گسترش خدمات هوش مصنوعی در پیوستار لبه–ابر، مدیریت وضعیت توزیع‌شده‌ای مانند زمینه مکالمه، وضعیت نشست، ویژگی‌های مدل، مجوزها و داده‌های مشتق‌شده را به مسئله‌ای بنیادی تبدیل کرده است. این مقاله RAMAC را ارائه می‌کند؛ چارچوبی عملیات‌محور که با جداسازی قیود سخت از تابع هزینه، برای هر درخواست یکی از مدل‌های Strong، Causal، Bounded-Staleness یا Eventual را انتخاب می‌کند و تغییر مدل را تنها پس از تکمیل Barrier نسخه، علیت یا Quorum قطعی می‌سازد. ارزیابی شبیه‌ساز با Trace ثابت و Replay یکسان، شامل ۲۳ سناریو، شش سیاست، ۲۰ Seed و در مجموع ۲۷۶۰ Run بود. در سناریوی پایدار، RAMAC در مقایسه با Always-Strong، تأخیر P95 را ۲٫۴ درصد و پیام به‌ازای عملیات را ۲۴٫۹ درصد کاهش داد. در قیاس با Always-Eventual، نرخ خواندن کهنه ۹۳٫۴ درصد کمتر شد و هیچ نقض Read-Your-Writes یا Monotonic Reads ثبت نشد. در احتمال تحرک ۰٫۴، RAMAC همچنان این دو تضمین نشست را بدون نقض حفظ کرد و نرخ برخورد پیش‌همگام‌سازی آن ۷۸٫۶ درصد بود. در Partition شصت‌ثانیه‌ای، دسترس‌پذیری به ۷۸٫۹ درصد و نرخ Rollback انتقال به ۲۴٫۶ درصد رسید و در تمام ۲۷۶۰ Run، هیچ عملیات Security با مدلی غیر از Strong اجرا نشد و شاخص تجربی safety_violation_rate برابر صفر باقی ماند. نتایج آزمون‌های زوجی Friedman و Wilcoxon با اصلاح Holm نشان می‌دهند که RAMAC بر همه سیاست‌ها غالب نیست؛ بلکه برای بارهای ناهمگن، موازنه‌ای قابل‌کنترل میان تأخیر، سربار، تازگی، دسترس‌پذیری و ایمنی فراهم می‌کند.