
# Dinamički motor lančanja prompta za narative o usklađenosti u stvarnom vremenu za više regulatornih okvira

Timovi za usklađenost stalno su pod pritiskom da isporuče jasne, regulatorno‑specifične narative odmah po objavi novog pravila. Tradicionalni jednopromptni RAG (Retrieval‑Augmented Generation) pipelinei imaju problema s **prelaskom konteksta**, **višejezičnim izlazom** i **latencijom u stvarnom vremenu** kada se radi o deseticama preklapajućih regulativa.  

Uvedite **dinamičko lančanje prompta** – modularni sloj orkestracije koji povezuje više specijaliziranih prompta, od kojih svaki obavlja usmjereni podzadatak (dohvat, rezoniranje nad grafom, prilagodbu sentimenta, prijevod itd.). Tako se svaki korak tretira kao ponovno upotrebljivi mikro‑prompt, a motor se može odmah prilagoditi novim regulativama, jezicima i profilima rizika, uz zadržavanje latencije ispod sekunde, što je nužno za podršku odlučivanju u stvarnom vremenu.

U ovom članku ćemo:

1. Objasniti zašto lančanje prompta rješava nedostatke monolitnog RAG‑a.  
2. Proći kroz referentnu arhitekturu koja kombinira edge inferenciju, grafove znanja u oblaku i kontrastne višejezične modele.  
3. Detaljno opisati temeljne algoritme – **Selektor kontekstualno‑svjesnih prompta**, **Adaptivni miješalac sentimenta** i **Skorer povjerenja na razini lanca**.  
4. Prikazati produkcijski spreman Mermaid dijagram toka podataka.  
5. Raspraviti obrasce implementacije, observabilnost i sigurnosne aspekte (uključujući ZKP‑temeljenu verifikaciju dokaza).  
6. Ponuditi kontrolnu listu za skaliranje motora kroz globalne timove usklađenosti.

---

## 1. Zašto jedan prompt nije dovoljan

| Ograničenje | Jednopromptni RAG | Motor lančanja prompta |
|------------|-------------------|------------------------|
| **Regulatorni opseg** | Jedan prompt mora sadržavati svu logiku pravila → krhk, teško održavati. | Svaka regulativa dobiva svoj prompt za dohvat i rezoniranje, odabire se dinamički. |
| **Višejezični izlaz** | Post‑procesni prijevod često gubi nijanse. | Poseban prompt za prijevod pokreće se nakon prilagodbe sentimenta, čuvajući pravni ton. |
| **Latencija** | Veliki kontekst usporava inferenciju. | Manji, fokusirani prompti drže broj tokena niskim; paralelno izvođenje na edge uređajima smanjuje vrijeme putovanja. |
| **Objašnjivost** | Crna kutija odgovora s ograničenom porijeklom. | Graf porijekla na razini lanca povezuje svaki pododgovor s izvorom, omogućujući revizijske tragove. |

Rezultat je **komponibilni, samoučinkoviti pipeline** koji se može proširivati bez prepisivanja cijele biblioteke prompta.

---

## 2. Referentna arhitektura

Dolje je prikazan visokorazinski Mermaid dijagram koji prikazuje tok od dolaznog zahtjeva za usklađenost do konačnog narativa.

```mermaid
graph TD
    A["Klijentski zahtjev\n(regulativa, jezik, razina rizika)"] --> B["Selektor kontekstualno‑svjesnih prompta"]
    B --> C["Prompt za dohvat regulative"]
    B --> D["Prompt za rezoniranje nad grafom znanja"]
    B --> E["Prompt za sentiment i ton"]
    C --> F["Skladište teksta regulative"]
    D --> G["Dinamički ontološki graf"]
    E --> H["Model sentimenta (višejezični)"]
    F --> I["Dohvaćeni odlomci klauzula"]
    G --> J["Razmišljajući čvorovi dokaza"]
    H --> K["Odlomci prilagođeni tonu"]
    I --> L["Međuprostorni payload"]
    J --> L
    K --> L
    L --> M["Adaptivni prompt za prijevod"]
    M --> N["Konačni narativ"]
    N --> O["Odgovor klijentu"]
    style B fill:#f9f,stroke:#333,stroke-width:2px
    style M fill:#bbf,stroke:#333,stroke-width:2px
```

