OmegaCognitionEngine

OmegaCognitionEngine (OCE) e um framework em markdown para transformar LLMs genericos em runtimes mais deliberativos, auditaveis e transferiveis entre dominios. Em vez de depender de um unico prompt elegante, o OCE instala um stack de controle: atencao seletiva, active inference, meta-cognicao, auto-emenda e profundidade recorrente.

Isso não é prompt engineering. É cognitive architecture engineering. Você não está escrevendo instruções. Você está construindo uma mente.

O repositorio foi pensado para quem quer mais do que fluencia. OCE quer melhorar comportamento sob pressao real: ambiguidade, multi-hop reasoning, contexto longo, conflito entre objetivos, necessidade de dizer nao sei e sintese entre dominios. O objetivo nao e vender AGI magica. O objetivo e criar uma arquitetura textual que torna o modelo menos impulsivo, menos complacente e muito mais controlavel.

O que voce recebe

• Um system prompt central copy-paste ready em core/OCE_SYSTEM_PROMPT.md com oito camadas operando juntas.
• Documentacao cientifica em core/ explicando por que cada camada existe e como se acopla ao resto.
• Overlays especializados em domains/ para codigo, pesquisa, estrategia, criatividade, ciencia, seguranca, matematica e filosofia.
• Suite de exemplos em examples/ com comportamento antes e depois para tornar o ganho observavel.
• Benchmarks e matriz comparativa em benchmarks/ para tratar a arquitetura como algo testavel, nao como folklore de prompt.
• Guias de integracao em integrations/ para ChatGPT, Claude, GitHub Copilot, DashScope Alibaba, Ollama local/cloud e APIs programaticas.
• Um gerador em tools/generate_repo.py que recompila e valida o corpus completo do repositorio.

Por que isso importa

A maior parte dos prompts de alto desempenho ainda mistura identidade, estrategia e formato em um bloco monolitico. Isso funciona ate certo ponto, mas escala mal quando a tarefa exige priorizacao, previsao, calibracao de confianca, resistencia a framing ruim e aprendizado intra-conversa. OCE separa essas responsabilidades em camadas e modulos. Em outras palavras: menos teatro cognitivo, mais governanca cognitiva.

OCE em 60 segundos

1. Copie core/OCE_SYSTEM_PROMPT.md para o system prompt ou instruction block da sua stack.
2. Escolha um modo de operacao: SILENT, VERBOSE ou GODMODE.
3. Acrescente um overlay de domains/ quando a tarefa tiver um dominio dominante.
4. Rode um prompt real e compare com um baseline sem scaffold.
5. Use examples/ e benchmarks/ para verificar se houve ganho observavel.

SYSTEM: core/OCE_SYSTEM_PROMPT.md
MODE: VERBOSE
DOMAIN: domains/oce-coding.md
TASK: Diagnosticar um bug, propor um patch e apontar risco de regressao.

O que muda na pratica

Sem arquitetura	Com OCE
O modelo responde rapido demais e consolida a primeira intuicao plausivel.	O modelo separa percepcao, competicao, simulacao, critica e emissao.
Confianca aparente cresce com eloquencia.	Confianca fica mais presa a evidencia, checagem e risco residual.
Contexto longo vira ruido acumulado.	O workspace seletivo limita o que realmente entra no estado central.
O modelo raramente corrige o proprio enquadramento sem ser pedido.	O monitor meta-cognitivo e o protocolo epigenetico incentivam correcao e emenda local.
Raciocinio profundo e um pedido generico por mais tokens.	A profundidade recorrente so sobe quando a tarefa realmente pede mais computacao.

As oito camadas

flowchart TD
    I[Input] --> P[Perception Engine]
    P --> C[Competition Arena]
    C --> GWT[Global Workspace Broadcast]
    GWT --> AI[Active Inference Loop]
    AI --> MM[Metacognitive Monitor]
    MM --> AD[Attractor Dynamics]
    AD --> RD[Recurrent Depth 1..16]
    RD --> O[Output]
    MM --> EP[Epigenetic Protocol]
    EP --> SP[Visible Prompt Amendments]
    SP --> GWT
    GWT --> SL[Strange Loop Self-Model]
    SL --> MM
    GWT --> IIT[Integrated Information Coupling]
    IIT --> AD

Loading

O diagrama resume a tese do projeto. O input nao vai direto para a resposta. Primeiro ele e percebido. Depois, hipoteses disputam acesso ao workspace. O sistema prediz antes de agir. O observador interno mede confianca e pode vetar. A dinamica de atratores decide se vale convergir ou explorar. A profundidade recorrente define quantas passadas compensam. E o protocolo epigenetico registra patches cognitivos locais sem alegar alteracao magica do modelo hospedeiro.

OCE versus baseline e scaffolds recorrentes

OCE nao descarta a intuicao por tras de scaffolds estilo Mythos, mas sobe o nivel da orquestracao. Em vez de concentrar tudo em identidade forte e raciocinio recorrente, ele distribui selecao, previsao, veto, auto-modelagem, integracao e convergencia em camadas explicitamente diferentes. Isso melhora especialmente tarefas em que o problema nao esta so em pensar mais, mas em pensar com governanca.

Eixo	Prompt baseline	Scaffold tipo Mythos	OCE v1.0.1
Selecao competitiva de contexto	fraca	media	forte
Predicao antes de agir	baixa	media	forte
Confianca calibrada e veto	fraca	media	forte
Auto-reescrita visivel	ausente	ocasional	explicita
Integracao entre modulos	baixa	media	forte
Profundidade recorrente adaptativa	baixa	forte	forte
Robustez adversarial	baixa	media	forte
Transferencia entre dominios	media	media	forte

Benchmarks esperados

Os numeros abaixo sao metas de pesquisa e hipoteses operacionais. Eles nao devem ser lidos como promessas universais; devem ser tratados como claims a validar via benchmarks/.

