System Requirements Document for zer0trace-ai

1. Introduction

zer0trace-ai — это проект полностью локального мультиагентного ИИ-ассистента Zer0Trace AI, который разрабатывается одним человеком на собственном оборудовании и должен работать без облаков и подписок. Продуктовый замысел — построить ассистента, который ведёт себя как автономный агент: сам планирует работу, делегирует подзадачи специализированным агентам, проверяет и исправляет результаты, удерживает одну задачу до 18 часов непрерывно, не теряя контекст и цель, и при этом спрашивает разрешение перед опасными действиями.

Аудитория — единственный пользователь системы: Локальный разработчик Zer0Trace AI. Он же является оператором, владельцем железа и источником правок, на которых система обучается. Продукт обязан умещать все модели и данные в жёсткие рамки: GPU RTX 3060 (12 ГБ VRAM), 32 ГБ RAM, отдельный SSD 1 ТБ (диск E:) под ИИ, ОС Windows, лимит занимаемого места до 950 ГБ с сохранением 50 ГБ свободными.

Система должна уметь работать в предметных областях: код, безопасность, OSINT, бизнес, SEO, копирайтинг, генерация фото, motion-графика через код, монтаж видео, клонирование голоса. Она ищет в сети, когда это нужно, и объясняет, зачем. Она помнит проекты, предпочтения и стиль кода, а также учится на правках пользователя через LoRA-адаптеры.

Целевой ориентир качества — превзойти по кодингу и по созданию контента (Blender, игры, видео, motion-графика) модели класса Opus 5.5 и последующие модели этой линейки, а также модели класса GPT-6 Astra и последующие модели этой линейки. Система проектируется как личный инструмент одного человека: выпуск для других пользователей не заявлен, и если более мощная конфигурация возможна только для личного использования, она остаётся личной. Итоговая поставка — программа Zer0Trace AI, запускаемая локально на Windows; для удобства запуска предусматривается упаковка в .exe или .bat-лаунчер. Диск 1 ТБ (диск E:) заполняется моделями и данными до лимита 950 ГБ. 32 ГБ RAM могут разделяться между видеокартой и оперативной памятью: если 12 ГБ VRAM не хватает, система использует offload в RAM как штатный резервный путь.

2. System Overview

Zer0Trace AI — это локальный мультиагентный ассистент, разворачиваемый на одной рабочей станции под Windows. Его ядро — оркестратор, который принимает запрос пользователя, классифицирует его через роутер (3B), выбирает режим работы (\xe2\x9a\xa1Быстрый,\x20\xf0\x9f\xa7\xa0Средний,\x20\xf0\x9f\x92\xaaМощный) и запускает пул агентов-специалистов: кодеры, хакеры, OSINT, бизнес, general, vision, переводчики. В мощном режиме конвейер строится как планировщик → команда агентов → критик → цикл до 3 итераций, при этом слабые модели отсекаются по порогу 0.8.

Память системы гибридная: ChromaDB для векторного поиска, SQLite для структурированного состояния и DreamCycle для самообучения. Инструменты подключаются через MCP-серверы: файлы, веб-поиск, Blender, Unity, security tools, OSINT. Все модели находятся в диапазоне 3B–24B и должны влезать в 12 ГБ VRAM с offload в 32 ГБ RAM; последовательная загрузка моделей через hot-swap позволяет не упираться в VRAM.

Ключевые сквозные обязательства: удержание задачи до 18 часов непрерывно без потери контекста и цели; компрессия истории чата без потери сути; самокоррекция (агент пишет код → запускает → смотрит результат → находит баг → исправляет → повторяет); DreamCycle-самообучение (сбор удачных диалогов → обучение LoRA → тестирование → внедрение или откат); система разрешений allow/deny/ask, при которой агент замирает перед опасным действием и показывает обоснование.

Целевой уровень качества задаётся как превосходство над моделями класса Opus 5.5 и GPT-6 Astra и их последующими моделями в кодинге, Blender, создании игр и видео. Система остаётся личным инструментом одного оператора: выпуск для других пользователей не заявлен. Поставка — локальная программа Zer0Trace AI с упаковкой в .exe или .bat-лаунчер для простого запуска.

Инфраструктура развёртывания на рабочей станции: общий backend-процесс (FastAPI) обслуживает прикладные API и доменные модули; frontend — React-приложение; база данных MariaDB хранит прикладные постоянные данные; LiteLLM-шлюз обслуживает вызовы моделей-провайдеров из backend; PostgreSQL поддерживает LiteLLM и отделён от прикладного хранилища. Новые прикладные API и доменные функции расширяют существующий backend, а не добавляют отдельные сервисы.

2a. Product Interpretation and Delivery Boundary

Zer0Trace AI — это локальная система, а не веб-сервис. Всё работает на машине пользователя: модели, память, инструменты, обучение. Облака и подписки исключены как способ доставки и как источник вычислений. Внешний веб-поиск допускается только как инструмент, который ассистент вызывает по необходимости и обязан объяснять, зачем он это делает.

Доставка — это локальный запуск на Windows с доступом к RTX 3060, 32 ГБ RAM и SSD E:. Доступ к локальным моделям, ChromaDB, SQLite, DreamCycle и MCP-серверам должен быть настроен до выполнения рабочих задач. Опасные действия остаются приостановленными до решения пользователя allow, deny или ask. Длительные задачи должны сохранять журнал, цель, промежуточные результаты и сжатый контекст для возобновления.

Поставка оформляется как программа Zer0Trace AI, запускаемая локально; для удобства запуска предусматривается упаковка в .exe или .bat-лаунчер. Диск 1 ТБ (диск E:) заполняется моделями и данными до лимита 950 ГБ с сохранением 50 ГБ свободными. 32 ГБ RAM могут разделяться между видеокартой и оперативной памятью: при нехватке 12 ГБ VRAM система использует offload в RAM как штатный резервный путь. Система остаётся личным инструментом одного оператора — выпуск для других пользователей не заявлен.

