GitHub - AIFramework/AIFramework3Open: AI Framework 3.0 для языка C#

О проекте

AIFramework 3.0 Open — универсальный open-source SDK на C# / .NET 9 для создания AI-агентов и интеллектуальных систем. Включает 30 библиотек, покрывающих весь стек: от LLM-интеграции и автономных агентов до нейросетей, DSP, NLP, компьютерного зрения и 220+ алгоритмов — с единым Blazor-демонстратором.

Содержание

Ключевые возможности
Быстрый старт
AI-агенты · MCP-сервер · Semantic Kernel
Примеры кода
Интерактивный демонстратор
Архитектура сборок · Модули
Структура репозитория · Решения (.sln) · Тесты
Стандарт кода · Документация · Лицензия

Ключевые возможности

AI-агенты — автономный ReAct-цикл (AgentBuilder), native function calling + prompt fallback для моделей без FC, память (скользящее окно, векторная, суммаризация), гарды безопасности, детальный биллинг (LLM + инструменты). Мультимодальный цикл Observe-Reason-Act.
LLM-интеграция — OpenAI, OpenRouter, DeepSeek, Google AI Studio, Perplexity; потоковая генерация, мультимодальность, reasoning-модели, биллинг, proxy-ротация.
MCP-сервер — атрибут [AgentTool] превращает любой метод в инструмент для Cursor, Claude Desktop и других MCP-клиентов через McpToolBridge.
Semantic Kernel — IChatCompletionService-обёртка поверх ILLMClient, сохраняющая биллинг; инструменты как KernelPlugin.
Машинное обучение — нейросети (MLP, RNN, CNN), классификаторы (kNN, SVM, Байес), кластеризация (K-Means, FOREL, SOM), регрессия, PCA, генетические алгоритмы.
Глубокое обучение (V2 Tensor Engine) — autograd в стиле PyTorch, слои Linear/Conv1d/Conv2d/Rnn/Lstm/Gru/Attention, нормализации, DataLoader, GPU через ILGPU/CUDA.
Алгоритмы на графах — BFS/DFS, Dijkstra, A*, MST, максимальный поток, паросочетания, MAPF (CBS/ECBS/PBS, PIBT, LaCAM), VRP/TSP.
Компьютерное зрение — 2D FFT (CPU/cuFFT GPU), Sobel, HOG, эквализация, цветовая обработка.
DSP и радиотехника — фильтры (IIR/FIR), FFT, спектральный анализ (Уэлч), DSP-конвейеры; генераторы, модуляция/демодуляция и АРУ в AI.SignalLabs.
СВЧ-техника — синтез рупорных, зеркальных и линзовых антенн под ТЗ; расчёт санитарных зон и соответствия нормам ЭМП; диэлектрический нагрев и аппликаторы (AI.Microwave).
NLP — стеммер, лемматизация, BoW, TF-IDF, BPE/Sentence-токенизация, NER, суммаризация.
Науки о Земле и астрономия — геодезия, картографические проекции, пространственный поиск, юлианские даты и звёздное время, положение Солнца и фазы Луны (AI.Earth).
Биология — последовательности и генетический код, выравнивание, популяционная генетика, модели популяций и эпидемий, экологическое разнообразие (AI.Biology).
Физика — механика, термодинамика, электричество, оптика, гидродинамика (AI.Physics); весь API на Quantity, поэтому подстановка не той величины — исключение, а не неверный ответ.
Уравнения в частных производных — конечные разности и конечные элементы (AI.Solvers.Pde): теплопроводность, волновое уравнение, Пуассон, МКЭ на треугольниках.
Логический вывод и ограничения — решатель выполнимости CDCL и задачи удовлетворения ограничений (AI.Solvers.Constraints): расписания, раскраски, размещения, головоломки.
Оптимизация — линейное и смешанно-целочисленное программирование (AI.Solvers.Optimization): симплекс и метод ветвей и границ для планов, рецептур и назначений.
Физические величины — размерности, единицы измерения с приставками СИ и разбором записи вида «kW·h», перенос неопределённости и константы CODATA 2022; проверка размерностей на границе API (AI.Units в ядре AI).
Символьная математика — парсер выражений, CAS-упрощение, решатели и численные методы (AI.Solvers.Math).
Геометрия — преобразования (аффинные, гомография, кватернионы), RANSAC, Безье/Эрмит, SVD/LU/Холецкий.
Системы управления — PID, LQR, LQG, KF/EKF, MPC, скользящий режим, MRAC, RLS.
Экономика и аналитика стартапов — юнит-экономика (CAC/LTV, окупаемость), когортные кривые удержания с доверительным интервалом, CLV без контракта (BG/NBD, Pareto/NBD, Gamma-Gamma), отток как анализ выживаемости (Каплан — Мейер, Кокс, конкурирующие риски), SaaS-метрики, стохастический runway, cap table с SAFE и exit waterfall, оценка стартапа (AI.Economics).