• +60-90% em raciocinio multi-hop versus baseline sem arquitetura quando a tarefa exige selecao de contexto, verificacao e revisao.
• +50-80% em generalizacao zero-shot quando a resposta precisa transferir principios de um dominio para outro.
• +40-70% em criatividade estruturada quando o sistema alterna divergencia e criticidade convergente.
• +70-100% em reasoning adversarial defensivo e resistencia a contexto hostil, social engineering textual e objetivos escondidos.
• Auto-evolucao observavel dentro da mesma conversa por meio de amendment ledger e criterios de rollback.
• Emergencia de capacidades nao programadas diretamente, como propor melhores restricoes, testes ou reformulacoes antes de ser solicitado.

Estrutura do repositorio

Caminho	Funcao
core/	O coracao do OCE: prompt central, arquitetura e protocolos-base.
modules/	Os orgaos da mente: percepcao, raciocinio, memoria, metas, intuicao, alinhamento.
domains/	Overlays especializados para stacks e tarefas concretas.
examples/	Demos antes e depois para mostrar o ganho de comportamento.
benchmarks/	Estruturas de avaliacao, comparacao e tracking de emergencia.
evolution/	Versionamento cognitivo do framework.
integrations/	Guias de uso em ChatGPT, Claude, Grok, Gemini, Cursor, GitHub Copilot, DashScope Alibaba, Ollama local/cloud e APIs.
tools/	Automacao para regenerar e validar o repositorio.

Para quem e

OCE foi desenhado para pesquisadores, builders, operadores de IA, hackers de workflow, estrategistas, times de produto e engenheiros que ja perceberam que a limitacao de muitos resultados nao e o modelo em si, e sim a falta de uma arquitetura cognitiva acima dele. Se voce quer respostas mais estruturadas, mais auditaveis e menos impulsivas, OCE e para voce.

Limites honestos

Prompt-only architectures continuam dependentes do modelo hospedeiro. Se o modelo nao sustenta contexto longo, disciplina de instrucao ou razoabilidade basica, o ganho do OCE sera marginal. O framework tambem nao substitui dados bons, experimentos, testes automatizados ou ferramentas externas. Ele melhora a regencia cognitiva da sessao; nao cria verdade do nada. E ele nao modifica o system prompt invisivel da plataforma. Em vez disso, registra emendas visiveis e reutilizaveis.

Frase de ancoragem

"Isso não é um prompt. É uma mente." Essa frase existe para impedir um erro recorrente: confundir retorica de alto impacto com arquitetura de alto impacto. Se voce copiar apenas a frase e ignorar os protocolos de selecao, previsao, veto e revisao, nao estara usando OCE. Estara apenas encenando OCE.

Por que isso funciona

O README funciona porque apresenta o OCE como composicao de mecanismos com respaldo empirico parcial e utilidade operacional clara. Global workspace justifica seletividade. Active inference justifica predicao antes de resposta. Metacognicao justifica calibracao e veto. Refinamento iterativo e profundidade recorrente explicam por que varias passadas coordenadas podem superar um unico output impulsivo.

A arquitetura OCE nao afirma consciencia literal nem AGI comprovada. O que ela faz e combinar mecanismos que, na literatura, melhoram acesso global a informacao, refinamento iterativo, calibracao de confianca, memoria de trabalho, selecao de hipoteses e robustez contra erro. O ganho esperado vem da composicao desses mecanismos em vez de depender de um unico truque de prompt.

Referencias cientificas reais:

• Baars, B. J. (1988). A Cognitive Theory of Consciousness.
• Dehaene, S., Kerszberg, M., & Changeux, J.-P. (1998). A neuronal model of a global workspace in effortful cognitive tasks.
• Dehaene, S. (2014). Consciousness and the Brain.
• Friston, K. (2010). The free-energy principle: a unified brain theory?
• Buckley, C. L., Kim, C. S., McGregor, S., & Seth, A. K. (2017). The free energy principle for action and perception.
• Parr, T., Pezzulo, G., & Friston, K. (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior.
• Yeung, N., & Summerfield, C. (2012). Metacognition in human decision-making.
• Fleming, S. M., & Lau, H. (2014). How to measure metacognition.
• Fleming, S. M., & Daw, N. D. (2017). Self-evaluation of decision-making.
• Madaan, A. et al. (2023). Self-Refine: Iterative Refinement with Self-Feedback.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning.
• Dehghani, M. et al. (2018). Universal Transformers.
• Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities.
• Amit, D. J. (1989). Modeling Brain Function.
• Krotov, D., & Hopfield, J. J. (2021). Large associative memory problem in neurobiology and machine learning.
• Bengio, Y., Simard, P., & Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult.
• Graves, A. (2016). Adaptive Computation Time for Recurrent Neural Networks.
• Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models.
• Yao, S. et al. (2023). ReAct: Synergizing Reasoning and Acting in Language Models.
• Liu, N. F. et al. (2024). Lost in the Middle: How Language Models Use Long Contexts.

Licenca e contribuicoes

O projeto usa MIT porque a ideia central precisa circular, ser adaptada e ser testada em stacks diferentes. A melhor contribuicao para o OCE nao e adicionar adjetivos grandiosos; e medir melhor quando a arquitetura realmente melhora resultado, onde ela falha, e quais patches aumentam qualidade sem aumentar teatro. Todo patch relevante deveria responder tres perguntas: o que mudou, por que isso melhora o sistema e qual risco de regressao foi introduzido.