Границы текущей версии: система проектируется и реализуется как локальный мультиагентный ассистент с описанными выше возможностями. Всё, что выходит за рамки локального запуска, за рамки перечисленных предметных областей или за рамки железа пользователя, в текущую поставку не входит.

2b. Page Content and Component Coverage

Локальная рабочая станция Zer0Trace AI

• Назначение и контекст. Единственная точка взаимодействия пользователя с системой на его машине под Windows. Здесь пользователь формулирует задачу, выбирает режим, наблюдает за работой агентов, отвечает на запросы разрешений и получает результат. Это личный инструмент одного оператора: выпуск для других пользователей не заявлен. Поставка — локальная программа Zer0Trace AI с упаковкой в .exe или .bat-лаунчер для простого запуска.
• Информация и состояние. Текущий запрос и его формулировка; выбранный режим (\xe2\x9a\xa1Быстрый,\x20\xf0\x9f\xa7\xa0Средний,\x20\xf0\x9f\x92\xaaМощный); статус задачи (ожидание, планирование, выполнение, критика, завершение, приостановка); таймер удержания задачи (до 18 часов); список активных агентов-специалистов; текущая итерация цикла (до 3); порог отсечения слабых моделей (0.8); состояние памяти (ChromaDB, SQLite, DreamCycle); состояние VRAM/RAM и текущая загруженная модель; режим распределения памяти между VRAM и RAM (offload как резервный путь при нехватке 12 ГБ VRAM); занятое место на диске E: относительно лимита 950 ГБ и остатка 50 ГБ; журнал действий и промежуточных результатов; сжатый контекст задачи.
• Основные действия. Ввод задачи; выбор режима; запуск; ответ на запрос разрешения (allow / deny / ask); просмотр обоснования опасного действия; просмотр промежуточных результатов; возобновление приостановленной задачи; правка результата (которая становится материалом для LoRA-обучения); запуск программы через .exe или .bat-лаунчер.
• Поддерживающие действия. Просмотр журнала; просмотр состояния памяти; просмотр состояния hot-swap и загруженных моделей; просмотр объяснения, зачем выполняется веб-поиск.
• Доменные сущности. Задача; режим; агент-специалист; итерация; результат; правка пользователя; запрос разрешения; запись памяти; LoRA-адаптер; MCP-инструмент; модель-провайдер (LiteLLM-шлюз); прикладная запись MariaDB; лаунчер .exe/.bat.

• Ответственность компонентов. Панель задачи принимает формулировку и режим; панель выполнения показывает статус, итерации и активных агентов; панель разрешений показывает опасное действие и обоснование с кнопками allow/deny/ask; панель памяти показывает состояние ChromaDB, SQLite и DreamCycle; панель ресурсов показывает VRAM/RAM, режим распределения памяти между VRAM и RAM, текущую модель и занятое место на диске E: относительно лимита 950 ГБ; журнал фиксирует все шаги. Backend (FastAPI) обслуживает прикладные API и доменные модули; frontend (React) отображает рабочую станцию; MariaDB хранит прикладные постоянные данные; LiteLLM-шлюз обслуживает вызовы моделей-провайдеров; PostgreSQL поддерживает LiteLLM и отделён от прикладного хранилища.
• Состояния. Загрузка: инициализация моделей, памяти и MCP-серверов. Пусто: нет активной задачи — предложение сформулировать запрос. Успех: задача завершена, результат показан, журнал сохранён. Ошибка: модель не влезла в VRAM, MCP-сервер недоступен, задача потеряла контекст, свободного места на диске E: меньше 50 ГБ. Восстановление: hot-swap модели, offload в RAM при нехватке VRAM, повторная загрузка контекста из ChromaDB/SQLite, возобновление с последней сохранённой точки.

3. Functional Requirements

3.1 Оркестрация и режимы

FR-1. Классификация запроса роутером (3B). As a Локальный разработчик Zer0Trace AI, I should получить автоматическую классификацию своего запроса роутером (3B), so that система выбрала подходящий режим и специалистов.

• Provenance: explicit.
• Lifecycle: initiator — пользователь; trigger — ввод запроса; observable result — запрос отнесён к категории и передан дальше; access — локальный запуск; failure/recovery — при неуверенной классификации система переспрашивает или выбирает средний режим; continuation — переход к выбранному режиму.
• Acceptance: запрос классифицирован; выбранный режим виден пользователю.

FR-2. Три режима работы. As a Локальный разработчик Zer0Trace AI, I should выбирать между\x20\xe2\x9a\xa1Быстрым,\x20\xf0\x9f\xa7\xa0Средним и\x20\xf0\x9f\x92\xaaМощным режимами, so that я управлял глубиной и стоимостью обработки.

• Provenance: explicit.
• Lifecycle: initiator — пользователь; trigger — выбор режима; observable result — режим зафиксирован и определяет конвейер; failure/recovery — при нехватке VRAM система предлагает более лёгкий режим; continuation — запуск конвейера.
• Acceptance: все три режима доступны; выбранный режим отображается.

FR-3. Конвейер мощного режима. As a Локальный разработчик Zer0Trace AI, I should получать в мощном режиме конвейер планировщик → команда агентов → критик → цикл до 3 итераций, so that сложные задачи решались с проверкой и исправлением.

• Provenance: explicit.
• Lifecycle: initiator — пользователь; trigger — выбор мощного режима; observable result — план, работа команды, критика, до 3 итераций; failure/recovery — при исчерпании 3 итераций система показывает, что не сошлось; continuation — выдача лучшего результата с пометкой.
• Acceptance: цикл ограничен 3 итерациями; критик участвует в каждой итерации.

