EMIL Hexagonal Architecture & DevHub

1. Die Hexagonale Architektur (Ports & Adapters)

EMIL trennt die reine neuronale Kognition strikt von allen externen Protokollen. Dadurch bleibt der Denkapparat 100 % unabhängig davon, ob Daten über WhatsApp, SAP, Telegram oder eine OPC-UA SPS einfließen.

Abb. 1: 3D-Struktur der Hexagonalen Ports & Adapters Architektur von EMIL AI

2. Ports vs. Adapters: Der fundamentale Unterschied

In der hexagonalen Architektur (Clean Architecture) ist die klare Rollenverteilung zwischen abstrakten Verträgen (Ports) und konkreten Implementierungen (Adapters) entscheidend:

3. Parallele AI Vault Kognition via Prismatic Router

Alle montierten AI Vaults laufen 100 % parallel im neuronalen Kortex! EMIL führt AI Vaults nicht nacheinander aus. Stattdessen projiziert der Prismatic Router den eingehenden Kognitions-Tensor zeitgleich in alle aktiven AI Vault Module:

Abb. 2: Parallele Multi-Vault Inferenz & Vektor-Fusion im 512D Kognitionsraum

4. Wie verhalten sich Adapter während der Inferenz?

Es gibt genau zwei fundamentale Interaktionsmuster zwischen EMILs Inferenz und den Adaptern:

5. Das selektive Pausieren (Cognitive Fakten-Yield)

Die neuronale Logik rechnet weiter – nur der Satz-Schreiber wartet auf die Zahl!

Die Aussage „die Inferenz pausiert“ bezieht sich ausschließlich auf den finalen Token-Emitter (den Ausgabegenerator) an der Stelle, an der ein externer Echtzeit-Fakt benötigt wird:

Abb. 3: Selektiver 5-Stufen-Zyklus des Cognitive Fakten-Yields & Fakten-Injektion

6. Kann ich innerhalb von Python-Code auf die Inferenz zugreifen?

Ja, uneingeschränkt! EMIL bietet eine First-Class Python API. Sie können Inferenz sowohl auf Text-Ebene als auch direkt auf Vektor-Ebene im 512D Kognitionsraum ausführen:

A. Einfache Text-Kognition (`think`)

from modules.eml_pipeline import emil_engine

# Führt einen vollen kognitiven Denkprozess mit Z3-Prüfung aus
antwort = emil_engine.think(
    prompt="Prüfe Kündigungsfrist für 3 Jahre Betriebszugehörigkeit nach § 622 BGB",
    temperature=0.1
)
print(antwort)

B. Reine Vektor-Inferenz im Kognitionsraum (Latenz < 2 ms)

from modules.eml_pipeline import emil_engine

# Projiziert Text direkt in 512D Kognitions-Vektoren
v_gesetz = emil_engine.embed("KSchG § 1 Wartezeit 6 Monate")
v_anfrage = emil_engine.embed("Gilt Kündigungsschutz nach 7 Monaten Probezeit?")

# Berechnet die semantische Distanz
dist = emil_engine.calculate_distance(v_gesetz, v_anfrage)
if dist < 0.15:
    print("🟢 Relevanz mathematisch bewiesen (Semantischer Treffer)!")

C. Event-Driven Hook im AI Vault

from modules.adapters import whatsapp_adapter

# Callback, der von der WhatsApp-Bridge getriggert wird
def on_whatsapp_message(sender_id: str, message_text: str, emil):
    # 1. EMIL denkt mit AI Vault Wissen
    gutachten = emil.think(f"Arbeitsrechtliche Prüfung: {message_text}")
    
    # 2. Direkt über den WhatsApp-Adapter mit Buttons antworten
    whatsapp_adapter.send_interactive_buttons(
        recipient=sender_id,
        body=gutachten,
        buttons=[
            {"id": "btn_frist", "title": "📅 Frist berechnen"},
            {"id": "btn_anwalt", "title": "📞 Rückruf anfordern"}
        ]
    )

7. 10-Minuten Tutorial: Eigenen Inhouse-Adapter schreiben

Jeder Entwickler kann in unter 10 Minuten einen neuen Adapter für jedes Altsystem (z. B. Hochregallager, AS/400, Oracle SQL) schreiben. Er erbt automatisch Circuit Breaking, Post-Quantum Audit-Logging und 4-Augen-Sperre:

# inhouse_warehouse_adapter.py
from modules.adapters import BaseAdapter

class InhouseWarehouseAdapter(BaseAdapter):
    def __init__(self):
        super().__init__(
            adapter_id="adapter.warehouse.custom_rack_system",
            name="Inhouse Hochregallager TCP Adapter",
            system_type="WAREHOUSE_TCP_SOCKET",
            read_only_mode=True # Standardmäßig schreibgeschützt
        )

    def get_rack_status(self, rack_id: str) -> dict:
        self._check_circuit_breaker() # Schutz vor Server-Überlastung
        try:
            # 1. Verbindung zum hauseigenen TCP-Socket / Datenbank
            status = {"rack_id": rack_id, "capacity_percent": 84.5, "temperature": 18.2}
            
            # 2. Revisionssicherer Audit-Eintrag (SHA-256 + ML-DSA-65)
            self.record_audit_entry(
                action="GET_RACK_STATUS", direction="OUTBOUND",
                payload_summary=f"Regal {rack_id} abgefragt: {status['capacity_percent']}% belegt",
                status="SUCCESS"
            )
            self._record_success()
            return status
        except Exception as e:
            self._record_failure(str(e))
            raise

8. AI Vault Anbindung & Adapter-Deklaration

Ein autarker AI Vault (.emp Container) deklariert in seinem Manifest (vault_manifest.json), welche Adapter er benötigt. Sobald EMIL den AI Vault mountet (Hot-Swap in 1,8 ms), bindet der Kortex die entsprechenden Adapter automatisch:

// In vault_manifest.json des AI Vaults:
{
  "vault_id": "vault.legal.labor.kschg_arbzg",
  "title": "Arbeitsrecht & Kündigungsschutz Vault",
  "required_adapters": [
    "adapter.channel.chat.whatsapp_meta",
    "adapter.channel.chat.telegram_bot"
  ],
  "entrypoint_script": "scripts/on_client_message.py"
}

9. IT-Sicherheit, 4-Augen-Prinzip & ISO 27001