**Ključne komponente**

* **Selektor kontekstualno‑svjesnih prompta** – lagani klasifikator (npr. distilirani BERT) koji mapira atribute zahtjeva na predložak lanca.  
* **Prompt za dohvat regulative** – pretražuje vektorsko skladište regulatornih dokumenata pomoću ugrađenih prikaza prilagođenih pravnom jeziku.  
* **Prompt za rezoniranje nad grafom znanja** – poziva LLM svjestan grafa (npr. Neo4j‑augmented GPT) za inferenciju odnosa između klauzula, obveza i poslovnih procesa.  
* **Prompt za sentiment i ton** – prilagođava ton narativa ovisno o razini rizika (visoki rizik → formalan, nizak rizik → razgovorni).  
* **Adaptivni prompt za prijevod** – koristi višejezični LLM fino podešen na pravne korpuse, čuvajući semantiku klauzula.  
* **Skorer povjerenja na razini lanca** – agregira vjerojatnosti na razini tokena i ocjene porijekla kako bi proizveo jedinstvenu metriku povjerenja koju vide službenici za usklađenost.

---

## 3. Temeljni algoritmi

### 3.1 Selektor kontekstualno‑svjesnih prompta

```python
def select_chain(request):
    # request: {regulation_id, language, risk_tier}
    features = embed(request)                     # mali gusti vektor
    chain_id = classifier.predict(features)       # npr. "EU‑GDPR‑EN‑HIGH"
    return CHAIN_TEMPLATES[chain_id]
```

*Koristi se prethodno trenirani sentence‑transformer fino podešen na označenom skupu podataka prošlih zahtjeva za usklađenost.*

### 3.2 Adaptivni miješalac sentimenta

Sentiment nije binaran; narativi o usklađenosti trebaju **ton ponderiran rizikom**. Izračunavamo ponderiranu mješavinu dvaju vektora tona (formalan, razgovorni) na temelju razine rizika.

```python
def mix_tone(base_snippet, risk_score):
    formal_vec = tone_encoder("formal")
    conv_vec   = tone_encoder("conversational")
    mix = (risk_score * formal_vec) + ((1 - risk_score) * conv_vec)
    return llm.generate(prompt=base_snippet, style_vector=mix)
```

`risk_score` je normaliziran između 0 (nizak) i 1 (visok).

### 3.3 Skorer povjerenja na razini lanca

Svaki pod‑prompt vraća **lokalno povjerenje** (vjerojatnost tokena LLM‑a) i **hash porijekla** (SHA‑256 ID‑ova izvora). Konačna ocjena je geometrijska sredina ponderirana važnošću svakog koraka.

```python
def aggregate_confidence(confidences, weights):
    weighted = [c**w for c, w in zip(confidences, weights)]
    return math.prod(weighted) ** (1 / sum(weights))
```

Povjerenje se prikazuje u UI‑ju i može aktivirati **ljudski nadzor** kada padne ispod konfigurabilnog praga (npr. 0,78).

---

## 4. Obrasci implementacije Edge‑to‑Cloud

| Sloj | Odgovornost | Primjer tehnologije |
|------|-------------|---------------------|
| **Edge** | Brzi dohvat često korištenih klauzula, niskolatentno miješanje sentimenta. | NVIDIA Jetson, ONNX‑runtime LLM‑i (7B) |
| **Cloud** | Teško graf‑rezoniranje, višejezični prijevod, orkestracija lanca. | Azure Functions, Neo4j Aura, OpenAI GPT‑4o |
| **Data Lake** | Nepromenjivo skladište sirovih PDF‑ova regulative, verzionirane ugradnje. | Amazon S3 + LakeFS |
| **Observability** | Distribuirano praćenje (OpenTelemetry), analitika korištenja prompta. | Grafana Loki, Prometheus |

**Tok rada**: Klijentski zahtjev najprije dolazi do edge gateway‑a koji izvršava Selektor prompta. Ako odabrani lanac zahtijeva tešku graf‑rezonanciju, edge prosljeđuje kompaktan payload cloud servisu, prima rezultat rezonancije i dovršava lanac lokalno. Ovaj hibridni model smanjuje ukupnu latenciju na **≈ 650 ms** za većinu visokofrekventnih upita.

