Surse
Wir wählen die Quellen und den erlaubten Zugriff aus: relevante Dokumente, Kanäle und Gespräche.
Produkte Cronberry
Informație și coordonare Dezvoltare & demonstrații
Aus verstreuter Information wird Arbeitskontext.
Cronberry führt autorisierte Quellen, Gespräche und Beziehungen in einem Raum für Recherche und Koordination zusammen. Semantische Suche und Agenten helfen dem Team, das Wichtige zu finden und den nächsten Schritt vorzubereiten.
Cronberry
Von der Information zur erledigten Arbeit.
Context
Wir ordnen Informationen nach Themen, Beziehungen und Projekten, mit der Möglichkeit, zur Quelle zurückzukehren.
Coordonare
Wir bereiten Zusammenfassungen und Aktionen zur Überprüfung vor, verbunden mit dem Arbeitsablauf des Teams.
Wo es nützlich wird.
Forschung und Themenradar
Verfolgung interessierender Themen und Wiederauffinden relevanter Informationen.
Beziehungen und Chancen
Der Kontext autorisierter Interaktionen, an einem für das Team zugänglichen Ort.
Die Verbindung mit FlowMind
Wir untersuchen die Brücke zwischen textueller Information, verfolgten Themen und geospatialem Kontext.
Wir stellen die Richtung und die entwickelten Funktionen vor. Die Implementierung, die verbundenen Quellen und die Verfügbarkeit werden im Rahmen einer Demonstration festgelegt. Der Zugriff auf Daten ist kontrolliert.
Cronberry im Detail
Was Sie mit diesem Projekt tun können.
Cronberry ist eine Intelligenz-Engine für Beziehungen, kein Werkzeug zur Suche in Dokumenten. Sie geht von einem Archiv von Telegram-Konversationen aus und baut daraus in Neo4j einen Wissensgraphen: Kontakte, Unternehmen, Gruppen, Kanäle, Chancen, Kampagnen, Produkte, Orte, Ereignisse und Themen — zehn Entitätstypen — verbunden durch acht Beziehungstypen, darunter „kennt“, „arbeitet an“, „hat versprochen“ und „hat Einwände erhoben gegen“.
Über dem Graphen stehen drei Dinge, die den Unterschied zu einem CRM ausmachen: digitale Zwillinge, also aus dem Nachrichtenverlauf einer Person generierte Profile, mit denen Sie sprechen können, um eine Reaktion vorherzusagen; ein Optimierer, der zwei Varianten einer Nachricht auf diesen Profilen testet, bevor Sie etwas an einen realen Menschen senden; und ein Monte-Carlo-Simulator, der einen Arbeitsplan Hunderte Male ausführt und eine Verteilung von Ergebnissen zurückgibt, nicht eine einzelne Zahl.
Es muss klar gesagt werden, welche Art von Zahlen es erzeugt: Vorhersagen, keine Messungen. Wenn die Engine eine Antwortwahrscheinlichkeit oder ein Vertrauensintervall zurückgibt, sind das Ausgaben der Simulation. Im Code gibt es die Struktur, die die Vorhersage mit dem tatsächlich Geschehenen vergleichen würde — `AccuracyStats`, mit Genauigkeitsrate und Kalibrierung des Vertrauens — aber ich habe im Repo keine reale Messreihe gefunden, die sie füllen könnte. Solange es sie nicht gibt, werden die Zahlen als Arbeitshypothesen gelesen.
Wissensgraph auf Basis realer Beziehungen
Neo4j 5, mit einer festen Ontologie aus zehn Entitätstypen und acht Kantentypen, plus einem Modus, in dem die Ontologie für punktuelle Analysen von einem Modell generiert werden kann. Die Anreicherung läuft in vier Durchgängen: Einflusswerte vom Typ PageRank, Community-Erkennung durch Label Propagation, Kantengewichte aus der Nachrichtenfrequenz und Kanten vom Typ „hat erwähnt“, extrahiert aus den Mustern `@Benutzer` im Nachrichtentext.
Digitale Zwillinge mit Gedächtnis auf drei Ebenen
Ein aus dem Verlauf eines Kontakts generiertes Profil mit Kurzzeitgedächtnis, Langzeitgedächtnis und Beziehungsgedächtnis. Drei Nutzungsarten: freie Konversation, Verhandlungsvorbereitung und Antwortvorhersage.
