Ahkerat Mehiläiset

Suurin osa AI-järjestelmistä tekee saman virheen.

Ne kysyvät ensin kielimallilta ja toivovat, että vastaus kuulostaa oikealta.

Luonto ratkaisi tämän ongelman jo miljoonia vuosia sitten.

Mehiläispesässä löydös ei muutu päätökseksi siksi, että yksi toimija niin sanoo. Tiedustelija palaa pesään ja tanssii kahdeksikkomaisen reitin hunajakennon pystypinnalla — suoran osion kulma kertoo suunnan, kesto etäisyyden, vilkkaus laadun. Mutta tanssi ei ole yksinpuhelu. Kokeneemmat sisarukset seuraavat tanssijaa, koskettavat sitä tuntosarvillaan ja antavat palautetta reaaliajassa. Stop-signaali voi katkaista tanssin kokonaan. Vasta kun viesti kestää yhteisön tarkastelun, syntyy reitti, johon kannattaa sitoutua.

WaggleDance on rakennettu tämän logiikan päälle.

Se ei anna ongelmaa suoraan LLM:lle. Se ohjaa sen ensin oikealle solverille, tarkistaa tuloksen useiden agenttien kautta ja käyttää kielimallia vasta silloin, kun siitä on oikeasti hyötyä. Jokaisesta vaiheesta jää auditoitava jälki. Jokainen ratkaisu on perusteltavissa. Jokainen sykli kasvattaa järjestelmän omaa osaamista.

Kahdeksikkotanssi kääntyi algoritmiseksi reititykseksi. Hunajakenno kääntyi MAGMA-muistiarkkitehtuuriksi. Ja mehiläisten yölepo kääntyi Dream Modeksi — simulaatioksi, jossa järjestelmä käy läpi päivän epäonnistumiset, testaa tuhansia vaihtoehtoisia polkuja ja palaa aamulla viisaampana.

Tämä ei ole metafora. Tämä on arkkitehtuuri kollektiiviselle koneälylle.

Clone & Run

Lataa, forkkaa ja aja paikallisesti heti. Koko repo on saatavilla GitHubissa ilman rekisteröitymistä.

Lisenssimalli: Apache 2.0 + BUSL 1.1 (open core + source-available protected modules). Tarkista käyttöehdot GitHubista.
BUSL-moduulien muutospäivä: 18.3.2030.

v3.5.4 Viimeisin julkaisu 2026-04-06
451+ Committia
5 085 Full pytestiä (v3.5.4)
4 Käyttöönottoprofiilia

Miksi tämä on erilainen

AI joka ei arvaa

Solverit menevät ensin. Verifier tarkistaa. LLM tulee mukaan vasta kun oikea ratkaisija ei riitä.

AI joka muistaa kaiken

MAGMA tallentaa päätökset, lähteet, replayn ja luottamuspisteet. Näet mitä tapahtui, miksi ja missä järjestyksessä.

AI joka oppii yöllä

Dream Mode käy läpi epäonnistumiset, simuloi parempia reittejä ja kasvattaa seuraavaan päivään parempia malleja.

AI joka näyttää tilansa

Hologram Brain tekee 32 solmun tilan näkyväksi livenä. Et katso mustaa laatikkoa vaan toimivaa järjestelmää.

AI joka pysyy verkossasi

Kaikki pyörii omassa ympäristössä. Ei pakollista pilveä, ei promptidataa ulos, ei SaaS-riippuvuutta.

AI joka skaalautuu

Sama koodikanta toimii Raspberry Pi:sta tehdasprofiiliin. Ei pelkkä demo, ei pelkkä framework.

Käyttöönottoprofiilit — sama runtime, neljä profiilia

Laite GADGET

RPi, edge, sensori

Mökki COTTAGE

Offline, satunnainen yhteys

Koti HOME

Paikallinen automaatio

Tehdas FACTORY

Monitorointi, anomaliat, audit

Dashboard ja Hologram Brain ovat käytettävissä heti käynnistyksen jälkeen. Ensimmäisen vastauksen nopeus riippuu profiilista, laitteistosta ja siitä, käytetäänkö täyttä vai stub-tilaa.

Mitä tapahtuu kun klikkaat “Analysoi repositorio”?

1

Prompti lähetetään suoraan Grokille — ja kopioidaan leikepöydälle varmuudeksi

2

Grok avautuu uuteen välilehteen valmiilla promptilla

3

Saat kattavan suomenkielisen analyysin reposta, pisteytetyn kilpailijavertailun ja tehdaskäyttöarvion

Jos esitäyttö ei toimi, liitä manuaalisesti — prompti on jo leikepöydälläsi.