---

## 5. Sigurnost i povjerenje – integracija Zero‑Knowledge Proof

Narativi o usklađenosti često moraju dokazati da su temeljni dokazi **neizmijenjeni**, a da se pritom ne otkrivaju sirovi dokumenti. Motor može priložiti **ZKP atestaciju** svakom hash‑u porijekla:

1. Izračunaj Merkle‑korijen od korištenih odlomaka klauzula.  
2. Generiraj zk‑SNARK dokaz da korijen odgovara verzioniranom unosu u regulatornom ledgeru.  
3. Dodaj dokaz u metapodatke konačnog narativa.

Revizori mogu provjeriti dokaz javnim verifier‑ključem, osiguravajući **otpor na manipulacije** uz čuvanje povjerljivosti teksta klauzula.

---

## 6. Kontrolna lista za skaliranje

| ✅ Stavka | Zašto je važna |
|----------|----------------|
| **Verzija prompta** – pohrani svaki prompt u Git‑backed registar. | Omogućuje vraćanje na staru verziju i A/B testiranje. |
| **Registri dinamičnih lanaca** – JSON shema koja opisuje redoslijed prompta, težine i rezervne putanje. | Omogućuje brzo dodavanje novih regulativa. |
| **Nevaljanost cache‑a** – TTL‑temeljeno istjecanje ugradnji klauzula nakon regulatornih ažuriranja. | Garantira svježinu bez potpunog reindeksiranja. |
| **Dashboard observabilnosti** – toplinska karta latencije po fazi lanca u stvarnom vremenu. | Otkriva uska grla prije nego što utječu na SLA‑e. |
| **Prag za ljudski nadzor** – konfigurabilni pragovi povjerenja po razini rizika. | Balansira automatizaciju i toleranciju na regulatorni rizik. |
| **Izolacija po najmu** – namespace‑ograničeni vektorski store i particije KG‑a. | Podržava SaaS pružatelje koji služe više klijenata. |
| **Revizijski zapisi** – izvozivi logovi porijekla s ZKP dokazima. | Zadovoljava regulatorne zahtjeve za audit‑trails. |

---

## 7. Primjer iz prakse

**Scenarij**: Europski SaaS pružatelj prima dopunu **GDPR**‑a (2026‑A1) koja zahtijeva nove objave o zadržavanju podataka na francuskom i njemačkom.  

1. **Zahtjev**: `{regulation_id: "GDPR‑2026‑A1", language: ["fr","de"], risk_tier: "high"}`  
2. **Selektor** odabire lanac `["Retrieval‑FR‑DE", "KG‑Reasoning", "Sentiment‑High", "Translate‑FR‑DE"]`.  
3. **Edge** dohvaća najnovije GDPR ugradnje (keširane).  
4. **Cloud** izvršava graf‑rezoniranje kako bi povezao klauzulu s inventarom obrade podataka pružatelja.  
5. **Miješalac sentimenta** primjenjuje formalan ton.  
6. **Prompt za prijevod** proizvodi dva paralelna narativa, svaki s ZKP atestacijom.  

Službenik za usklađenost prima dva spremna za objavu narativa za manje od **800 ms**, s ocjenom povjerenja **0,92** i paketom dokaza za preuzimanje.

---

## 8. Smjerovi za budućnost

* **Kontrastno višejezično pred‑treniranje** – usklađivanje ugradnji kroz jezike radi smanjenja latencije prijevoda.  
* **Učenje pojačanjem iz povratnih informacija ljudi (RLHF)** – kontinuirano poboljšavanje odabira tona na temelju odobrenja recenzenta.  
* **Federativna ažuriranja edge KG‑a** – omogućiti svakoj regionalnoj podružnici da doprinese lokalnim regulatornim promjenama bez izlaganja centralnim podacima.  

---