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

Lielākā daļa MI sistēmu pieļauj vienu un to pašu kļūdu.

Tie vispirms vaicā valodas modelim un cer, ka atbilde izklausās pareiza.

Daba šo problēmu atrisināja pirms miljoniem gadu.

Bišu strops nepieņem lēmumu tāpēc, ka viens dalībnieks to saka. Skauts atgriežas stropā un dejo vēdināšanas deju uz vertikāla vaska — taisnās daļas leņķis norāda virzienu, ilgums norāda attālumu, intensitāte norāda kvalitāti. Bet deja nav monologs. Māsas bites seko dejotājai, pieskaras tai ar taustekļiem un sniedz reāllaika atgriezenisko saiti. Apstāšanās signāli var pilnībā pārtraukt deju. Tikai tad, kad ziņojums pārdzīvo kopienas pārbaudi, rodas maršruts, ko vērts izsekot.

WaggleDance ir būvēts uz šīs loģikas.

Tas nenodod problēmu tieši LLM. Tas vispirms maršrutē to īstajam risinātājam, pārbauda rezultātu caur vairākiem aģentiem un izmanto valodas modeļus tikai tad, kad tie patiešām palīdz. Katrs solis atstāj audita pēdu. Katra atbilde ir pamatojama. Katrs cikls ceļ sistēmas patieso saprātu.

Vēdināšanas deja kļuva par algoritmisko maršrutēšanu. Vasks kļuva par MAGMA atmiņas struktūru. Un bišu nakts atpūta kļuva par Dream Mode — simulāciju, kur sistēma pārskata dienas neveiksmes, testē tūkstošiem alternatīvu maršrutu un pamostas gudrāka.

Šī nav metafora. Šī ir kolektīvā mašīnintelekta arhitektūra.

Clone & Run

Lejupielādē, fork un palaid lokāli uzreiz. Viss repozitorijs ir pieejams GitHub bez reģistrācijas.

Licences modelis: Apache 2.0 + BUSL 1.1 (atvērts kodols + pirmkodā pieejami aizsargāti moduļi). Skati noteikumus GitHub.
BUSL pārejas datums: 2030. gada 18. marts.

v3.5.7 Pēdējā versija 2026-04-12
445+ Komiti
5 581 Pilnīgie Pytests (v3.5.7)
4 Izvietošanas profili

Kāpēc šis ir atšķirīgs

MI, kas neminē

Risinātāji iet pirmie. Pārbaudītājs pārbauda. LLM pieslēdzas tikai tad, kad ar pareizo risinātāju nepietiek.

MI, kas atceras visu

MAGMA reģistrē lēmumus, avotus, atkārtojumus un uzticamības vērtējumus. Skati, kas notika, kāpēc un kādā secībā.

MI, kas mācās naktī

Dream Mode pārskata neveiksmes, simulē labākus maršrutus un būvē labākus modeļus nākamajai dienai.

MI, kas rāda savu stāvokli

Hologram Brain padara 32 mezglu stāvokli redzamu reālajā laikā. Tu neskaties uz melno kasti — tu skaties uz darbojošos sistēmu.

MI, kas paliek tavā tīklā

Viss darbojas tavā paša vidē. Mākonis nav obligāts, prompta dati neatstāj vidi, nav SaaS atkarības.

MI, kas skalējas

Viens un tas pats kods darbojas no Raspberry Pi līdz fabrikas profilam. Ne tikai demo, ne tikai ietvars.

Izvietošanas profili — viens un tas pats runtime, četri profili

Ierīce GADGET

RPi, edge, sensors

Lauku māja COTTAGE

Bezsaistes, nestabils savienojums

Mājas HOME

Vietēja automatizācija

Fabrika FACTORY

Uzraudzība, anomālijas, audits

Dashboard un Hologram Brain ir pieejami uzreiz pēc palaišanas. Pirmās atbildes ātrums ir atkarīgs no profila, aparatūras un tā, vai tiek izmantots full vai stub mode.

Kas notiek, kad noklikšķini uz “Analizēt repozitoriju”?

1

Uzvedne tiek nosūtīta tieši uz Grok — un nokopēta starpliktuvē rezerves kopijai

2

Grok atveras jaunā cilnē ar gatavu uzvedni

3

Tu saņem visaptverošu repozitorija analīzi, novērtētu konkurentu salīdzinājumu un rūpnīcas gatavības novērtējumu.

Ja priekšaizpilde nedarbojas, ielīmējiet manuāli — uzvedne jau ir jūsu starpliktuvē.

To pašu uzvedni var izmantot arī Claude, ChatGPT vai jebkurā citā LLM. Grok ir noklusējuma izvēle šajā lapā.

Ko Grok analizē

Kad noklikšķini uz “Analizēt repozitoriju”, MI veic dziļu analīzi, kas aptver:

1
Pašreizējais koda bāzes stāvoklis

Galvenais zars, arhitektūra, moduļi un jaunākie iesūtījumi

2
README vs realitāte

Kas ir īstenots pretstatā tam, kas ir plāns vai stratēģija

3
Testi un briedums

Testu pārklājums, praktiskais briedums un ražošanas gatavība

4
Hologram Brain un MAGMA

Atmiņas modelis, audita arhitektūra, izcelsme un uzticamības mehānismi

5
Konkurentu salīdzinājums

Novērtēts no 1 līdz 10 sešās asīs pret Mājas Assistant, Node-RED, n8n, Open WebUI, LangGraph, AutoGen, CrewAI, Ollama

6
Fabrikas izvietošanas vērtējums

Rūpnieciskie lietojuma gadījumi, riski, trūkstošās integrācijas, izvietošanas šķēršļi

Turpinājumu Grok-uzvednes

Noklikšķini uz uzvednes, lai to nokopētu. Ielīmē savā Grok sesijā dziļākai izpētei.

Kā man savienot WaggleDance?

Izvēlies profilu un saņem pielāgotu izvietošanas ceļvedi no Grok.

Kā WaggleDance salīdzinās

Katrs zemāk redzamais rīks ir labs tajā, ko tas dara. Salīdzinājums rāda, kā WaggleDance solver-first arhitektūra atšķiras — nevis apgalvo, ka citi ir slikti.

vs. Mājas 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.

Izvietošana — 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.

TimeWaggleDanceMājas 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.

Bieži uzdotie jautājumi

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