Voit käyttää samaa promptia myös Claudessa, ChatGPT:ssä tai muussa LLM:ssä. Grok on tämän sivun oletusvalinta.

Mitä Grok analysoi

Kun klikkaat “Analysoi repositorio”, tekoäly suorittaa syvällisen analyysin, joka kattaa:

1
Koodikannan nykytila

Päähaara, arkkitehtuuri, moduulit ja viimeisimmät commitit

2
README vs. todellisuus

Mikä on toteutettu vs. mikä on suunniteltua tai tavoitteellista

3
Testit ja kypsyys

Testikattavuus, käytännön kypsyys ja tuotantovalmius

4
Hologram Brain ja MAGMA

Muistimalli, auditointiarkkitehtuuri, provenienssi ja luottamusmekaniikat

5
Kilpailijavertailu

Pisteytetty 1–10 kuudella akselilla vs Home Assistant, Node-RED, n8n, Open WebUI, LangGraph, AutoGen, CrewAI, Ollama

6
Tehdaskäyttöönottoarviointi

Teolliset käyttötapaukset, riskit, puuttuvat integraatiot, käyttöönoton esteet

Jatko-Grok-promptit

Klikkaa promptia kopioidaksesi sen. Liitä Grok-istuntoosi syvempää tutkimista varten.

Miten kytken WaggleDancen?

Valitse profiili ja saat Grokilta räätälöidyn käyttöönotto-ohjeen.

Miten WaggleDance vertautuu

Jokainen alla oleva työkalu on hyvä omassa tehtävässään. Vertailun tarkoitus on näyttää, miten WaggleDancen solver-first-arkkitehtuuri eroaa — ei väittää muiden olevan huonoja.

vs. Home Assistant

  • HA: Deterministiset säännöt ja automaatiot, mutta ei solver-pohjaista reititystä ennen LLM:ää.
  • WD: Solver-ensin reititys (7+ determinististä solveria) → verifier → LLM vasta fallbackina. Jokainen päätös auditoitava MAGMA-jäljellä.
  • HA: Ei autonomista mallikoulutusta, ei yöoppimista.
  • WD: 8 sklearn-specialist-mallia + Dream Mode -yöoppiminen canary-lifecyclellä.
  • HA:n etu: erinomainen integraatioekosysteemi (2000+ integraatiota).

vs. LangGraph

  • LG: Graph-pohjainen multi-agent, mutta LLM-keskeinen — kaikki kulkee LLM:n kautta.
  • WD: Solver-ensin. LLM on Layer 1 (viimeinen), ei Layer 3 (ensimmäinen).
  • LG: Ei append-only auditointia, ei canary-mallikoulutusta, ei dream mode -simulaatiota.
  • WD: MAGMA 5-kerroksinen provenienssi + 8 specialist-mallia + counterfactual-simulaatiot.
  • LG:n etu: vahvempi cloud-ekosysteemi ja dokumentaatio.

vs. AutoGen / CrewAI

  • AG/CA: Multi-agent-kehyksiä, mutta ilman deterministisiä solvereita.
  • WD: 7+ determinististä solveria reititetään ENNEN yhtäkään LLM-kutsua.
  • AG/CA: Ei edge/tehdas-profiileja, ei offline-first-arkkitehtuuria.
  • WD: 4 profiilia (GADGET → FACTORY), toimii täysin offline, ESP32:sta DGX:ään.
  • AG/CA: Ei autonomista yöoppimista tai canary-promotiota.

vs. Ollama / LocalAI

  • Ollama: Paikallinen LLM-moottori, ei mitään päätöksentekoarkkitehtuuria.
  • WD: Käyttää Ollamaa yhtenä komponenttina (Layer 1 fallback), mutta rakentaa päälle solver-reitityksen, MAGMA-auditoinnin, specialist-mallit ja dream moden.
  • Ollama on moottori. WaggleDance on koko auto.

vs. n8n / Node-RED

  • n8n/NR: Visuaalisia workflow-automaatiotyökaluja, erinomaisia flow-editoreita.
  • WD: Ei visuaalinen flow-editori vaan autonominen moniagenttiruntime joka oppii ja paranee.
  • n8n/NR: Ei sklearn-malleja, ei append-only provenancea, ei counterfactual-simulaatiota.
  • WD: 8 mallia + 9 SQLite-kantaa + ChromaDB/FAISS + Dream Mode.