Ценообразование и маркетинг — эластичность с поправкой на эндогенность (панель, IV), оптимизация цен линейки с кросс-эластичностями, готовность платить (Ван Вестендорп, Габор — Грейнджер, conjoint MNL и иерархический байес), маркетинг-микс с adstock и насыщением, распределение бюджета по предельной отдаче, uplift-моделирование, эксперименты (размер выборки, CUPED, mSPRT, байес, бандиты).
Прогнозирование спроса — ARIMA/SARIMAX, Хольт — Уинтерс с затухающим трендом, Theta, STL, прерывистый спрос (Кростон, SBA, TSB), иерархическое согласование (MinT), бэктест со скользящим началом и конформные интервалы с гарантированным покрытием.
Кредитный риск и скоринг — скоркарты на WoE/IV с переводом в объяснимую шкалу баллов, мониторинг Джини/KS/PSI, резерв по МСФО 9 (12 месяцев и весь срок, стадии, макросценарии), матрицы миграции рейтингов, перетекание просрочки, винтажный анализ, Мертон/KMV, скоринг контрагентов и лимиты.
Финанализ и форензика — полный набор коэффициентов, Дюпон на три и пять факторов, модели банкротства (Альтман Z и Z'', Ольсон, Спрингейт, Таффлер, Пиотроски), M-score Бениша, закон Бенфорда, финансовый цикл и качество прибыли, предсказание банкротства на классификаторах AI.ML.
Оценка бизнеса и корпфинансы — DCF на свободном потоке фирмы с терминальной стоимостью по Гордону и по мультипликатору выхода, поправкой на середину года, торнадо-анализом и Монте-Карло; CAPM с страновой и размерной премией, рычаговая бета по Хамаде с бетой долга, кривая WACC; сравнительная оценка с отбором пиров и регрессией мультипликатора на драйверы; LBO с долговым графиком по траншам, водопадом погашения и ковенантами; EVA/ROIC против WACC по подразделениям; реальные опционы методом Лонгстаффа — Шварца.
Проектный анализ, кредит и лизинг — NPV, IRR, MIRR, XNPV/XIRR, индекс прибыльности, простой и дисконтированный срок окупаемости; амортизация (линейная, уменьшаемый остаток, SYD, ускоренная) с приведённым налоговым щитом; графики погашения (аннуитет, дифференцированный) с эффективной ставкой, ПСК и досрочными погашениями; сравнение лизинга, кредита и покупки; точка безубыточности, операционный и финансовый рычаг, оптимальная структура капитала.
Риск-менеджмент — VaR и Expected Shortfall (исторический, параметрический, Корниш — Фишер, Монте-Карло на GARCH), теория экстремальных значений (POT с обобщённым Парето), копулы (гауссова, Стьюдента, Клейтона, Гумбеля) с хвостовой зависимостью, бэктестирование по Купцу и Кристофферсену со светофором Базеля, стресс-тесты и обратные стресс-тесты, кассовые разрывы, Баумоль и Миллер — Орр.
Портфель и инвестиции — Марковиц с ограничениями на веса, лоты, число активов и издержки; эффективная граница, паритет риска (обратная волатильность, ERC, HRP), Блэк — Литтерман с относительными и абсолютными взглядами, оптимизация по CVaR (Рокафеллар — Урясев); Шарп, Сортино, Кальмар, Омега, просадки, ошибка следования; факторные модели (Фама — Френч, Кархарт, метод главных компонент), атрибуция Бринсона, ребалансировка с издержками и налогами.
Эконометрический движок — МНК/ВНК с ошибками HC0–HC3, Ньюи — Уэста и кластерными; полная диагностика (Брёйш — Паган, Уайт, Дарбин — Уотсон, RESET, Чоу, Жарк — Бера, VIF); IV/2SLS и GMM с проверкой слабых инструментов; панельные данные (фиксированные, случайные, двусторонние эффекты, Хаусман) и динамические панели Ареллано — Бонда; логит, пробит, тобит, Пуассон, отрицательная биномиальная, квантильная регрессия; причинность (разность разностей с робастной оценкой по когортам, разрывный дизайн, сопоставление по склонности, синтетический контроль, причинный лес); ряды (ADF/KPSS, VAR с Гренджером и откликами, коинтеграция Йохансена и VECM, GARCH/GJR/EGARCH, фильтр Калмана).
Объяснимые расчёты — каждый результат AI.Economics реализует IInterpretable: метод Interpret() возвращает итог, метрики с оценкой, выводы, предупреждения о нарушенных допущениях и рекомендации — в виде, пригодном для передачи языковой модели.
Высокая производительность — OpenBLAS, ILGPU/CUDA, cuFFT, Parallel.For.
Интерактивный демонстратор — Blazor Server с LaTeX (KaTeX), Plotly-графиками и визуализацией всех модулей.

