Suomi English 中文 हिन्दी Español Français العربية বাংলা Português Русский 日本語 Deutsch 한국어 Türkçe Tiếng Việt Bahasa Indonesia ᚠᚢᚦᚨᚱᚲ 𓂩𓂁𓂣 𓉐 Italiano Kiswahili Nederlands Polski Українська ภาษาไทย فارسی اردو Bahasa Melayu ਪੰਜਾਬੀ עִבְרִית Esperanto संस्कृतम् Latina मराठी తెలుగు தமிழ் Basa Jawa Tagalog Hausa Yorùbá አማርኛ עברית ગુજરાતી Svenska Norsk Latviešu Lietuvių Eesti
Ahkerat Mehiläiset

Dauguma DI sistemų daro tą pačią klaidą.

Jos pirma klausia kalbos modelio ir tikisi, kad atsakymas skamba teisingai.

Gamta šią problemą išsprendė prieš milijonus metų.

Avilio atradimas netampa sprendimu todėl, kad taip sako vienas dalyvis. Žvalgas grįžta į avilį ir šoka aštuonetą vertikalioje korio plokštumoje — tiesiosios dalies kampas nurodo kryptį, trukmė nurodo atstumą, stiprumas nurodo kokybę. Bet šokis — ne monologas. Seserys bitės seka šokėją, paliečia ją čiuptuvais ir teikia grįžtamąjį ryšį realiuoju laiku. Sustojimo signalai gali visiškai nutraukti šokį. Tik tuomet, kai žinutė išgyvena bendruomenės patikrą, atsiranda maršrutas, vertas sekti.

WaggleDance paremta šia logika.

Ji neperduoda problemos tiesiogiai LLM. Ji pirma nukreipia ją į teisingą sprendėją, patikrina rezultatą per kelis agentus ir naudoja kalbos modelius tik tada, kai jie iš tikrųjų padeda. Kiekvienas žingsnis palieka audito pėdsaką. Kiekvienas sprendimas yra pagrindžiamas. Kiekvienas ciklas ugdo savą sistemos kompetenciją.

Aštuonetuko šokis tapo algoritminiu maršrutizavimu. Korys tapo MAGMA atminties struktūra. O bičių naktinis poilsis tapo Dream Mode — simuliacija, kurioje sistema peržiūri dienos nesėkmes, testuoja tūkstančius alternatyvių maršrutų ir pabunda protingesnė.

Tai ne metafora. Tai kolektyvinio mašininio intelekto architektūra.

Clone & Run

Atsisiųsk, forkink ir paleisk vietoje iškart. Visa saugykla yra GitHub be registracijos.

Licencijos modelis: Apache 2.0 + BUSL 1.1 (atviras branduolys + šaltinio kodas apsaugotiems moduliams). Žiūrėti sąlygas GitHub.
BUSL perjungimo data: 2030 m. kovo 18 d.

v3.5.7 Paskutinis leidimas 2026-04-12
445+ Komitai
5 581 Pilni Pytest’ai (v3.5.7)
4 Diegimo profiliai

Kodėl tai skiriasi

DI, kuris nespėlioja

Sprendėjai eina pirmi. Tikrintojas patikrina. LLM įsijungia tik tada, kai teisingo sprendėjo nepakanka.

DI, kuris viską prisimena

MAGMA registruoja sprendimus, šaltinius, atkūrimus ir pasitikėjimo balus. Matai, kas įvyko, kodėl ir kokia tvarka.

DI, kuris mokosi per naktį

Dream Mode peržiūri nesėkmes, imituoja geresnius maršrutus ir kuria geresnius modelius kitai dienai.

DI, kuris rodo savo būseną

Hologram Brain padaro 32 mazgų būseną matomą realiuoju laiku. Nežiūri į juodą dėžę — žiūri į veikiančią sistemą.

DI, kuris lieka tavo tinkle

Viskas veikia tavo paties aplinkoje. Nėra privalomo debesies, promptų duomenys nepalieka namų, nėra SaaS priklausomybių.

DI, kuris skaluojasi

Ta pati kodo bazė veikia nuo Raspberry Pi iki fabriko profilio. Ne tik demo, ne tik karkasas.

Diegimo profiliai — tas pats runtime, keturi profiliai

Įrenginys GADGET

RPi, edge, jutiklis

Sodyba COTTAGE

Neprisijungus, pertrūkstantis ryšys

Namai HOME

Vietinis automatizavimas

Gamykla FACTORY

Stebėsena, anomalijos, auditas

Dashboard ir Hologram Brain yra prieinami iš karto po paleidimo. Pirmojo atsakymo greitis priklauso nuo profilio, aparatinės įrangos ir nuo to, ar naudojamas full, ar stub mode.

Kas įvyksta paspaudus “Analizuoti saugyklą”?

1

Raginimas siunčiamas tiesiai į Grok — ir nukopijuojamas į iškarpinę kaip atsarginė kopija

2

Grok atsiveria naujame skirtuke su paruoštu raginimu

3

Gausite išsamią saugyklos analizę, įvertintą konkurentų palyginimą ir gamyklos parengties vertinimą.

Jei išankstinis užpildymas neveikia, įklijuokite rankiniu būdu — raginimas jau yra jūsų iškarpinėje.

Tą patį raginimą galite naudoti ir Claude, ChatGPT ar bet kuriame kitame LLM. Grok — numatytasis pasirinkimas šiame puslapyje.