Testen einer Nachricht, bevor sie gesendet wird
Der Optimierer schreibt eine Nachricht auf ein angegebenes Ziel um und kann zwei Varianten vergleichen. Der Stresstest führt die Idee weiter: Er läuft Parameter wie Preiserhöhung oder Termindruck in mehreren Intensitäten durch und gibt die Bereiche zurück, in denen der Kontakt gut reagiert, sowie jene, die zu vermeiden sind.
Monte-Carlo-Simulation auf einem geschriebenen Plan
Der Plan wird als Text eingegeben, zusammen mit der Kontaktliste, der Anzahl der Iterationen und dem Horizont in Tagen. Heraus kommen eine Erfolgswahrscheinlichkeit mit Konfidenzintervall, die Punkte, an denen der Plan blockiert, und der Grund jeder Blockierung. Die Simulationen haben Checkpoints, sodass ein langer Lauf fortgesetzt werden kann.
Die Rechte der Person, als Endpunkte implementiert
Das GDPR-Modul ist keine Richtlinienseite: Es hat den vollständigen Export der Daten eines Kontakts (Art. 15 und 20), Löschung, die gleichzeitig in SQLite, in Neo4j, in Vorhersagen und in den Einwilligungsnachweis geht, mit Löschprotokoll (Art. 17), Berichtigung (Art. 16), Einwilligungsstatus und -widerruf, Verzeichnis der Verarbeitungstätigkeiten (Art. 30) und einen Endpunkt zur Erklärung einer Vorhersage, für die Transparenzanforderung aus der europäischen KI-Verordnung.
Die Modellkosten, erfasst
Der Modell-Client führt einen Kostenzähler pro Aufruf und einen In-Memory-Cache mit Ablauf nach 3600 Sekunden und maximal 512 Einträgen sowie einen eigenen Request-Limiter pro Minute zum Anbieter. Das Hauptmodell ist Azure OpenAI, mit Groq als schneller Ersatzvariante.
Daten und Funktionsweise
Was in das System eingeht. Was geprüft werden muss.
- Das aktuelle Korpus ist privat und persönlich
- Der Pfad in der Startkonfiguration zeigt auf eine SQLite-Datenbank mit persönlichem Telegram-Verlauf. Das ist für die Entwicklung geeignet und für einen Dienst völlig ungeeignet: Eine Implementierung bei einem Kunden beginnt mit dessen Quellen, dem angegebenen Zweck und der Rechtsgrundlage der Verarbeitung, nicht mit diesem Korpus.
- Zwei Speicher, eine einzige Löschung
- Die Daten liegen in SQLite (Quelle) und in Neo4j (Graph), die Vorhersagen an einem dritten Ort. Die Löschung auf Anfrage erfasst alle drei plus den Einwilligungsnachweis und schreibt ein Protokoll — denn eine Löschung, die die Kopie im Graphen zurücklässt, ist keine Löschung.
- Was der Dienst am Eingang schützt
- Ratenbegrenzung mit Token-Bucket: 100 Anfragen in 60 Sekunden pro IP-Adresse, global, plus strengere Limits auf den teuren Endpunkten. Strenge Sicherheitsheader mit einer Content-Security-Policy, die Skripte und Frames blockiert, HSTS für ein Jahr mit Subdomains und einer Permissions-Policy, die Kamera, Mikrofon, Standort und Zahlungen abschaltet. Zulässige Origins werden über eine Umgebungsvariable konfiguriert.
- Was am Eingang fehlt und zählt
- Die Authentifizierung. Im eigenen Sicherheitsplan ist das Kapitel Authentifizierung und Autorisierung vollständig nicht angekreuzt: keine Token-Prüfung auf den Endpunkten der Engine, keine Rollen, keine als Hash gespeicherten API-Schlüssel, keine Sperre bei wiederholten Versuchen. Bis es behoben ist, läuft die Engine hinter einem kontrollierten Netzwerk, nicht im Internet.
Von der Erkundung zur Implementierung
Wie wir ein Projekt mit Cronberry vorbereiten.