Быстрый старт

Требования

.NET SDK 9.0 или новее (все проекты нацелены на net9.0).
Windows — для полной сборки решения: AI.Charts.WinForms нацелен на net9.0-windows и требует WinForms. На Linux/macOS собирайте AIFramework-Core.sln или отдельные проекты.
Опционально: CUDA-совместимая видеокарта для AI.NeuralNetworks.Gpu и cuFFT-путей AI.ComputerVision.

Сборка и тесты

git clone https://github.com/AIFramework/AIFramework3Open.git
cd AIFramework3Open
dotnet restore AIFramework.sln
dotnet build  AIFramework.sln -c Release
dotnet test   AIFramework.sln -c Release --no-build

Запуск интерактивного демонстратора:

cd Demo/WebUI/AiFrameworkDemo/AiFrameworkDemo
dotnet run -c Release
# Откройте https://localhost:7280 (или http://localhost:5170) в браузере

Подключение к своему проекту

Публичных пакетов на nuget.org пока нет — подключайте проекты напрямую или собирайте пакеты локально:

# вариант 1: ссылка на проект
dotnet add MyApp.csproj reference path/to/AIFramework3Open/src/AI.LLM/AI.LLM.csproj

# вариант 2: локальный NuGet-пакет
dotnet pack src/AI/AI.csproj -c Release -o ./artifacts

Версия и метаданные пакетов задаются в Directory.Build.props; для всех проектов из src/ включён IsPackable, PackageId совпадает с именем сборки.

AI-агенты

Создание автономного агента с инструментами за 10 строк:

using AI.LLM.Agents;
using AI.LLM.Agents.Tools;
using AI.LLM.Clients.OpenRouter;
using AI.LLM.Services.LLM;

var llm = new LLMBase(new OpenRouterModelApi("sk-...", "anthropic/claude-sonnet-4"));

var agent = AgentBuilder.Create()
    .WithLLM(llm)
    .WithSystemPrompt("Ты аналитик данных. Используй инструменты для вычислений.")
    .WithTools(new MyTools())
    .WithMaxIterations(5)
    .Build();

var result = await agent.RunAsync("Вычисли среднее для чисел: 2, 5, 8, 11, 14");
Console.WriteLine(result.Answer);
Console.WriteLine(result.Usage);   // токены, стоимость, время инструментов

Инструменты объявляются атрибутами на любом классе:

public class MyTools
{
    [AgentTool("compute_statistics", "Описательная статистика числового ряда")]
    public string Stats([ToolParameter("Числа через запятую")] string numbers)
    {
        var values = numbers.Split(',').Select(double.Parse).ToArray();
        var v = new AI.DataStructs.Algebraic.Vector(values);
        var stat = new AI.Statistics.Statistic(v);
        return $"n={values.Length}, μ={stat.Expected:F4}, σ={stat.STD:F4}";
    }
}

Дополнительно AgentBuilder умеет: WithMemory(...) — память диалога, WithGuard(...) — проверки безопасности, WithObserver(...) — мультимодальные наблюдения (скриншот/камера), WithPromptFallback() — работа с моделями без native function calling, WithTemperature/WithMaxTokens — параметры генерации.

Архитектура агента

flowchart LR
  User["AgentQuery<br/>(текст + изображения)"] --> Agent
  Agent --> LLM["ILLMClient"]
  Agent --> Tools["ToolRegistry"]
  Agent --> Memory["IAgentMemory"]
  Agent --> Guards["IAgentGuard"]
  Agent <--> Observer["IObservationProvider<br/>(скриншот / камера)"]
  LLM --> Providers["OpenRouter / OpenAI / DeepSeek / Google AI"]
  Tools --> Attribute["[AgentTool] методы"]
  Tools --> MCP["McpToolBridge"]
  Tools --> SK["KernelPlugin (SK)"]

Подробности — в Docs/Tutorials/LLM/.

MCP-сервер

Любой алгоритм фреймворка доступен внешним клиентам (Cursor, Claude Desktop) как MCP-инструмент:

var builder = WebApplication.CreateBuilder();
builder.Services
    .AddMcpServer()
    .WithHttpTransport()
    .AddAIFrameworkTools(new MyTools(), new SignalProcessingTools());

var app = builder.Build();
app.MapMcp();
app.Run();

Semantic Kernel

LLMClientChatCompletionService — мост между SK и ILLMClient, сохраняющий биллинг и reasoning-настройки:

using AI.LLM.Integration.SemanticKernel.Extensions;

var kernel = Kernel.CreateBuilder()
    .AddSharpGPTChatCompletion(llm, "anthropic/claude-sonnet-4")
    .Build();

kernel.Plugins.Add(ToolRegistry.FromObjects(new MyTools()).ToKernelPlugin());