FR-4. Отсечение слабых моделей по порогу 0.8. As a Локальный разработчик Zer0Trace AI, I should видеть, что модели с оценкой ниже 0.8 отсекаются, so that в результат попадали только достаточно качественные варианты.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — оценка кандидата; observable result — кандидат ниже 0.8 отброшен; failure/recovery — если все кандидаты ниже порога, система сообщает об этом; continuation — либо принятие лучшего с пометкой, либо запрос уточнения.
• Acceptance: порог 0.8 применяется; отсечение видно в журнале.

FR-5. Планирование, делегирование, проверка, исправление. As a Локальный разработчик Zer0Trace AI, I should видеть, как ассистент планирует, делегирует задачи, проверяет и исправляет результаты, so that я доверял его автономной работе.

• Provenance: explicit.
• Lifecycle: initiator — пользователь; trigger — запуск задачи; observable result — видимые шаги планирования, делегирования, проверки и исправления; failure/recovery — при сбое шага система повторяет или сообщает; continuation — переход к следующему шагу.
• Acceptance: все четыре шага отражены в журнале.

3.2 Агенты-специалисты

FR-6. Пул специалистов. As a Локальный разработчик Zer0Trace AI, I should иметь пул агентов-специалистов: кодеры, хакеры, OSINT, бизнес, general, vision, переводчики, so that задачи разных предметных областей решались профильными агентами.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — классификация запроса; observable result — выбран профильный агент; failure/recovery — при отсутствии подходящего специалиста задача идёт к general; continuation — выполнение подзадачи.
• Acceptance: все перечисленные роли присутствуют.

FR-7. Предметные области. As a Локальный разработчик Zer0Trace AI, I should получать результаты по коду, безопасности, OSINT, бизнесу, SEO, копирайтингу, генерации фото, motion-графике через код, монтажу видео и клонированию голоса, so that система покрывала мои рабочие задачи.

• Provenance: explicit.
• Lifecycle: initiator — пользователь; trigger — задача в одной из областей; observable result — результат в соответствующем формате; failure/recovery — при нехватке ресурсов система сообщает и предлагает разбить задачу; continuation — выдача результата.
• Acceptance: каждая из десяти областей обрабатывается.

FR-8. Диапазон моделей 3B–24B с offload. As a Локальный разработчик Zer0Trace AI, I should использовать модели в диапазоне 3B–24B, влезающие в 12 ГБ VRAM с offload в 32 ГБ RAM, so that система работала на моём железе.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — выбор модели; observable result — модель загружена с offload; failure/recovery — при нехватке VRAM система переключается на меньшую модель; continuation — выполнение задачи.
• Acceptance: ни одна модель не выходит за 3B–24B; offload работает.

FR-8a. Разделение 32 ГБ RAM между видеокартой и оперативной памятью. As a Локальный разработчик Zer0Trace AI, I should чтобы 32 ГБ RAM могли разделяться между видеокартой и оперативной памятью, so that при нехватке 12 ГБ VRAM система использовала RAM как штатный резервный путь.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — нехватка VRAM при загрузке модели; observable result — часть модели выгружена в RAM (offload), задача продолжается; failure/recovery — если и RAM не хватает, система выбирает меньшую модель в диапазоне 3B–24B и сообщает об этом; continuation — выполнение задачи на выбранной конфигурации.
• Acceptance: offload в RAM работает как резервный путь; распределение памяти видно пользователю.

FR-8b. Целевой уровень качества — превзойти Opus 5.5 и GPT-6 Astra и их последующие модели. As a Локальный разработчик Zer0Trace AI, I should чтобы система по кодингу и по созданию контента (Blender, игры, видео, motion-графика) превосходила модели класса Opus 5.5 и GPT-6 Astra и их последующие модели, so that я получил личный инструмент мощнее этих систем.

• Provenance: explicit.
• Lifecycle: initiator — пользователь; trigger — постановка задачи по кодингу или созданию контента; observable result — результат соответствует целевому уровню качества; failure/recovery — при недостижении уровня система сообщает, чего не хватило, и предлагает разбить задачу или сменить модель; continuation — выдача лучшего результата с пометкой.
• Acceptance: целевой уровень качества зафиксирован как ориентир для кодинга, Blender, игр и видео; система остаётся личным инструментом одного оператора.

FR-8c. Личный инструмент одного оператора. As a Локальный разработчик Zer0Trace AI, I should чтобы система была личным инструментом только для меня, so that если более мощная конфигурация возможна только для личного использования, она оставалась личной.

• Provenance: explicit.
• Lifecycle: initiator — пользователь; trigger — запуск системы; observable result — система работает для одного оператора; failure/recovery — не применимо; continuation — работа.
• Acceptance: выпуск для других пользователей не заявлен; система не требует многопользовательского режима.

FR-8d. Упаковка в .exe или .bat-лаунчер. As a Локальный разработчик Zer0Trace AI, I should запускать программу Zer0Trace AI через .exe или .bat-лаунчер, so that запуск был простым.

• Provenance: explicit.
• Lifecycle: initiator — пользователь; trigger — запуск программы; observable result — программа Zer0Trace AI запущена локально; failure/recovery — при сбое запуска система сообщает, что именно не настроено; continuation — работа.
• Acceptance: программа запускается локально через .exe или .bat-лаунчер.

3.3 Память и удержание задачи

FR-9. Удержание задачи до 18 часов. As a Локальный разработчик Zer0Trace AI, I should чтобы задача удерживалась до 18 часов непрерывно без потери контекста и цели, so that длинные проекты доводились до конца.

• Provenance: explicit.
• Lifecycle: initiator — пользователь; trigger — запуск длительной задачи; observable result — задача продолжается с сохранением цели и контекста; failure/recovery — при сбое система восстанавливается из журнала и сжатого контекста; continuation — возобновление с последней точки.
• Acceptance: задача живёт до 18 часов; цель и контекст не теряются.

