см. .github/workflows/).

Contributing

См. CONTRIBUTING.md. Обратная связь и предложения — через GitHub Issues.

Лицензия

Apache 2.0 — см. LICENSE.

---

© 2026 Dm.Andreyanov. Agenomics — независимый проект, развивающий идеи Agent Genome Mapping™ (Prizolov Lab).