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

Kebanyakan sistem AI melakukan kesilapan yang sama.

Anda menghantar masalah terus kepada model bahasa dan berharap jawapannya betul.

Alam semula jadi telah menyelesaikan masalah ini berjuta-juta tahun dahulu.

Dalam koloni lebah, satu penemuan tidak menjadi keputusan kerana seekor lebah membuat keputusan. Lebah peninjau kembali ke sarang dan menari corak angka lapan pada sarang lebah menegak — sudut menunjukkan arah, panjang menunjukkan jarak, kekuatan menunjukkan kualiti. Tetapi tarian itu bukan monolog. Lebah-lebah saudara mengikuti penari, menyentuhnya dengan antena mereka dan memberikan maklum balas masa nyata. Isyarat berhenti boleh menghentikan tarian sepenuhnya. Hanya apabila mesej itu bertahan daripada pemeriksaan sosial, laluan itu layak untuk dilalui.

WaggleDance dibina berdasarkan logik ini.

Ia tidak memberikan masalah terus kepada LLM. Ia mengarahkannya terlebih dahulu kepada penyelesai yang tepat, mengesahkan hasil melalui pelbagai agen, dan menggunakan model bahasa hanya apabila ia benar-benar membantu. Setiap langkah meninggalkan jejak yang boleh dikesan. Setiap penyelesaian boleh diaudit. Setiap kitaran menambah pengetahuan sistem itu sendiri.

Tarian angka lapan menjadi penghalaan algoritma. Sarang lebah menjadi struktur memori MAGMA. Dan tidur malam lebah menjadi Dream Mode — simulasi di mana sistem meneliti kegagalan hari itu, menguji ribuan laluan alternatif dan bangun lebih bijak.

Ini bukan metafora. Ini adalah kejuruteraan kecerdasan kolektif.

Clone & Run

Muat turun, fork dan jalankan secara tempatan segera. Seluruh repo tersedia di GitHub tanpa pendaftaran.

Lesen: Apache 2.0 + BUSL 1.1 (teras terbuka + modul dilindungi). Lihat terma di GitHub.
Tarikh perubahan BUSL: 18 Mac 2030.

v3.5.7 Keluaran terkini 2026-04-12
445+ Komit
5 581 Ujian pytest penuh (v3.5.7)
4 Profil penggunaan

Mengapa ini berbeza

AI tidak meneka

Penyelesai didahulukan. Pengesah menyemak. LLM masuk hanya apabila penyelesai yang tepat tidak mencukupi.

AI ingat segalanya

MAGMA merekodkan keputusan, sumber, replay dan skor kepercayaan. Lihat apa yang berlaku, mengapa dan dalam susunan apa.

AI belajar pada waktu malam

Dream Mode menyemak kegagalan, mensimulasikan laluan yang lebih baik dan membina model yang lebih baik untuk hari berikutnya.

AI menunjukkan statusnya

Hologram Brain menjadikan status 32 nod dapat dilihat dalam masa nyata. Anda tidak melihat kotak hitam — anda melihat sistem aktif.

AI kekal di rangkaian anda

Segalanya berjalan dalam persekitaran anda sendiri. Tiada awan wajib, tiada data prompt keluar, tiada kebergantungan SaaS.

AI berkembang

Kod yang sama berfungsi daripada Raspberry Pi ke profil kilang. Bukan hanya demo, bukan hanya rangka kerja.

Profil penggunaan — runtime yang sama, empat profil

Gajet GADGET

RPi, edge, sensor

Kotej COTTAGE

Luar talian, sambungan terputus-putus

Rumah HOME

Automasi rumah

Kilang FACTORY

Pemantauan, anomali, audit

Papan pemuka dan Hologram Brain tersedia sebaik sahaja dimulakan. Kelajuan respons pertama bergantung pada profil, perkakasan dan mod (penuh atau stub).

Apa berlaku apabila anda klik “Analisis repo”?

1

Prompt dihantar terus kepada Grok — dan disalin ke papan keratan anda sebagai sandaran

2

Grok terbuka dalam tab baru dengan prompt siap

3

Anda menerima analisis repo yang mendalam, perbandingan pesaing yang dinilai dan penilaian kesesuaian industri

Jika pra-isi tidak berfungsi, tampal secara manual — prompt sudah ada di papan keratan anda.

Anda boleh menggunakan prompt yang sama dalam Claude, ChatGPT atau LLM lain. Grok adalah lalai di halaman ini.

Apa yang Grok analisis

Apabila anda klik “Analisis repo”, sistem melaksanakan analisis mendalam:

1
Keadaan kod semasa

Cabang utama, struktur, modul dan komit terkini

2
README vs realiti

Apa yang telah dilaksanakan berbanding apa yang dirancang atau bersifat aspirasi

3
Ujian dan kematangan

Liputan ujian, kematangan realistik dan kesediaan pengeluaran

4
Hologram Brain dan MAGMA

Model memori, seni bina audit, asal-usul data dan mekanisme kepercayaan

5
Perbandingan pesaing

Skor 1-10 pada enam paksi berbanding Rumah Assistant, Node-RED, n8n, Open WebUI, LangGraph, AutoGen, CrewAI, Ollama

6
Penilaian penggunaan industri

Kes penggunaan industri, risiko, penyambung yang hilang, kekangan penggunaan

Prompt susulan Grok

Klik prompt untuk menyalin. Tampal dalam sesi Grok anda untuk penyelidikan yang lebih mendalam.

Bagaimana WaggleDance sesuai?

Pilih profil dan dapatkan panduan penggunaan peribadi daripada Grok.

Bagaimana WaggleDance dibandingkan

Setiap alat di bawah adalah baik dalam apa yang dilakukannya. Perbandingan menunjukkan bagaimana seni bina solver-first WaggleDance berbeza — bukan bermakna yang lain buruk.

vs. Rumah 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.

Penggunaan — 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.

TimeWaggleDanceRumah 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.

Soalan lazim

Adakah WaggleDance Swarm AI percuma?

Ya. Muat turun dan jalankan serta-merta. Bahagian Apache 2.0 bebas digunakan. Penggunaan peribadi bukan komersial modul yang dilindungi BUSL dibenarkan. Untuk penggunaan komersial, lihat terma lesen di GitHub.

Adakah ia memerlukan sambungan internet?

Tidak. WaggleDance direka untuk berfungsi sepenuhnya luar talian pada perkakasan tempatan. Internet hanya diperlukan untuk persediaan awal dan kemas kini.

Perkakasan apa yang diperlukan?

Minimum: Raspberry Pi 4 atau setara (profil GADGET). Disyorkan: pelayan x86 moden untuk orkestrasi berbilang agen (profil FACTORY).

Mengapa Grok untuk analisis?

Anda mendapat pendapat teknikal kedua yang pantas mengenai repo awam. Anda boleh menggunakan prompt yang sama dalam Claude, ChatGPT atau LLM lain.

Apakah MAGMA?

Rangka kerja audit dan bootstrap. Setiap keputusan agen direkodkan untuk memastikan kebolehkesanan, rollback dan penilaian kebolehpercayaan.

Apakah Dream Mode?

Mod pembelajaran malam di mana sistem menyemak kegagalan hari, mensimulasikan laluan yang lebih baik dan membina model yang lebih baik untuk hari berikutnya — secara automatik, tanpa campur tangan pengguna.

Apa berlaku selepas pemulaan pertama?

Papan pemuka dan Hologram Brain tersedia serta-merta. Kelajuan respons pertama bergantung pada profil dan perkakasan.

Media