自己進化するAIの舞台裏：Tian AIのアーキテクチャ

クエリを処理するだけでなく、実際に成長し学習して自分自身を改善していくAIシステムを作るには、何が必要なのかと思ったことはありませんか？

この記事では、Tian AIのアーキテクチャの中身を紹介します。Tian AIは、Android上で完全に動作するオープンソースのローカルAIシステムです。クラウドもありません。APIもありません。あるのはコード、ローカルの言語モデル、そして34GBの知識ベースだけです。

全体像

Tian AIのアーキテクチャは、シンプルな洞察に基づいています： 小さなモデル + 優れたアーキテクチャ + ローカルの知識 > 大きなモデルだけ。

┌──────────────────────────────────────────────┐
│              Web/Mobile UI                    │
├──────────────────────────────────────────────┤
│              Flask API Layer                  │
├────────────┬───────────┬─────────┬───────────┤
│  Thinker   │  Memory   │  Search │  Evolve   │
│  Engine    │  System   │  Engine │  Engine   │
├────────────┴───────────┴─────────┴───────────┤
│         LLM Bridge (llama.cpp API)            │
├──────────────────────────────────────────────┤
│      Knowledge Base (34GB SQLite)             │
└──────────────────────────────────────────────┘

1. 3層の思考エンジン

ここがTian AIの心臓部です。すべてのクエリに対して単発で処理するのではなく、システムには3つの思考モードがあります：

Fast Mode

単純なクエリ向け—挨拶、事実、まっすぐな質問。単一パスで、連鎖（チェーニング）は行いません。応答は約~0.04s。

アーキテクチャ：最小限のコンテキストでLLMを直接呼び出す

Chain-of-Thought Mode

段階的な推論の恩恵を受ける問題向けです。LLMには、回答する前に「考えを声に出す（think aloud）」よう促します。

アーキテクチャ：

1. ユーザーのクエリ → CoTプロンプトのテンプレート
2. 「これを順を追って分解してみましょう…」
3. 中間トークンが推論を導く
4. 推論の連鎖から最終回答を抽出

Deep Mode

複雑な分析、多面的な評価、そして熟考向けです。システムは複数の視点を生成し、それらを統合します。

アーキテクチャ：

1. クエリ → 視点分析 → 3つの視点
2. 各視点を独立して掘り下げる
3. 視点をまたいだ統合
4. 熟考を含む最終回答

2. 34GBの知識ベース

知識ベースは切り札です。事前に構築されたSQLiteデータベースで、以下を含みます：

• 69,000+のコンセプト（100以上の領域にまたがる）
• 各コンセプトにつき30の質問パターン（2.07百万のクエリ可能なキー）
• 多言語対応（中国語 + 英語）
• 即時のインデックス検索（クエリあたり0.04〜0.1s）

仕組み

# 簡略化したクエリの流れ
def answer_query(user_input):
    # 1. キーとなるコンセプトを抽出
    concepts = extract_concepts(user_input)

    # 2. 知識ベースで検索
    results = knowledge_base.search(concepts)

    # 3. KBに答えがある場合はそのまま返す
    if results.confidence > 0.8:
        return results.answer

    # 4. そうでない場合、KBのコンテキストでLLMを補強する
    context = format_kb_context(results)
    return llm.generate(augmented_prompt(user_input, context))

なぜSQLite？

• サーバ不要 — プロセス内で動作
• 持ち運び可能 — 単一ファイル
• インデックス付き — 高速なLIKE + FTSクエリ
• 更新可能 — 再学習なしで新しい知識を追加

3. 自己修正システム

これは最も大胆な機能です：Tian AIは、自身のソースコードを分析し、改善案を提案し、パッチを適用することができます。

class SelfModifyEngine:
    def scan_code(self):
        """ASTベースでプロジェクト内のすべてのファイルを解析"""

    def analyze_complexity(self, filepath):
        """循環的複雑度、重複、スタイル上の問題を検出"""

    def suggest_improvement(self, filepath):
        """LLMが生成した改善提案"""

    def apply_patch(self, filepath, old, new):
        """自動バックアップ付きの安全なパッチ適用"""

    def auto_improve(self):
        """完全なループ：スキャン → 分析 → 提案 → パッチ"""

流れ：

1. SCAN — プロジェクトを巡回し、astで各Pythonファイルを解析する
2. ANALYZE — 複雑度を測定し、重複を検出し、問題を見つける
3. SUGGEST — 構造化されたプロンプトでローカルLLMに分析結果を送信する
4. APPLY — パッチを適用する（必ず先にバックアップを取る）
5. VERIFY — compile()で構文を検証し、基本的な動作をテストする

4. Evolution Engine

Tian AIは、ただ動くだけではありません。成長します。進化システムは以下を追跡します：

• XP — 会話やタスクを通じて獲得
• レベル — マイルストーンが新しい能力の解放につながる
• バージョン — 名前付きリリース（M1-E1-Theme形式）
返却形式: {"translated": "翻訳されたHTML"}
• Topics — ドメイン知識に向けた深さのトラッキング

5. 詳細なテックスタック

6. 実機でのパフォーマンス

実機の realme V70s（Android、aarch64、RAM 5.5GB）でテストしました：

7. 次に何をするか

• マルチモーダル対応 — ローカルのビジョンモデルによる画像理解
• プラグインシステム — 拡張可能なツール呼び出し
• RAGの改善 — ドキュメント取り込みの強化
• Android APK — スタンドアロンアプリ、Termux不要
• 連合学習 — プライバシーを保護したモデル改善

Getting Started

# クローンして実行
git clone https://github.com/yourusername/tian-ai
cd tian-ai

# 依存関係をインストール
pip install -r requirements.txt

# モデルをダウンロード
wget -O ~/storage/downloads/qwen-1.5b-q4.gguf [model_url]

# LLMサーバーを起動
llama-server -m ~/storage/downloads/qwen-1.5b-q4.gguf --port 8080

# Tian AIを起動
python run.py    # バックエンド全体
# もしくは単に開く
xdg-open tian_ai_standalone.html  # 純粋なフロントエンド

Tian AI — オープンソース、プライベート、誰のためにも自律的に進化するAI。

開発をサポート：

USDT（TRC-20）：TNeUMpbwWFcv6v7tYHmkFkE7gC5eWzqbrs

BTC：bc1ph7qnaqkx4pkg4fmucvudlu3ydzgwnfmxy7dkv3nyl48wwa03kmnsvpc2xv