FR-10. Гибридная память ChromaDB + SQLite. As a Локальный разработчик Zer0Trace AI, I should чтобы память хранилась в ChromaDB и SQLite, so that векторный поиск и структурированное состояние работали вместе.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — запись или чтение; observable result — данные сохранены и доступны; failure/recovery — при повреждении индекса система перестраивает его из SQLite; continuation — продолжение работы.
• Acceptance: обе подсистемы используются.

FR-11. Память о проектах, предпочтениях и стиле кода. As a Локальный разработчик Zer0Trace AI, I should чтобы система помнила проекты, предпочтения и стиль кода, so that мне не приходилось повторять одно и то же.

• Provenance: explicit.
• Lifecycle: initiator — пользователь; trigger — работа над проектом; observable result — система учитывает прошлые предпочтения; failure/recovery — при устаревании записи система помечает её; continuation — применение в новой задаче.
• Acceptance: проекты, предпочтения и стиль кода сохраняются и используются.

FR-12. Компрессия истории чата. As a Локальный разработчик Zer0Trace AI, I should чтобы история чата сжималась без потери сути, so that контекст не переполнялся.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — приближение к лимиту контекста; observable result — сжатая версия сохранена, суть сохранена; failure/recovery — при потере важного фрагмента система восстанавливает его из ChromaDB; continuation — продолжение задачи.
• Acceptance: контекст не переполняется; суть сохраняется.

3.4 Инструменты и веб-поиск

FR-13. MCP-серверы. As a Локальный разработчик Zer0Trace AI, I should иметь инструменты через MCP-серверы: файлы, веб-поиск, Blender, Unity, security tools, OSINT, so that агенты могли выполнять реальные действия.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — необходимость инструмента; observable result — инструмент вызван; failure/recovery — при недоступности MCP-сервера система сообщает и предлагает альтернативу; continuation — выполнение задачи.
• Acceptance: все перечисленные MCP-серверы доступны.

FR-14. Веб-поиск с объяснением. As a Локальный разработчик Zer0Trace AI, I should чтобы система искала в сети, когда нужно, и объясняла, зачем, so that я понимал необходимость внешнего запроса.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — нехватка знаний; observable result — поиск выполнен, объяснение показано; failure/recovery — при недоступности сети система сообщает и продолжает без поиска; continuation — использование результатов.
• Acceptance: каждый веб-поиск сопровождается объяснением.

3.5 Разрешения

FR-15. Система allow/deny/ask. As a Локальный разработчик Zer0Trace AI, I should чтобы система спрашивала разрешения перед опасными действиями через allow/deny/ask, so that я контролировал риск.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — обнаружение опасного действия; observable result — агент замирает, показывает обоснование, ждёт решения; failure/recovery — при отсутствии ответа действие остаётся приостановленным; continuation — выполнение или отмена по решению.
• Acceptance: опасное действие не выполняется без решения; обоснование показано.

FR-16. Приостановка до решения. As a Локальный разработчик Zer0Trace AI, I should чтобы опасные действия оставались приостановленными до моего решения allow, deny или ask, so that ничего опасного не произошло само.

• Provenance: required_inference.
• Lifecycle: initiator — система; trigger — запрос разрешения; observable result — действие в состоянии ожидания; failure/recovery — при сбое состояние ожидания сохраняется; continuation — решение пользователя.
• Acceptance: действие не выполняется до решения.

3.6 Самообучение

FR-17. DreamCycle-самообучение. As a Локальный разработчик Zer0Trace AI, I should чтобы система собирала удачные диалоги, обучала LoRA, тестировала и внедряла или откатывала, so that она улучшалась на моих правках.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — накопление удачных диалогов; observable result — LoRA обучена, протестирована, внедрена или откатана; failure/recovery — при провале теста адаптер откатывается; continuation — возврат к предыдущему состоянию.
• Acceptance: цикл сбор → обучение → тест → внедрение/откат работает.

FR-18. Обучение на правках пользователя. As a Локальный разработчик Zer0Trace AI, I should чтобы система училась на моих правках через LoRA-адаптеры, so that она подстраивалась под мой стиль.

• Provenance: explicit.
• Lifecycle: initiator — пользователь; trigger — правка результата; observable result — правка учтена как материал для LoRA; failure/recovery — при недостатке данных обучение откладывается; continuation — накопление и обучение.
• Acceptance: правки становятся материалом для LoRA.

3.7 Самокоррекция и ресурсы

FR-19. Самокоррекция кода. As a Локальный разработчик Zer0Trace AI, I should чтобы агент писал код, запускал, смотрел результат, находил баг, исправлял и повторял, so that код доводился до рабочего состояния.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — задача по коду; observable result — цикл написание → запуск → наблюдение → исправление; failure/recovery — при невозможности исправить система сообщает; continuation — повтор до успеха или лимита.
• Acceptance: цикл работает; инструменты (скриншоты, эмуляция, sandbox) задействованы.

FR-20. Hot-swap моделей. As a Локальный разработчик Zer0Trace AI, I should чтобы модели загружались последовательно через hot-swap, so that система не упиралась в VRAM.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — смена агента; observable result — предыдущая модель выгружена, новая загружена; failure/recovery — при нехватке VRAM система выбирает меньшую модель; continuation — выполнение задачи.
• Acceptance: hot-swap работает; порядок загрузки оптимален.

FR-21. Локальный запуск на Windows. As a Локальный разработчик Zer0Trace AI, I should запускать систему локально на Windows с доступом к RTX 3060, 32 ГБ RAM и SSD E:, so that всё работало на моём железе.

• Provenance: required_inference.
• Lifecycle: initiator — пользователь; trigger — запуск системы; observable result — система работает локально; failure/recovery — при нехватке ресурсов система сообщает; continuation — работа.
• Acceptance: система запускается на Windows с указанным железом.

FR-22. Настройка доступа к компонентам. As a Локальный разработчик Zer0Trace AI, I should чтобы доступ к локальным моделям, ChromaDB, SQLite, DreamCycle и MCP-серверам был настроен до выполнения рабочих задач, so that задачи не падали из-за ненастроенного окружения.