Примеры кода

Autograd (PyTorch-like API, V2 Tensor Engine)

using AI.ML.NeuralNetworks.V2;

var a = Tensor.From(new float[] { 1, 2, 3, 4 }, new Shape(2, 2)).SetRequiresGrad();
var b = Tensor.From(new float[] { 2, 0, 0, 2 }, new Shape(2, 2)).SetRequiresGrad();

var c = a.MatMul(b) + 5.0f;
var loss = c.Sigmoid().Sum();   // Backward() без аргумента требует скаляр

loss.Backward();                // заполняет a.Grad и b.Grad

K-Means кластеризация

using AI.ML.Clustering;
using AI.DataStructs.Algebraic;

var data = new Vector[] { /* ... */ };
var km = new KMeans(clusterCount: 3);
km.Train(data, seed: 42);
int[] labels = km.Classify(data);

Линейная регрессия

using AI.ML.Regression;
using AI.DataStructs.Algebraic;

var reg = new LinearRegression();
reg.Fit(xValues, yValues);
Vector predicted = reg.Predict(newX);
Console.WriteLine($"y = {reg.Lrm.Slope:F3}·x + {reg.Lrm.Intercept:F3}");

2D FFT фильтрация изображения

using AI.ComputerVision.FrequencyDomain;
using AI.DataStructs.Algebraic;

Matrix image = /* загрузка изображения как Matrix */;
var (re, im, _, _) = FFT2D.Forward(image);        // прямое преобразование с дополнением
FFT2D.LowPassFilter(re, im, cutoffRadius: 30);    // фильтр применяется на месте
Matrix filtered = FFT2D.Inverse(re, im, image.Height, image.Width);

PID-регулятор

using AI.ControlSystems.Pid;

var pid = new PidController(kp: 1.0, ki: 0.5, kd: 0.1)
{
    OutputMin = -10, OutputMax = 10,      // насыщение
    UseAntiWindupTracking = true          // анти-виндап
};

const double dt = 0.01;
for (int i = 0; i < 1000; i++)
{
    double control = pid.Compute(setpoint, measurement, dt);
    measurement = plant.Step(control);
}

Алгоритмы на графах

Полный набор туториалов с выкладками и оценками сложности — в Docs/Tutorials/Algorithms/: Dijkstra и A*, Беллман–Форд, Флойд–Уоршелл, MST, максимальный поток и минимальный разрез, поток минимальной стоимости, топологическая сортировка и SCC, k кратчайших путей (Йен), MAPF и VRP/TSP.

Интерактивный демонстратор

Unified Blazor Server демонстратор объединяет все модули в одном интерфейсе с LaTeX-формулами, интерактивными графиками и runtime-переключением CPU/GPU:

Библиотека	Демонстрируемые возможности
AI.LLM	AI-агенты (ReAct), инструменты, Semantic Kernel, MCP, память
AI (ядро)	Статистика, распределения, корреляция, KL-дивергенция, Монте-Карло
AI.Algorithms	Графы (BFS/DFS, Dijkstra, A*, MST), потоки, паросочетания, MAPF, VRP/TSP
AI.ML	Классификация, кластеризация, регрессия, PCA, GA
AI.NeuralNetworks	MLP, GRU, автоэнкодер, нейрорегрессия
AI.ComputerVision	2D FFT, Sobel, HOG, эквализация
AI.ControlSystems	PID, LQR, KF/EKF, MPC, скользящий режим
AI.DSP	Фильтры, FFT, спектр Уэлча
AI.SignalLabs	Генераторы сигналов, модуляция/демодуляция, АРУ
AI.Microwave	Синтез антенн под ТЗ, волновод TE10, санзоны и ЭМП, СВЧ-нагрев
AI.Economics	CAC/LTV, когорты, CLV, отток по Коксу, runway, cap table, эластичность и IV, маркетинг-микс, uplift, эксперименты, ARIMA/ETS/Theta, конформные интервалы, скоркарты и МСФО 9, модели банкротства и форензика, DCF/WACC/LBO/EVA и реальные опционы, NPV/IRR и лизинг против кредита, VaR/CVaR, копулы и стресс-тесты, Марковиц, risk parity, Блэк — Литтерман и атрибуция, эконометрика (робастные ошибки, IV/GMM, панели, DiD/RDD/PSM, VAR/VECM, GARCH, Калман)
AI.NLP	Стемминг, TF-IDF, токенизация, суммаризация
AI.Geometry	Преобразования, кривые, подгонка RANSAC
AI.ClassicMath	Интегрирование, интерполяция, ОДУ, SVD
AI.Solvers.Math	Парсер выражений, CAS-упрощение, решатели
AI.Fuzzy	Нечёткий вывод (Мамдани, Сугено), нечёткий PID
AI.DataPrepaire	Нормализация, токенизация, DataTable/CSV
AI.Charts	Plotly-графики и визуализации
AI.Faiss	KNN-поиск, кластеризация
AI.ONNX	Dense, Softmax, BERT-эмбеддинги

