این مقاله یک زمانبند پرامپت ابرگراف خودنظارتی نوآورانه را معرفی میکند که با بهرهگیری از تقویت یادگیری، پرامپتهای سازگار برای تولید روایتهای نظارتی شخصیسازیشده در زمان واقعی را هماهنگ میسازد. با مدلسازی پرامپتها و مفاهیم نظارتی بهصورت یک ابرگراف، سیستم بهصورت پویا پرامپتها را انتخاب و ترکیب میکند، روایتهای سازگار و متناسب با زمینه را در مقیاس بزرگ ارائه میدهد و همزمان از طریق حلقههای بازخورد خودکار بهبود مییابد.
این مقاله معماری نوآوری را معرفی میکند که آنتولوژیهای قانونی پویا، سنتز پرامپت چند‑نمونهای و ارکستراسیون لبه‑ابر را ترکیب میکند تا روایتهای دقیق و زمان‑واقعی برای انطباق در چندین حوزه قضایی تولید کند. جریان داده، نقش شباهت معنایی، قالببندی پرامپت و نحوه سازگاری سیستم با تغییرات قانونی را توضیح میدهد در حالی که برای برنامههای حساس به تأخیر، وزن سبک خود را حفظ میکند.