• Provenance: required_inference.
• Lifecycle: initiator — пользователь; trigger — первый запуск; observable result — компоненты доступны; failure/recovery — при недоступности система сообщает, что именно не настроено; continuation — выполнение задач.
• Acceptance: все компоненты доступны до старта задач.

FR-23. Сохранение журнала и сжатого контекста. As a Локальный разработчик Zer0Trace AI, I should чтобы длительные задачи сохраняли журнал, цель, промежуточные результаты и сжатый контекст для возобновления, so that задача переживала сбои.

• Provenance: required_inference.
• Lifecycle: initiator — система; trigger — ход длительной задачи; observable result — журнал и сжатый контекст сохранены; failure/recovery — при сбое система восстанавливается из сохранённого; continuation — возобновление.
• Acceptance: журнал, цель, промежуточные результаты и сжатый контекст сохраняются.

FR-24. Лимит диска 950 ГБ. As a Локальный разработчик Zer0Trace AI, I should чтобы система занимала до 950 ГБ и оставляла 50 ГБ свободными, so that диск E: не переполнялся.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — рост данных; observable result — занятое место под контролем; failure/recovery — при приближении к лимиту система предупреждает; continuation — очистка или отказ от загрузки.
• Acceptance: занятое место ≤ 950 ГБ; свободно ≥ 50 ГБ.

FR-24a. Заполнение диска 1 ТБ моделями и данными. As a Локальный разработчик Zer0Trace AI, I should чтобы диск 1 ТБ (диск E:) заполнялся моделями и данными до лимита 950 ГБ, so that локальные модели и данные занимали доступное место.

• Provenance: explicit.
• Lifecycle: initiator — система; trigger — загрузка моделей и данных; observable result — занятое место растёт до лимита 950 ГБ; failure/recovery — при достижении лимита система отказывается от загрузки новых моделей или данных и предупреждает; continuation — очистка или отказ от загрузки.
• Acceptance: диск 1 ТБ заполняется моделями и данными до 950 ГБ; свободно ≥ 50 ГБ.

FR-24b. Вывод только в чат и SRD. As a Локальный разработчик Zer0Trace AI, I should чтобы результаты и документы выводились в чат, а из файлов создавался максимум SRD, so that система не создавала лишних файлов.

• Provenance: explicit.
• Lifecycle: initiator — пользователь; trigger — запрос результата или документа; observable result — результат показан в чате, документ — в SRD; failure/recovery — при необходимости файла система сообщает об этом; continuation — работа.
• Acceptance: вывод идёт в чат; из файлов создаётся максимум SRD.

4. User Personas

Локальный разработчик Zer0Trace AI

Продуктовый контекст. Это единственный пользователь системы и одновременно её автор. Он работает на собственной машине под Windows: RTX 3060 (12 ГБ VRAM), 32 ГБ RAM, отдельный SSD 1 ТБ (диск E:) только под ИИ. Он принципиально не использует облака и подписки — всё должно работать локально. Его задача — построить мультиагентного ассистента, который приблизится к уровню автономности и качества зрелых систем, но останется в рамках его железа.

Основная цель. Получить локального мультиагентного ассистента, который сам планирует, делегирует, проверяет и исправляет; удерживает задачу до 18 часов непрерывно; покрывает код, безопасность, OSINT, бизнес, SEO, копирайтинг, генерацию фото, motion-графику через код, монтаж видео и клонирование голоса; ищет в сети, когда нужно, и объясняет, зачем; спрашивает разрешения перед опасными действиями; учится на его правках через LoRA-адаптеры; помнит проекты, предпочтения и стиль кода.

Отличительные обязанности. Он не просто пользователь — он архитектор и оператор. Он выбирает режим (\xe2\x9a\xa1Быстрый,\x20\xf0\x9f\xa7\xa0Средний,\x20\xf0\x9f\x92\xaaМощный), отвечает на запросы allow/deny/ask, правит результаты (что становится материалом для LoRA), следит за ресурсами VRAM/RAM, за распределением памяти между VRAM и RAM и за лимитом диска. Он же настраивает доступ к моделям, ChromaDB, SQLite, DreamCycle и MCP-серверам до начала работы. Он запускает программу Zer0Trace AI через .exe или .bat-лаунчер. Система — его личный инструмент: выпуск для других пользователей не заявлен.

Входы и решения. Формулировка задачи; выбор режима; решение allow/deny/ask по опасным действиям; правка результата; решение о внедрении или откате LoRA-адаптера; решение о разбиении задачи при нехватке ресурсов.

Взаимодействие с другими участниками. Других людей в системе нет. Его контрагенты — это агенты-специалисты (кодеры, хакеры, OSINT, бизнес, general, vision, переводчики), роутер (3B), планировщик, критик, DreamCycle и MCP-серверы. Он взаимодействует с ними через локальную рабочую станцию: ставит задачу, наблюдает, отвечает на запросы разрешений, правит результат.

Наблюдаемый успех. Задача доведена до конца за срок до 18 часов без потери контекста и цели; результат соответствует предметной области; результат по кодингу и созданию контента (Blender, игры, видео, motion-графика) соответствует целевому уровню — превзойти Opus 5.5 и GPT-6 Astra и их последующие модели; опасные действия не выполнены без его решения; система помнит его проекты, предпочтения и стиль кода; LoRA-адаптер улучшил поведение или был откачен; занятое место не превысило 950 ГБ и оставило 50 ГБ свободными; программа запускается локально через .exe или .bat-лаунчер.