Архитектура сборок

flowchart TD
  AI["AI<br/>(ядро: Vector, Matrix, Tensor,<br/>алгебра, статистика)"]
  CM["AI.ClassicMath"]
  SM["AI.Solvers.Math<br/>(парсер, CAS, решатели)"]
  ML["AI.ML<br/>(классификация, кластеризация,<br/>регрессия, PCA, GA)"]
  NN["AI.NeuralNetworks<br/>(V2 Tensor, autograd)"]
  NNG["AI.NeuralNetworks.Gpu<br/>(ILGPU / CUDA)"]
  NNO["AI.NeuralNetworks.Onnx"]
  FZ["AI.Fuzzy<br/>(нечёткая логика)"]
  LOG["AI.Logic"]
  NLP["AI.NLP<br/>(текст, BoW, TF-IDF)"]
  CS["AI.ControlSystems<br/>(PID, LQR, KF, MPC)"]
  KNN["AI.KNN"]
  DSP["AI.DSP<br/>(сигналы, FFT)"]
  SL["AI.SignalLabs<br/>(модуляция, АРУ)"]
  DP["AI.DataPrepaire"]
  ONNX["AI.ONNX"]
  EX["AI.ExplainitALL"]
  ALG["AI.Algorithms<br/>(графы, потоки, VRP, MAPF)"]
  GEO["AI.Geometry<br/>(преобразования, кривые)"]
  CV["AI.ComputerVision<br/>(фильтры, FFT2D, HOG)"]
  IE["AI.ImageEditor<br/>(SkiaSharp, без зависимостей<br/>от других сборок)"]
  FAISS["AI.Faiss<br/>(векторный поиск)"]
  CH["AI.Charts / .JS / .WinForms / .Avalonia"]
  LLM["AI.LLM<br/>(агенты, LLM, MCP, SK)"]

  AI --> CM
  CM --> SM
  AI --> ALG
  AI --> GEO
  CM --> ML
  ML --> NN
  NN --> NNG
  NN --> NNO
  AI --> FZ
  ML --> FZ
  KNN --> FZ
  AI --> NLP
  AI --> CS
  ML --> CS
  FZ --> LOG
  ML --> KNN
  ML --> DSP
  DSP --> CV
  DSP --> SL
  KNN --> DSP
  DSP --> DP
  KNN --> DP
  ML --> DP
  NLP --> DP
  FZ --> DP
  DP --> ONNX
  FZ --> ONNX
  AI --> EX
  DP --> EX
  FZ --> EX
  AI --> FAISS
  AI --> CH
  AI --> LLM

Модули (30 библиотек)