Zuerst Quelle und Rechtsgrundlage, dann der Code
Der erste Schritt ist nicht technisch: Welche Daten darf die Organisation verarbeiten, zu welchem Zweck und für wie lange. Das Entwicklungskorpus wird nicht wiederverwendet.
Wir bauen den Graphen auf den Daten des Kunden auf
Import in Neo4j, dann die vier Anreicherungsdurchläufe. Die feste Ontologie deckt das CRM-Muster für Telegram ab; für eine andere Art von Material kann eine spezifische generiert werden.
Wir schließen das Gate vor jeder Exposition
Authentifizierung, Rollen und als Hash gespeicherte Schlüssel sind eine Voraussetzung für den Start, keine spätere Verbesserung. Ratenbegrenzung und Sicherheits-Header sind bereits vorhanden und bleiben aktiv.
Wir kalibrieren die Vorhersagen an echten Ergebnissen
Die Struktur zur Messung der Genauigkeit ist im Code vorhanden. Ein nützlicher Pilot bedeutet, zu protokollieren, was die Engine vorhergesagt hat und was passiert ist, bis die Zahlen eine Historie haben.
Fragen, die sich lohnen, geklärt zu werden.
Kann ich auf cronberry.ai gehen, um es zu sehen?
Nein, und es ist kein vorübergehendes Serverproblem. Die Domain lässt sich überhaupt nicht auflösen: Die DNS-Abfrage liefert NXDOMAIN, und das .ai-Register antwortet mit `Domain not found` — geprüft am 6. September 2026. Der in der Projektdokumentation angegebene Server, `74.248.16.185`, antwortet ebenfalls nicht auf dem Port der Engine. Was existiert und gezeigt werden kann: der Code, der lokal läuft, und eine auf einem vereinbarten Datensatz vorbereitete Demonstration.
Die Website beschreibt es als Arbeitsbereich für Dokumente und semantische Suche. Ist das so?
Nein, und das ist ein Fehler, den wir korrigieren. Das Projekt ist keine Suchmaschine über Dokumente. Es ist eine auf Beziehungen basierende Intelligenz-Engine, aufgebaut aus einem Gesprächsarchiv: Neo4j-Graph, aus dem Verlauf generierte Kontaktprofile, Nachrichtentests auf diesen Profilen und Monte-Carlo-Simulation auf einem Plan. Der Text auf der Website beschreibt ein anderes Produkt als den vorhandenen Code.
Was bedeutet „Antwortwahrscheinlichkeit 0,67“?
Das bedeutet eine Simulationsausgabe, keine Messung. Die Engine führt den Plan Hunderte Male auf aus dem Verlauf generierten Profilen aus und meldet die Verteilung. Im Code ist die Struktur vorhanden, die die Vorhersage mit der Realität vergleichen würde — Genauigkeitsrate und Kalibrierung des Vertrauens —, aber wir haben keine Messreihe gefunden, die sie füllen würde. Also wird die Zahl verwendet, um Optionen untereinander zu ordnen, nicht als Ergebnisversprechen.
Kann sie auf den Daten unserer Kunden laufen, nicht auf einem persönlichen Archiv?
Ja, aber das ist der erste Schritt jeder Implementierung, keine Anpassung am Ende. Der aktuelle Entwicklungskorpus ist ein persönliches Telegram-Archiv, das direkt in der Startkonfiguration angegeben ist, und er wird nicht wiederverwendet. Der Import beginnt bei den Quellen der Organisation, mit festgelegtem Zweck und Rechtsgrundlage der Verarbeitung vorab.
Was passiert, wenn eine Person die Löschung der Daten verlangt?
Es gibt einen dedizierten Endpoint, und die Löschung ist nicht teilweise: Sie betrifft SQLite, Neo4j, die über diese Person generierten Vorhersagen und den Nachweis der Einwilligung und schreibt ein Löschprotokoll. Implementiert sind auch der vollständige Export, die Berichtigung, der Einwilligungsstatus, der Nachweis der Verarbeitungen und die Erklärung einer Vorhersage.
Ist es bereit, im Internet veröffentlicht zu werden?