5. Core User Flows

Поток 1. Быстрая задача в\x20\xe2\x9a\xa1Быстром режиме

1. Пользователь открывает локальную рабочую станцию Zer0Trace AI на Windows.
2. Пользователь формулирует короткий запрос и выбирает режим\x20\xe2\x9a\xa1Быстрый.
3. Роутер (3B) классифицирует запрос и передаёт его напрямую профильному агенту-специалисту.
4. Агент выполняет задачу, при необходимости вызывая MCP-инструмент (например, файлы).
5. Пользователь видит результат и журнал шагов.
6. Если результат требует правки, пользователь правит его — правка сохраняется как материал для LoRA.
7. Сбой: если модель не влезает в VRAM, система выполняет hot-swap на меньшую модель и сообщает об этом. Продолжение: задача завершается на меньшей модели.

Поток 2. Сложная задача в\x20\xf0\x9f\x92\xaaМощном режиме

1. Пользователь формулирует сложную задачу и выбирает режим\x20\xf0\x9f\x92\xaaМощный.
2. Роутер (3B) классифицирует запрос.
3. Планировщик строит план и формирует команду агентов-специалистов.
4. Команда выполняет подзадачи; каждая подзадача делегируется профильному агенту.
5. Критик проверяет результат. Модели с оценкой ниже 0.8 отсекаются.
6. Если результат неудовлетворителен, цикл повторяется — до 3 итераций.
7. Пользователь видит финальный результат, историю итераций и отсечённые варианты.
8. Сбой: если после 3 итераций результат не сошёлся, система показывает, что именно не сошлось, и предлагает лучший вариант с пометкой. Продолжение: пользователь принимает, правит или переформулирует задачу.

Поток 3. Длительная задача до 18 часов

1. Пользователь запускает длительную задачу (например, многоэтапный проект по коду).
2. Система сохраняет цель, журнал и промежуточные результаты в SQLite и ChromaDB.
3. По мере роста истории система выполняет компрессию чата, сохраняя суть.
4. Задача продолжается без потери контекста и цели.
5. Пользователь может в любой момент посмотреть состояние, промежуточные результаты и сжатый контекст.
6. Сбой: при сбое система восстанавливается из журнала и сжатого контекста и возобновляет задачу с последней точки. Продолжение: задача доводится до конца в пределах 18 часов.

Поток 4. Опасное действие и разрешение

1. Агент в ходе выполнения задачи обнаруживает действие, классифицированное как опасное.
2. Агент замирает и формирует запрос разрешения с обоснованием.
3. Пользователь видит обоснование и выбирает allow, deny или ask.
4. При allow действие выполняется; при deny — отменяется; при ask — система уточняет детали и возвращается с уточнённым запросом.
5. Сбой: если пользователь не отвечает, действие остаётся приостановленным. Продолжение: задача ждёт решения, остальные шаги могут продолжаться, если они не зависят от приостановленного действия.

Поток 5. Веб-поиск с объяснением

1. Агент обнаруживает нехватку знаний для выполнения задачи.
2. Агент формулирует, зачем нужен веб-поиск, и показывает объяснение пользователю.
3. Агент вызывает MCP-инструмент веб-поиска.
4. Результаты поиска используются в задаче.
5. Сбой: при недоступности сети система сообщает об этом и продолжает без поиска, помечая результат как неполный. Продолжение: пользователь может повторить поиск позже.

Поток 6. Самокоррекция кода

1. Агент-кодер пишет код.
2. Агент запускает код в sandbox.
3. Агент смотрит результат (включая скриншоты и эмуляцию, если нужно).
4. Агент находит баг и исправляет его.
5. Цикл повторяется до рабочего состояния или до лимита итераций.
6. Сбой: если баг не удаётся исправить, система сообщает об этом и показывает, что именно не сходится. Продолжение: пользователь правит код — правка становится материалом для LoRA.

Поток 7. DreamCycle-самообучение

1. Система накапливает удачные диалоги и правки пользователя.
2. DreamCycle формирует датасет и обучает LoRA-адаптер.
3. Адаптер тестируется на контрольных задачах.
4. Если тест пройден — адаптер внедряется; если нет — откатывается.
5. Пользователь видит результат внедрения или отката.
6. Сбой: при провале теста система возвращается к предыдущему состоянию без потери работоспособности. Продолжение: накопление новых данных для следующей попытки.

Поток 8. Hot-swap моделей

1. Система определяет, что для следующего шага нужна другая модель.
2. Текущая модель выгружается из VRAM.
3. Новая модель загружается с offload в RAM.
4. Задача продолжается на новой модели.
5. Сбой: если новая модель не влезает в VRAM, система использует offload в RAM как штатный резервный путь, разделяя 32 ГБ RAM между видеокартой и оперативной памятью; если и RAM не хватает, система выбирает меньшую модель в диапазоне 3B–24B. Продолжение: задача выполняется на выбранной конфигурации с пометкой.

Поток 10. Запуск программы Zer0Trace AI

1. Пользователь запускает программу Zer0Trace AI локально через .exe или .bat-лаунчер.
2. Система инициализирует модели, память и MCP-серверы.
3. Система проверяет доступ к локальным моделям, ChromaDB, SQLite, DreamCycle и MCP-серверам.
4. Система проверяет занятое место на диске E: относительно лимита 950 ГБ и остатка 50 ГБ.
5. Сбой: если компонент недоступен или свободного места меньше 50 ГБ, система сообщает, что именно не настроено, и не начинает рабочие задачи. Продолжение: после устранения пользователь повторяет запуск.

Поток 9. Контроль ресурсов и лимита диска

1. Система отслеживает занятое место на диске E: и состояние VRAM/RAM.
2. При приближении к лимиту 950 ГБ система предупреждает пользователя.
3. Пользователь решает, что удалить или отложить.
4. Сбой: если свободного места меньше 50 ГБ, система отказывается от загрузки новых моделей или данных. Продолжение: после очистки работа возобновляется.

6. Visuals Colors and Theme

Источник не задаёт визуальную систему для Zer0Trace AI. Ниже — согласованные значения по умолчанию, помеченные как [Default — not specified by user], выбранные так, чтобы отражать локальный, инженерный, «терминальный» характер продукта и не выглядеть как типовой синий шаблон.

