💾 Baza Podataka & Memorijski Sloj

Sistem primenjuje hibridnu dvo-slojnu arhitekturu memorije (Multi-Tier Memory Engine) kako bi garantovao nultu latenciju tokom debata i trajnu perzistenciju/pretragu sličnosti u oblaku.

---

🏛️ Pregled Memorijskog Sloja

                    [ Korisnički Upit ]
                             │
                             ▼
               [ 🧠 MEMORIJSKI KONTROLER ]
                             │
            ┌────────────────┴────────────────┐
            ▼                                 ▼
   [ 💻 SQLite Lokalni Sloj ]      [ ☁️ MongoDB Atlas Sloj ]
   - Ekstremno niska latencija     - Semantička Vektorska Pretraga
   - Čuvanje ELO rejtinga          - Globalni Audit Trace-ova
   - Istorija replika po sesiji    - Failover režim preko SQLite-a

---

💻 1. Lokalni Sloj: SQLite Baza podataka

Lokalno skladište se nalazi u storage/memory.db. Njegova osnovna uloga je čuvanje agent ELO ratinga i logova debata u realnom vremenu sa latencijom $< 1\text{ms}$.

Tabela: agent_elo

Čuva reputacioni ELO rejting i broj odigranih mečeva (debata) za svakog agenta.

• SQL Definicija:

  CREATE TABLE IF NOT EXISTS agent_elo (
      agent_id TEXT PRIMARY KEY,
      elo REAL DEFAULT 1200.0,
      matches INTEGER DEFAULT 0
  );

Tabela: debates

Beleži metapodatke svake završene debate sesije.

• SQL Definicija:

  CREATE TABLE IF NOT EXISTS debates (
      id TEXT PRIMARY KEY,
      workflow_id TEXT,
      status TEXT,
      final_decision TEXT,
      confidence_score REAL,
      rejected_alternatives TEXT,
      conflict_points TEXT,
      reasoning_trace TEXT,
      created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
  );

Tabela: arguments

Čuva pojedinačne argumente agenata po rundama za svaku debatu.

• SQL Definicija:

  CREATE TABLE IF NOT EXISTS arguments (
      id INTEGER PRIMARY KEY AUTOINCREMENT,
      debate_id TEXT,
      agent_id TEXT,
      role TEXT,
      content TEXT,
      confidence REAL,
      round INTEGER,
      created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
      FOREIGN KEY(debate_id) REFERENCES debates(id)
  );

Tabela: decision_history

Sadrži istorijske odluke sa verifikovanim ishodima, koje se koriste za pretragu sličnosti konteksta.

• SQL Definicija:

  CREATE TABLE IF NOT EXISTS decision_history (
      id INTEGER PRIMARY KEY AUTOINCREMENT,
      context_hash TEXT UNIQUE,
      problem_statement TEXT,
      decision_taken TEXT,
      outcome_verified BOOLEAN DEFAULT 0,
      created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
  );

---

☁️ 2. Globalni Sloj: MongoDB Atlas

MongoDB Atlas služi kao robusni forenzički sloj za globalno skladištenje i pretragu celokupnih audit tragova, integrisan sa Atlas Vector Search za semantičku analizu.

📁 Atlas Kolekcije (Collections)

1. debates: Metapodatci debate i istorija konsenzusa.
2. arguments: Pojedinačne replike agenata sa konfidencijom i round brojem.
3. decision_history: Odluke i verifikovani statusi.
4. agent_opinions: Praćenje pojedinačnih mišljenja agenata.
5. agent_elo: Rejtinzi agenata sinhronizovani iz SQLite baze.
6. workflows: Kompletan trace-log izvršenja koraka workflow-a.

🔍 Indeksi i Optimizacija Performansi

Za ubrzanje upita na Atlasu kreirani su sledeći indeksi:

// Brza pretraga debate po ID-ju toka rada i datumu kreiranja
db.debates.createIndex({ "workflow_id": 1, "created_at": -1 });

// Brzo učitavanje argumenata za određenu debatu i specifičnog agenta
db.arguments.createIndex({ "debate_id": 1, "agent_id": 1 });

// Pretragu sličnosti kroz jedinstveni hash konteksta
db.decision_history.createIndex({ "context_hash": 1 });

---

🔍 Atlas Vector Search & Semantička Pretraga

MongoDB Atlas omogućava pronalaženje istorijskih debata na osnovu semantičke sličnosti problema (problem statement).

1. Konfiguracija Indeksa za Vektorsku Pretragu (Atlas Vector Search Index)

Na kolekciji decision_history definisan je indeks pod nazivom vector_index sa sledećim JSON mapiranjem:

{
  "mappings": {
    "dynamic": true,
    "fields": {
      "problem_embedding": {
        "dimensions": 1536,
        "similarity": "cosine",
        "type": "knnVector"
      }
    }
  }
}

2. Agregacioni Pipeline za Semantičko Učitavanje Konteksta

U orkestratoru, slični workflow-i se učitavaju pokretanjem sledećeg MongoDB Atlas agregacionog koda:

pipeline = [
    {
        "$vectorSearch": {
            "index": "vector_index",
            "path": "problem_embedding",
            "queryVector": problem_vector,
            "numCandidates": 10,
            "limit": 3
        }
    },
    {
        "$project": {
            "_id": 0,
            "problem_statement": 1,
            "decision_taken": 1,
            "outcome_verified": 1,
            "score": { "$meta": "vectorSearchScore" }
        }
    }
]
results = list(db.decision_history.aggregate(pipeline))

---

🛠️ MCP (Model Context Protocol) Integracija

MongoDB Atlas se integriše kao MCP server, nudeći agentima bezbedan skup alata (Tools) za manipulaciju memorijom:

• store_debate_outcome: Upisuje ishod debate.
• search_similar_decisions: Pokreće vektorsku pretragu za pronalaženje analognih konflikata.
• get_agent_reliability: Pokreće agregacioni upit nad kolekcijom arguments za računanje istorijskog proseka konfidencije:

  pipeline = [
      {"$match": {"agent_id": agent_id}},
      {"$group": {
          "_id": "$agent_id",
          "avg_confidence": {"$avg": "$confidence"}
      }}
  ]

  Ovaj istorijski prosek direktno utiče na dinamičku težinu agenta u debatnoj areni.