Käyttöönotto — WD:n etu

  • Docker: clone → docker compose up -d — Ollama, Voikko (suomi-NLP) ja sovellus kaikki samassa.
  • Ei erillisiä manuaalisia asennuksia Docker-käytössä.
  • 4 profiilia automaattisella hardware-detektiolla (GADGET / COTTAGE / HOME / FACTORY).

Aikaevoluutio — WD:n ratkaiseva etu KAIKKIA kilpailijoita vastaan

Yksikään kilpailija ei parane autonomisesti ajan myötä. WaggleDance on ainoa joka rakentaa kumulatiivista osaamista.

AjanhetkiWaggleDanceHome AssistantLangGraphAutoGen/CrewAINode-RED/n8nOllama
Päivä 1LLM-fallback ~30-50 %, solverit opettelevatSama kuin ainaSama kuin ainaSama kuin ainaSama kuin ainaSama kuin aina
Kk 1HotCache täyttyy, LLM ~20-30 %, ensimmäiset canary-promotiotEi muutostaEi muutostaEi muutostaEi muutostaEi muutosta
Kk 6LLM ~10-15 %, specialistit kypsyvät, ~180 yötä Dream ModeaEi muutostaEi muutostaEi muutostaEi muutostaEi muutosta
Vuosi 1LLM ~5-8 %, MAGMA tuhansia auditoituja polkujaEi muutostaEi muutostaEi muutostaEi muutostaEi muutosta
Vuosi 2LLM <3-5 %, >95 % deterministisiä, TCO murto-osa päivästä 1Ei muutostaEi muutostaEi muutostaEi muutostaEi muutosta

Kilpailijoiden sarake on tyhjä kaikkialla paitsi päivänä 1. Ne eivät opi. Ne eivät parane. Ne ovat päivänä 730 täsmälleen samat kuin päivänä 1.

Rehellinen pisteytys — päivä 1 vs. vuosi 2

KategoriaPäivä 1Vuosi 2Perustelu
Solver-ensin99Router ei vielä opi dynaamisesti painoja reaaliajassa
Specialist-mallit89Päivä 1: perusmallit. Vuosi 2: sadat canary-syklit, domain-kypsät
Auditoitavuus9109 SQLite + ChromaDB + FAISS. Vuosi 2: massiivinen todistettu polkudata
Yöoppiminen79Päivä 1: data kertyy. Vuosi 2: ~700 yötä simulaatioita
Tehdaskäyttö77Helm/K8s, OPC-UA/Modbus puuttuu (ei muutu ajalla)
Aikaevoluutio710Ainoa järjestelmä joka paranee autonomisesti. Kaikki kilpailijat: 0/10.
Yhteensä~47/60~54/60

Usein kysytyt kysymykset

Onko WaggleDance Swarm AI ilmainen?

Kyllä. Lataa ja aja heti. Apache 2.0 -osat ovat vapaasti käytettävissä. BUSL-suojattujen moduulien henkilökohtainen ei-kaupallinen käyttö on sallittu. Kaupallisessa käytössä tarkista lisenssiehdot GitHubista.

Vaatiiko se internet-yhteyttä?

Ei. WaggleDance on suunniteltu toimimaan täysin offline-tilassa paikallisella laitteistolla. Internet tarvitaan vain alkuasennukseen ja päivityksiin.

Mitä laitteistoa tarvitaan?

Minimi: Raspberry Pi 4 tai vastaava (GADGET-profiili). Suositeltu: moderni x86-palvelin moniagenttiorkestrointiin (FACTORY-profiili).

Miksi juuri Grok analyysiin?

Saat nopeasti toisen teknisen näkemyksen julkisesta reposta, dokumentaatiosta ja kilpailijakentästä. Voit käyttää samaa promptia myös Claudessa, ChatGPT:ssä tai muussa LLM:ssä.

Mikä on MAGMA?

Auditointi- ja provenienssikehys. Jokainen agenttipäätös kirjataan niin, että saat jäljitettävyyden, replayn ja luottamuksen arvioinnin näkyviin.

Mikä on Dream Mode?

Yöoppimistila jossa järjestelmä käy läpi päivän epäonnistumiset, simuloi parempia reittejä ja kasvattaa seuraavaan päivään parempia malleja — automaattisesti ilman käyttäjän toimia.

Mitä tapahtuu ensimmäisen käynnistyksen jälkeen?

Dashboard ja Hologram Brain ovat käytettävissä heti. Ensimmäisen vastauksen nopeus riippuu profiilista ja laitteistosta.