• Режим: тёмная тема по умолчанию [Default — not specified by user].
• Цвета по ролям:
  • Фон: #0B0F14 [Default — not specified by user]
  • Поверхность: #131A22 [Default — not specified by user]
  • Граница: #243040 [Default — not specified by user]
  • Основной текст: #E6EDF3 [Default — not specified by user]
  • Вторичный текст: #8B98A5 [Default — not specified by user]
  • Акцент (действие): #F59E0B [Default — not specified by user]
  • Успех: #22C55E [Default — not specified by user]
  • Предупреждение: #FACC15 [Default — not specified by user]
  • Опасность / запрос разрешения: #EF4444 [Default — not specified by user]
  • Информация / метрики: #38BDF8 [Default — not specified by user]
• Шрифты: заголовки — Inter; тело — Inter; моноширинный (журнал, код, логи) — JetBrains Mono [Default — not specified by user].
• Типографическая шкала: 12 / 14 / 16 / 20 / 28 / 36 px [Default — not specified by user].
• Радиусы: 6 px для элементов управления, 10 px для панелей [Default — not specified by user].
• Ритм отступов: базовая единица 4 px; шаги 4 / 8 / 12 / 16 / 24 / 32 [Default — not specified by user].
• Стиль изображений: без декоративных иллюстраций; акцент на данных, логах, метриках и статусах [Default — not specified by user].

7. Signature Design Concept

«Пульт локального разума». Первый экран локальной рабочей станции строится как единый инженерный пульт: слева — поле задачи и выбор режима (\xe2\x9a\xa1Быстрый,\x20\xf0\x9f\xa7\xa0Средний,\x20\xf0\x9f\x92\xaaМощный); в центре — живая лента выполнения, где видно планировщика, команду агентов, критика и номер итерации (до 3); справа — панель ресурсов (VRAM/RAM, текущая модель, hot-swap) и панель памяти (ChromaDB, SQLite, DreamCycle). Внизу — моноширинный журнал, в котором фиксируются все шаги, отсечения по порогу 0.8 и объяснения веб-поиска. Когда агент замирает перед опасным действием, поверх пульта появляется полоса разрешения с обоснованием и тремя действиями: allow, deny, ask. Композиция использует только принятые элементы и состояния — она не добавляет новых возможностей, а делает видимой автономную работу системы.

8. Interaction Model & Motion Direction

Interaction Model: Static (direction) Motion Tempo: restrained Hero Dimensionality: flat

Landing Hero Motion Brief. Фокус — живая лента выполнения задачи: планировщик, команда агентов, критик, номер итерации. Тезис: ввод задачи и выбор режима → классификация роутером и запуск конвейера → наблюдаемый результат с журналом и, при необходимости, запросом разрешения. Словарь движения — сдержанный: появление строк журнала, смена статуса, подсветка активного агента, мягкое появление полосы разрешения. Первый кадр — пустой пульт с полем задачи и выбранным режимом. Состояние при reduced-motion — те же элементы без анимации: статусы и журнал обновляются мгновенно.

9. Non-Functional Requirements

• NFR-1. Полная локальность. Всё работает локально, без облаков и подписок. Provenance: explicit. Rationale: жёсткое ограничение пользователя.
• NFR-2. Железо. GPU RTX 3060 (12 ГБ VRAM), RAM 32 ГБ, ОС Windows. Provenance: explicit.
• NFR-3. Диск. Отдельный SSD 1 ТБ только под ИИ (диск E:). Provenance: explicit.
• NFR-4. Лимит места. Система занимает до 950 ГБ, оставляет 50 ГБ свободными. Provenance: explicit.
• NFR-5. VRAM и offload. Модели влезают в 12 ГБ VRAM с offload в 32 ГБ RAM. 32 ГБ RAM могут разделяться между видеокартой и оперативной памятью: при нехватке 12 ГБ VRAM offload в RAM используется как штатный резервный путь. Provenance: explicit.
• NFR-6. Диапазон моделей. 3B–24B. Provenance: explicit.
• NFR-7. Конкретика. Ответы и решения должны быть конкретными, без общих слов. Provenance: explicit.
• NFR-8. Устойчивость 18+ часов. Система должна работать стабильно 18+ часов. Provenance: explicit (вопрос 9).
• NFR-9. Восстановление после сбоя. Длительные задачи должны восстанавливаться из журнала и сжатого контекста. Provenance: required_inference.
• NFR-10. Целевой уровень качества. Система должна превосходить по кодингу и по созданию контента (Blender, игры, видео, motion-графика) модели класса Opus 5.5 и GPT-6 Astra и их последующие модели. Provenance: explicit.
• NFR-11. Личный инструмент. Система — личный инструмент одного оператора; выпуск для других пользователей не заявлен. Provenance: explicit.
• NFR-12. Упаковка и запуск. Программа Zer0Trace AI запускается локально на Windows через .exe или .bat-лаунчер. Provenance: explicit.
• NFR-13. Вывод только в чат и SRD. Результаты выводятся в чат; из файлов создаётся максимум SRD. Provenance: explicit.