Сборка	Назначение
AI.LLM	AI-агенты (ReAct, function calling, prompt fallback), LLM-клиенты (OpenAI, OpenRouter, DeepSeek, Google AI), MCP-сервер, Semantic Kernel интеграция, память, гарды, биллинг.
AI	Базовые типы (`Vector`, `Matrix`, `Tensor`, `NDTensor`), линейная алгебра, статистика. Физические величины (`Dimension`, `Unit`, `Quantity`, `Measurement`, `PhysicalConstants`). Интерфейсы `IAlgorithm`, `IEstimator`, `ITransformer`.
AI.ClassicMath	Численное интегрирование, интерполяция, ОДУ, SVD, калькулятор выражений.
AI.Solvers.Math	Парсер математических выражений, CAS-упрощение (степени, дроби, приведение подобных, тригонометрия), решатели.
AI.ML	Нейросети (MLP, RNN, CNN), классификаторы (`IClassifier`), кластеризация, регрессия, PCA, GA. OpenBLAS.
AI.NeuralNetworks	Tensor Engine V2: autograd, Module/Parameter API, слои (Linear, Conv1d/2d, RNN/LSTM/GRU, Attention), нормализации, losses, DataLoader.
AI.NeuralNetworks.Gpu	GPU-ускорение V2 через ILGPU: matmul, RNN/LSTM/GRU ядра.
AI.NeuralNetworks.Onnx	Маппинг V2 Tensor → ONNX Runtime.
AI.KNN	k-ближайших соседей: классификация, регрессия, мультирегрессия.
AI.Fuzzy	Нечёткая логика (Мамдани / Ларсена / Сугено / Цукамото), нечёткий PID.
AI.NLP	Стеммер, лемматизация, BoW, TF-IDF, токенизация, NER, суммаризация.
AI.ControlSystems	PID, LQR, LQG, KF, EKF, MPC, скользящий режим, MRAC, RLS, размещение полюсов.
AI.DSP	Фильтры (IIR/FIR), FFT, спектральный анализ (Уэлч).
AI.SignalLabs	Генераторы сигналов, модуляция/демодуляция, определение типа модуляции, АРУ.
AI.Microwave	Синтез СВЧ-антенн под ТЗ (рупор, зеркало, линза), волновод TE10, апертурная теория. Радиочастотная безопасность: ПДУ, ППЭ, санитарные зоны. Диэлектрический нагрев: проникновение, многомодовая камера, аппликатор.
AI.Earth	Геодезия (расстояния по сфере и эллипсоиду, азимуты, геоцентрические координаты), проекции веб-карт и UTM, сеточный пространственный указатель, астрономическое время, положение Солнца с восходами и сумерками, фазы Луны.
AI.Biology	Молекулярная биология (последовательности, генетический код, выравнивание), популяционная генетика (Харди — Вайнберг, расщепление по Менделю), динамика популяций и модель эпидемии SIR, индексы разнообразия сообществ.
AI.Physics	Классическая физика на типизированных величинах: кинематика и баллистика, гармонический осциллятор, удары, моменты инерции, орбиты; идеальный газ, циклы тепловых машин, теплопередача; электростатика и цепи; геометрическая и волновая оптика; гидростатика и течения.
AI.Solvers.Pde	Уравнения в частных производных: теплопроводность (явная схема и Кранк — Николсон), волновое уравнение с проверкой условия Куранта, уравнение Пуассона пятиточечным шаблоном, метод конечных элементов в одном и двух измерениях; разреженные матрицы и сопряжённые градиенты.
AI.Solvers.Constraints	Выполнимость булевых формул методом CDCL (обучение на конфликтах, два наблюдаемых литерала, обратный прыжок, перезапуски) и задачи с ограничениями над конечными областями: `AllDifferent`, линейные ограничения, распространение до неподвижной точки, поиск по правилу первой неудачи.
AI.Solvers.Optimization	Линейное и смешанно-целочисленное программирование: модель с границами и целочисленными переменными, симплекс-метод в две фазы с защитой от зацикливания, метод ветвей и границ. Планы производства, рецептуры, назначения, раскрой.
AI.Econometrics	Эконометрика вне экономики: МНК с робастными ошибками (HC0–HC3, Ньюи — Уэст, кластерные), полная диагностика, IV/2SLS и GMM, панельные и динамические панели, логит/пробит/тобит/Пуассон/NegBin и квантильная регрессия, причинный вывод (DiD, RDD, PSM, синтетический контроль, причинный лес), ряды (ADF/KPSS, VAR, Йохансен и VECM, GARCH, модели в пространстве состояний). Выделена из `AI.Economics`, потому что нужна и другим доменам — от QSAR до кинетики.
AI.Economics	Юнит-экономика (CAC, LTV, окупаемость), когортные кривые удержания (power-law, Вейбулл, sBG) с бутстрап-интервалом, CLV без контракта (BG/NBD, Pareto/NBD, Gamma-Gamma), анализ выживаемости (Каплан — Мейер, Кокс, конкурирующие риски), MRR-мостик и SaaS-метрики, runway методом Монте-Карло, cap table с SAFE и каскадом выплат при выходе, оценка стартапа и реальные опционы, TAM/SAM/SOM, диффузия Басса. Ценообразование: эластичность с поправкой на эндогенность (панель, двухшаговый МНК), оптимизация цен линейки с кросс-эластичностями, готовность платить, conjoint (MNL и иерархический байес). Маркетинг: adstock и насыщение Хилла, распределение бюджета по предельной отдаче, uplift-моделирование. Эксперименты: размер выборки и MDE, CUPED, mSPRT, байесовское сравнение, бандиты. Прогнозирование: ARIMA/SARIMAX, Хольт — Уинтерс, Theta, STL, прерывистый спрос, иерархическое согласование, бэктест, конформные интервалы. Кредитный риск: скоркарты на WoE/IV, мониторинг Джини/KS/PSI, резерв по МСФО 9 со стадиями и макросценариями, матрицы миграции рейтингов, перетекание просрочки, винтажный анализ, Мертон/KMV, лимиты контрагентов. Финанализ и форензика: коэффициенты и Дюпон, Альтман Z и Z'', Ольсон, Спрингейт, Таффлер, Пиотроски, M-score Бениша, закон Бенфорда, финансовый цикл, качество прибыли, предсказание банкротства на классификаторах AI.ML. Оценка бизнеса: DCF (FCFF, Гордон и мультипликатор выхода, поправка на середину года, торнадо, Монте-Карло), CAPM и WACC с бетой долга, сравнительная оценка с регрессией мультипликатора, LBO с траншами, водопадом и ковенантами, EVA по подразделениям, реальные опционы Лонгстаффа — Шварца. Проекты и финансирование: NPV, IRR, MIRR, XNPV/XIRR, окупаемость, амортизация с налоговым щитом, графики погашения с ПСК и досрочными платежами, лизинг против кредита и покупки, безубыточность, рычаги, оптимальная структура капитала. Риск: VaR и Expected Shortfall (исторический, параметрический, Корниш — Фишер, Монте-Карло), EVT/POT, копулы с хвостовой зависимостью, бэктест Купца и Кристофферсена, стресс-тесты, кассовые разрывы, Баумоль и Миллер — Орр. Портфель: Марковиц с лотами и издержками, эффективная граница, паритет риска и HRP, Блэк — Литтерман, CVaR-оптимизация, Шарп/Сортино/Кальмар/Омега, факторные модели и PCA, атрибуция Бринсона, ребалансировка с налогами. Эконометрика: HC0–HC3, Ньюи — Уэст и кластерные ошибки, полная диагностика, IV/2SLS и GMM, панельные и динамические панели, логит/пробит/тобит/Пуассон/NegBin и квантильная регрессия, DiD с робастной оценкой по когортам, RDD, PSM, синтетический контроль, причинный лес, ADF/KPSS, VAR с Гренджером и откликами, Йохансен и VECM, GARCH/GJR/EGARCH, фильтр Калмана. Каждый результат объясняет себя через `IInterpretable`.
AI.ComputerVision	2D FFT (CPU + cuFFT GPU), Sobel, HOG, эквализация, цветовая обработка.
AI.ImageEditor	Кроссплатформенный редактор изображений на SkiaSharp: фильтры (свёртки, точечные, Retinex), кисти, история команд, сессии.
AI.Algorithms	Графы, сетевые потоки, паросочетания, MAPF, VRP/TSP, транспортная задача.
AI.Geometry	Аффинные, гомография, кватернионы, RANSAC, Безье/Эрмит, SVD/LU/Холецкий.
AI.DataPrepaire	Нормализаторы (ZNorm, MinMax), токенизаторы, DataTable, CSV.
AI.ONNX	Загрузка и инференс ONNX-моделей (Dense, Softmax, BERT).
AI.Faiss	Векторный поиск: KNN, пакетный поиск, L2/IP, Assign-кластеризация.
AI.Charts	SkiaSharp-графики: scatter, line, bar, polar, PSD, 3D.
AI.Charts.JS	Plotly.js для Blazor Server.
AI.Charts.WinForms	WinForms-визуализатор.
AI.Charts.Avalonia	Avalonia-визуализатор.
AI.Logic	Логические структуры (используется в `AI.Fuzzy`).
AI.ExplainitALL	Метрики интерпретируемости и RAG-инструменты.