Ką Grok analizuoja

Kai paspaudžiate “Analizuoti saugyklą”, DI atlieka gilią analizę, apimančią:

1
Dabartinė kodo bazės būklė

Pagrindinė šaka, architektūra, moduliai ir naujausi komitai

2
README vs realybė

Kas įgyvendinta, palyginti su tuo, kas suplanuota ar strategiška

3
Testai ir branda

Testų padengimas, praktinė branda ir pasirengimas gamybai

4
Hologram Brain ir MAGMA

Atminties modelis, audito architektūra, kilmė ir pasitikėjimo mechanizmai

5
Konkurentų palyginimas

Įvertinta nuo 1 iki 10 šešiose ašyse lyginant su Namai Assistant, Node-RED, n8n, Open WebUI, LangGraph, AutoGen, CrewAI, Ollama

6
Fabriko diegimo vertinimas

Pramoniniai naudojimo atvejai, rizikos, trūkstamos integracijos, diegimo kliūtys

Tolesni Grok raginimai

Paspauskite raginimą, kad jį nukopijuotumėte. Įklijuokite savo Grok sesijoje gilesniam tyrimui.

Kaip prijungti WaggleDance?

Pasirinkite profilį ir gaukite pritaikytą diegimo vadovą iš Grok.

Kaip WaggleDance lyginasi

Kiekvienas žemiau pateiktas įrankis yra geras tame, ką daro. Palyginimas rodo, kaip skiriasi WaggleDance solver-first architektūra — ne teigia, kad kiti yra blogi.

vs. Namai Assistant

  • HA: Deterministic rules and automations, but no solver-based routing before the LLM.
  • WD: Solver-first routing (7+ deterministic solvers) → verifier → LLM only as fallback. Every decision auditable via MAGMA trail.
  • HA: No autonomous model training, no overnight learning.
  • WD: 8 sklearn specialist models + Dream Mode overnight learning with canary lifecycle.
  • HA's advantage: excellent integration ecosystem (2000+ integrations).

vs. LangGraph

  • LG: Graph-based multi-agent, but LLM-centric — everything goes through the LLM.
  • WD: Solver-first. LLM is Layer 1 (last), not Layer 3 (first).
  • LG: No append-only auditing, no canary model training, no dream mode simulation.
  • WD: MAGMA 5-layer provenance + 8 specialist models + counterfactual simulations.
  • LG's advantage: stronger cloud ecosystem and documentation.

vs. AutoGen / CrewAI

  • AG/CA: Multi-agent frameworks, but without deterministic solvers.
  • WD: 7+ deterministic solvers are routed BEFORE any LLM call.
  • AG/CA: No edge/factory profiles, no offline-first architecture.
  • WD: 4 profiles (GADGET → FACTORY), fully offline, from ESP32 to DGX.
  • AG/CA: No autonomous overnight learning or canary promotion.

vs. Ollama / LocalAI

  • Ollama: Local LLM engine, no decision-making architecture.
  • WD: Uses Ollama as one component (Layer 1 fallback), but builds solver routing, MAGMA auditing, specialist models, and Dream Mode on top.
  • Ollama is the engine. WaggleDance is the whole car.

vs. n8n / Node-RED

  • n8n/NR: Visual workflow automation tools, excellent flow editors.
  • WD: Not a visual flow editor but an autonomous multi-agent runtime that learns and improves.
  • n8n/NR: No sklearn models, no append-only provenance, no counterfactual simulation.
  • WD: 8 models + 9 SQLite databases + ChromaDB/FAISS + Dream Mode.

Diegimas — WD's Advantage

  • Docker: clone → docker compose up -d — Ollama, Voikko (Finnish NLP), and the app all in one.
  • No separate manual installations in Docker mode.
  • 4 profiles with automatic hardware detection (GADGET / COTTAGE / HOME / FACTORY).

Time Evolution — WD's Decisive Advantage Over ALL Competitors

No competitor improves autonomously over time. WaggleDance is the only one that builds cumulative expertise.

TimeWaggleDanceNamai AssistantLangGraphAutoGen/CrewAINode-RED/n8nOllama
Day 1LLM fallback ~30-50%, solvers learningSame as alwaysSame as alwaysSame as alwaysSame as alwaysSame as always
Month 1HotCache fills, LLM ~20-30%, first canary promotionsNo changeNo changeNo changeNo changeNo change
Month 6LLM ~10-15%, specialists maturing, ~180 nights of Dream ModeNo changeNo changeNo changeNo changeNo change
Year 1LLM ~5-8%, MAGMA with thousands of audited pathsNo changeNo changeNo changeNo changeNo change
Year 2LLM <3-5%, >95% deterministic, TCO a fraction of day 1No changeNo changeNo changeNo changeNo change

The competitors' column is empty everywhere except day 1. They don't learn. They don't improve. On day 730, they are exactly the same as on day 1.

Dažniausiai užduodami klausimai

Is WaggleDance Swarm AI free?

Yes. Download and run immediately. Apache 2.0 parts are freely usable. Non-commercial personal use of BUSL-protected modules is permitted. For commercial use, check the license terms on GitHub.

Does it require an internet connection?

No. WaggleDance is designed to work fully offline on local hardware. Internet is only needed for initial setup and updates.

What hardware is needed?

Minimum: Raspberry Pi 4 or equivalent (GADGET profile). Recommended: modern x86 server for multi-agent orchestration (FACTORY profile).

Why Grok for analysis?

You get a quick second technical opinion on the public repo, documentation, and competitive landscape. You can use the same prompt in Claude, ChatGPT, or any other LLM.

What is MAGMA?

An auditing and provenance framework. Every agent decision is recorded so you get traceability, replay, and trust assessment visibility.

What is Dream Mode?

An overnight learning mode where the system reviews the day's failures, simulates better routes, and builds better models for the next day — automatically without user action.

What happens after first startup?

Dashboard and Hologram Brain are available immediately. First response speed depends on profile and hardware.

Media