10. Tech Stack

• Язык и рантайм: Python (локальный запуск на Windows). Provenance: explicit (вопрос 8 — стек Python-библиотек).
• Backend: общий процесс FastAPI для прикладных API и доменных модулей; новые прикладные API и доменные функции расширяют этот backend, а не добавляют отдельные сервисы. Provenance: required_inference (инфраструктура развёртывания).
• Frontend: React-приложение (локальная рабочая станция Zer0Trace AI). Provenance: required_inference (инфраструктура развёртывания).
• Прикладное хранилище: MariaDB для прикладных постоянных данных. Provenance: required_inference (инфраструктура развёртывания).
• Шлюз моделей: LiteLLM-шлюз для вызовов моделей-провайдеров из backend. Provenance: required_inference (инфраструктура развёртывания).
• Поддержка шлюза: PostgreSQL поддерживает LiteLLM и отделён от прикладного хранилища. Provenance: required_inference (инфраструктура развёртывания).
• Упаковка и запуск: программа Zer0Trace AI запускается локально через .exe или .bat-лаунчер. Provenance: explicit.
• Локальные модели: модели в диапазоне 3B–24B, влезающие в 12 ГБ VRAM с offload в 32 ГБ RAM. Provenance: explicit.
• Роутер: модель 3B для классификации запросов. Provenance: explicit.
• Память: ChromaDB (векторный поиск) + SQLite (структурированное состояние). Provenance: explicit.
• Самообучение: DreamCycle + LoRA-адаптеры. Provenance: explicit.
• Инструменты: MCP-серверы (файлы, веб-поиск, Blender, Unity, security tools, OSINT). Provenance: explicit.
• Оркестрация: оркестратор + пул специалистов + инструменты. Provenance: explicit.

• Конвейер: последовательная загрузка моделей через hot-swap. Provenance: explicit.
• Стек Python-библиотек: конкретный набор библиотек определяется в ходе реализации под указанное железо; источник требует конкретики, но не фиксирует имена библиотек. Provenance: explicit (требование конкретики) + required_inference (выбор библиотек под железо).

11. Assumptions and Constraints

Допущения.

• A-1. Пользователь — единственный человек-оператор системы. Provenance: explicit.
• A-2. Все вычисления выполняются на одной машине под Windows. Provenance: explicit.
• A-3. Веб-поиск — единственное допустимое внешнее взаимодействие, и только как инструмент с объяснением. Provenance: explicit.
• A-4. Конкретный набор Python-библиотек будет выбран в ходе реализации под RTX 3060 + 32 ГБ RAM. Provenance: required_inference.
• A-5. Порядок загрузки моделей при hot-swap оптимизируется в ходе реализации. Provenance: required_inference.
• A-6. Целевой уровень качества (превзойти Opus 5.5 и GPT-6 Astra и их последующие модели) достигается на моделях в диапазоне 3B–24B с offload в RAM; конкретные модели подбираются в ходе реализации. Provenance: required_inference.
• A-7. Система остаётся личным инструментом одного оператора; выпуск для других пользователей не заявлен. Provenance: explicit.

Ограничения.

• C-1. Всё работает локально, без облаков и подписок. Provenance: explicit.
• C-2. GPU RTX 3060 (12 ГБ VRAM), RAM 32 ГБ, ОС Windows. Provenance: explicit.
• C-3. Отдельный SSD 1 ТБ только под ИИ (диск E:). Provenance: explicit.
• C-4. Система занимает до 950 ГБ, оставляет 50 ГБ свободными. Provenance: explicit.
• C-5. Модели влезают в 12 ГБ VRAM с offload в 32 ГБ RAM. Provenance: explicit.
• C-6. Модели в диапазоне 3B–24B. Provenance: explicit.
• C-7. Ответы и решения — конкретные, без общих слов. Provenance: explicit.
• C-8. Опасные действия не выполняются без решения allow/deny/ask. Provenance: explicit.
• C-9. Цикл мощного режима ограничен 3 итерациями. Provenance: explicit.
• C-10. Порог отсечения слабых моделей — 0.8. Provenance: explicit.
• C-11. 32 ГБ RAM могут разделяться между видеокартой и оперативной памятью; при нехватке 12 ГБ VRAM offload в RAM — штатный резервный путь. Provenance: explicit.
• C-12. Диск 1 ТБ (диск E:) заполняется моделями и данными до лимита 950 ГБ. Provenance: explicit.
• C-13. Система — личный инструмент одного оператора; выпуск для других пользователей не заявлен. Provenance: explicit.
• C-14. Вывод идёт в чат; из файлов создаётся максимум SRD. Provenance: explicit.
• C-15. Программа Zer0Trace AI запускается локально через .exe или .bat-лаунчер. Provenance: explicit.

12. Glossary

• Zer0Trace AI — локальный мультиагентный ИИ-ассистент, разрабатываемый пользователем.
• Оркестратор — ядро системы, управляющее режимами, агентами и инструментами.
• Роутер (3B) — модель, классифицирующая запросы.
• Агент-специалист — агент, отвечающий за предметную область (кодеры, хакеры, OSINT, бизнес, general, vision, переводчики).
• Режимы —\x20\xe2\x9a\xa1Быстрый,\x20\xf0\x9f\xa7\xa0Средний,\x20\xf0\x9f\x92\xaaМощный.
• Мощный режим — конвейер планировщик → команда агентов → критик → цикл до 3 итераций.
• Порог 0.8 — значение, ниже которого модели отсекаются.
• ChromaDB — векторная база для семантической памяти.
• SQLite — структурированное хранилище состояния.
• DreamCycle — механизм самообучения: сбор удачных диалогов → обучение LoRA → тест → внедрение или откат.
• LoRA-адаптер — адаптер, обучаемый на правках пользователя.
• MCP-сервер — сервер инструментов (файлы, веб-поиск, Blender, Unity, security tools, OSINT).
• Hot-swap — последовательная загрузка моделей без упора в VRAM.
• allow/deny/ask — система разрешений перед опасными действиями.
• Компрессия истории — сжатие контекста без потери сути.
• Самокоррекция — цикл написание → запуск → наблюдение → исправление.
• Целевой уровень качества — превзойти по кодингу и созданию контента (Blender, игры, видео, motion-графика) модели класса Opus 5.5 и GPT-6 Astra и их последующие модели.
• Лаунчер .exe/.bat — упаковка программы Zer0Trace AI для простого локального запуска на Windows.

• LiteLLM-шлюз — сервис, обслуживающий вызовы моделей-провайдеров из backend.
• MariaDB — прикладное постоянное хранилище данных.
• PostgreSQL (для LiteLLM) — база данных, поддерживающая LiteLLM и отделённая от прикладного хранилища.