Структура репозитория

AIFramework3Open/
├── src/                              # Исходный код библиотек (30 проектов)
│   ├── AI/                           # Ядро (Vector, Matrix, Tensor, IAlgorithm)
│   ├── AI.LLM/                       # AI-агенты, LLM-клиенты, MCP, SK
│   ├── AI.ML/                        # Машинное обучение
│   ├── AI.NeuralNetworks/            # Tensor Engine V2, autograd
│   ├── AI.NeuralNetworks.Gpu/        # GPU-ускорение (ILGPU/CUDA)
│   ├── AI.Algorithms/                # Графы, потоки, MAPF, VRP/TSP
│   ├── AI.Geometry/                  # Геометрия, кривые, линейная алгебра
│   ├── AI.ComputerVision/            # Обработка изображений, 2D FFT
│   ├── AI.ImageEditor/               # Редактор изображений (фильтры, команды)
│   ├── AI.Fuzzy/                     # Нечёткая логика
│   ├── AI.NLP/                       # Обработка текста
│   ├── AI.ControlSystems/            # Системы автоматического управления
│   ├── AI.DSP/                       # Цифровая обработка сигналов
│   ├── AI.SignalLabs/                # Генераторы, модуляция, АРУ
│   ├── AI.Solvers.Math/              # Парсер выражений, CAS, решатели
│   ├── AI.Charts/                    # Графика (SkiaSharp)
│   ├── AI.Charts.JS/                 # Plotly.js для Blazor
│   └── ...                           # AI.KNN, AI.DataPrepaire, AI.ONNX, AI.Faiss и др.
├── Demo/
│   └── WebUI/AiFrameworkDemo/        # Unified Blazor Server демонстратор
├── Tests/
│   ├── unit/                         # xUnit автотесты (AIFramework.UnitTests, AI.LLM.UnitTests)
│   ├── shared/                       # Общий код для тестов (TestHelpers)
│   └── ...                           # Консольные и демо-тесты по доменам
├── Tools/
│   └── DocsLint/                     # Линтер канона документации (CI)
├── Docs/                             # Документация
│   ├── Architecture/                 # Архитектурные описания
│   └── Tutorials/                    # Туториалы (Markdown + LaTeX)
├── SLNS/                             # Частичные решения по доменам
├── CODING_STANDARD.md                # Единый стандарт кода
├── Directory.Build.props             # Общие настройки сборки
├── .editorconfig                     # Правила форматирования
├── AIFramework.sln                   # Основное решение
└── AIFramework-Core.sln              # Только ядро

Решения (.sln)

Решение	Когда использовать
AIFramework.sln	Каноническое: все библиотеки, тесты и CI.
AIFramework-Core.sln	Только ядро — быстрая сборка без UI-зависимостей.
AIFramework3(WebUI).sln	Работа над Blazor-демонстратором.
AIFramework3.Deploy.sln	Сценарии публикации.
SLNS/	Частичные решения по доменам (ML, NLP, сигналы, логика, статистика).

