glpi-neural-brain/AUTONOMOUS-OPPORTUNITY-SCORING-V5.md

Autonomous Opportunity Scoring v5

Trennung der Ebenen

v5 trennt drei Entscheidungen explizit:

1. Deterministisches Graphsignal – raw_score und novelty
2. LLM-Planerurteil – model_worthy und model_priority
3. Schedulerentscheidung – final_priority, Cooldown, Cycle-Limit und Queue-Ergebnis

Damit ist ein 0 Tasks-Scan nicht mehr mehrdeutig.

Orphan-Cluster

Die Clusterbildung verwendet ausschließlich bereits vorhandene Graph-/Taxonomiedaten. Sie ist keine neue Relation und verändert den Graph nicht.

Breite Features werden anhand ihrer Dokumenthäufigkeit verworfen. Für eine Paarbeziehung sind mindestens zwei gemeinsam geteilte Features erforderlich. Dadurch erzeugt eine Kategorie wie IT-Security alleine keinen Cluster.

Die Cluster sind Research-Hinweise, keine Behauptung von same_topic.

Erwartete Analyseausgabe

Beispiel:

{
  "last_scan": {
    "candidate_count": 8,
    "created": 1,
    "rejection_counts": {
      "accepted": 1,
      "model_not_worthy": 4,
      "priority_below_threshold": 2,
      "cooldown_or_duplicate": 1
    },
    "decisions": [
      {
        "topic": "ZFS / Snapshot / Restore",
        "signal_type": "orphan_cluster",
        "raw_score": 0.71,
        "novelty": 0.84,
        "model_worthy": true,
        "model_priority": 0.78,
        "final_priority": 0.76,
        "accepted": true,
        "recommended_action": "queued"
      }
    ]
  }
}

Die Zahlen im Beispiel sind illustrativ; im Betrieb stammen sie aus dem jeweiligen Scan.