Nein, und der Grund ist präzise: die Authentifizierung. Das Kapitel zur Authentifizierung und Autorisierung im eigenen Sicherheitsplan ist vollständig nicht abgehakt — es gibt keine Token-Validierung an den Engine-Endpoints, keine Rollen, keine als Hash gespeicherten API-Schlüssel und keine Sperre nach wiederholten Versuchen. Was bereits vorhanden ist: Begrenzung auf 100 Anfragen pro 60 Sekunden pro IP, strengere Limits auf den teuren Endpoints, strikte Sicherheits-Header und konfigurierbare Ursprünge. Mit dem geschlossenen Tor am Eingang wird die Diskussion über den Start real.
Die interne Dokumentation hakt viele Dinge als erledigt ab. Lässt sich das überprüfen?
Teilweise, und das ist erwähnenswert. Die Sicherheitsliste verweist auf Dateien, die im Repo nicht existieren (`swarm_api.py`, `security_middleware.py`, `gdpr_routes.py`). Der entsprechende Code ist jedoch vorhanden, nur an anderer Stelle: `cronberry_swarm/security/rate_limiter.py`, `headers.py` und `gdpr.py`. Also beschreiben die Häkchen reale Funktionalität, aber die Verweise sind falsch — ich habe sie im Code verfolgt, nicht in der Liste.
Beispiel zur Veranschaulichung
Ein Arbeitsplan, der vor dem Start durch eine Simulation geprüft wurde
Ein Nutzungsszenario, ohne Kundendaten oder zugeordnete kommerzielle Ergebnisse.
Ausgangssituation
Ein Team schreibt einen Plan in Textform — wen es kontaktiert, in welcher Reihenfolge, über welchen Kanal — und wählt die Kontaktliste, die Anzahl der Iterationen und den Zeithorizont in Tagen.
Wie es funktioniert
Die Engine führt den Plan Hunderte Male über die aus der Historie jedes Kontakts generierten Profile aus, nach dem Muster der Telegram-Plattform. Die Ausführung hat einen Checkpoint, sodass sie nach einer Unterbrechung fortgesetzt werden kann.
Rezultatul
Eine Erfolgswahrscheinlichkeit mit Konfidenzintervall, die Liste der Schritte, an denen der Plan blockiert wird, und der Grund für jede Blockade, plus die empfohlene Reihenfolge der Kontakte. Alles sind Simulationsausgaben, die Sie verwenden können, um Varianten miteinander zu vergleichen.
Ce este necesar:Sursă de date proprie a organizației, cu scop și temei de prelucrare stabilite; Neo4j pornit și graful importat; cheie de model configurată. Nu există azi o instanță publică pe care să rulezi asta.
Möglichkeiten der Zusammenarbeit
Cronberry, im Kontext Ihrer Organisation.
Interne Abläufe und Informationen
Verknüpfung autorisierter Quellen, Organisation der Informationen und Überprüfung der Aktionen durch das Team, mit separatem Zugriff nach Rollen.
Private Unternehmen
Wir definieren einen Pilot rund um einen realen Prozess: Nutzer, Daten, Integrationen, Kosten und Abnahmekriterien. Die Erweiterung erfolgt nach der Bewertung des Ergebnisses.
Institutionen und staatliche Unternehmen
Wir legen die Anforderungen an Zugänglichkeit, Hosting, Datenschutz und Interoperabilität fest. Jede Verbindung mit AGE- oder STISC-Diensten erfordert die Validierung der Berechtigung, des Zugriffs und der Genehmigungen.
Dies sind Anpassungsszenarien, keine Aussagen über bestehende Verträge oder Partnerschaften. Die vorgeschlagenen Funktionen werden im Arbeitsbereich des Projekts bestätigt.
Discută un pilotTeil eines Ökosystems.
Inteligență geospațială
FlowMind
FlowMind ordnet Karten, öffentliche Quellen und Copernicus-Produkte in einem Analysebereich.
Implementare specializatăAPI pentru modele AI
LongDay
API-Zugriff auf KI-Modelle über eine gemeinsame Schnittstelle.
PlatformăOrganizarea muncii
Taskin
Taskin untersucht die Umwandlung von Gesprächen und Projektkontext in Zusagen, Prioritäten und Arbeitsschritte.
Dezvoltare & demonstrațiiWas sollte bei Ihnen besser laufen?
Erzählen Sie uns von Ihrem Prozess. Gemeinsam legen wir fest, was sich zu bauen lohnt, was wir anbinden können und wie wir das Ergebnis prüfen.