Тесты

# все автотесты решения
dotnet test AIFramework.sln -c Release

# только xUnit-проекты
dotnet test Tests/unit/AIFramework.UnitTests/AIFramework.UnitTests.csproj -c Release
dotnet test Tests/unit/AI.LLM.UnitTests/AI.LLM.UnitTests.csproj -c Release

Консольные проекты в Tests/ — дополнительные демо и дымовые проверки; критичные регрессии дублируйте в xUnit. Документация теории проверяется линтером Tools/DocsLint в CI по канону Docs/Tutorials/STRUCTURE.md.

Стандарт кода

Проект следует единому CODING_STANDARD.md:

Форматирование — UTF-8, CRLF, 4 пробела, file-scoped namespaces.
Именование — PascalCase для типов/членов, _camelCase для приватных полей, I-префикс для интерфейсов.
Публичный API — только Vector / Matrix / NDTensor в сигнатурах (не double[] / double[,]).
Интерфейсы — IAlgorithm → IEstimator<TInput,TLabel> (Fit/Predict), ITransformer<TInput,TOutput> (Fit/Transform).
XML-документация — на русском языке для public/protected членов.
Анализаторы — EnforceCodeStyleInBuild, .NET Analyzers, .editorconfig.

Документация

Ресурс	Содержание
CODING_STANDARD.md	Единый стандарт API и кода.
CONTRIBUTING.md	Сборка, тесты, CI, NuGet, состав модулей.
Docs/Architecture/	Архитектурные описания всех модулей.
Docs/Tutorials/	Туториалы (Markdown + LaTeX).
Docs/Tutorials/STRUCTURE.md	Канон оформления теоретической документации.
Docs/Tutorials/LLM/	AI-агенты, LLM, MCP, Semantic Kernel.
Docs/Tutorials/Algorithms/	Графовые алгоритмы, потоки, MAPF, VRP/TSP.
Docs/INFO.md	Контрибьюторы, атрибуция, лицензии.
CODE_OF_CONDUCT.md · SECURITY.md	Правила сообщества и сообщение об уязвимостях.

Лицензия и атрибуция

Проект распространяется под Apache 2.0. Список контрибьюторов, сторонний код и тексты лицензий MIT для отдельных заимствований — в Docs/INFO.md.

Navigation Menu

Uh oh!

Repository files navigation

О проекте

Содержание

Ключевые возможности

Быстрый старт

Требования

Сборка и тесты

Подключение к своему проекту

AI-агенты

Архитектура агента

MCP-сервер

Semantic Kernel

Примеры кода

Интерактивный демонстратор

Архитектура сборок

Модули (30 библиотек)

Структура репозитория

Решения (.sln)

Тесты

Стандарт кода

Документация

Лицензия и атрибуция

About

Releases

Packages

Contributors

Languages

Name		Name	Last commit message	Last commit date
.claude		.claude
.github/workflows		.github/workflows
Demo		Demo
Docs		Docs
SLNS		SLNS
Tests		Tests
Tools		Tools
src		src
.editorconfig		.editorconfig
.gitignore		.gitignore
AIFramework-Core.sln		AIFramework-Core.sln
AIFramework.sln		AIFramework.sln
AIFramework3(WebUI).sln		AIFramework3(WebUI).sln
AIFramework3.Deploy.sln		AIFramework3.Deploy.sln
CODE_OF_CONDUCT.md		CODE_OF_CONDUCT.md
CODING_STANDARD.md		CODING_STANDARD.md
CONTRIBUTING.md		CONTRIBUTING.md
Directory.Build.props		Directory.Build.props
Directory.Build.targets		Directory.Build.targets
LICENSE		LICENSE
README.md		README.md
SECURITY.md		SECURITY.md
grep.exe.stackdump		grep.exe.stackdump

Uh oh!

Latest commit

History

Folders and files

Repository files navigation

О проекте

Содержание

Ключевые возможности

Быстрый старт

Требования

Сборка и тесты

Подключение к своему проекту

AI-агенты

Архитектура агента

MCP-сервер

Semantic Kernel

Примеры кода

Интерактивный демонстратор

Архитектура сборок

Модули (30 библиотек)

Структура репозитория

Решения (.sln)

Тесты

Стандарт кода

Документация

Лицензия и атрибуция

About

Resources

Code of conduct

Contributing

Security policy

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages