Informație și coordonare Dezvoltare & demonstrații

Z rozproszonej informacji, kontekst roboczy.

Cronberry łączy autoryzowane źródła, rozmowy i relacje w przestrzeni badawczej i koordynacyjnej. Wyszukiwanie semantyczne i agenci pomagają zespołowi znaleźć to, co ważne, i przygotować następny krok.

Discută o demonstrație Cum funcționează Vezi un exemplu

Cum funcționează Cronberry

Cronberry

Od informacji do wykonanej pracy.

Surse

Wybieramy źródła i dozwolony dostęp: dokumenty, kanały i istotne rozmowy.

Context

Organizujemy informacje według tematów, relacji i projektów, z możliwością powrotu do źródła.

Coordonare

Przygotowujemy syntezy i działania do przeglądu, połączone z przepływem pracy zespołu.

Gdzie staje się przydatny.

Badania i radar tematyczny

Śledzenie interesujących tematów i odnajdywanie istotnych informacji.

Relacje i możliwości

Kontekst autoryzowanych interakcji, w jednym miejscu dostępnym dla zespołu.

Powiązanie z FlowMind

Eksplorujemy pomost między informacją tekstową, śledzonymi tematami i kontekstem geospatialnym.

Prezentujemy kierunek i rozwijane funkcje. Implementacja, podłączone źródła i dostępność są ustalane podczas demonstracji. Dostęp do danych jest kontrolowany.

Cronberry szczegółowo

Co możesz zrobić z tym projektem.

Cronberry to silnik inteligencji oparty na relacjach, a nie narzędzie do wyszukiwania w dokumentach. Zaczyna od archiwum rozmów Telegram i buduje z niego graf wiedzy w Neo4j: kontakty, firmy, grupy, kanały, możliwości, kampanie, produkty, miejsca, wydarzenia i tematy — dziesięć typów encji — połączone przez osiem typów relacji, wśród których są „zna”, „pracuje nad”, „obiecał” i „zgłosił zastrzeżenie do”.

Nad grafem stoją trzy rzeczy, które odróżniają go od CRM: cyfrowe bliźniaki, czyli profile generowane z historii wiadomości danej osoby, z którymi można rozmawiać, aby przewidzieć reakcję; optymalizator, który testuje dwie wersje wiadomości na tych profilach, zanim cokolwiek zostanie wysłane do realnej osoby; oraz symulator Monte Carlo, który uruchamia plan pracy setki razy i zwraca rozkład wyników, a nie jedną liczbę.

Trzeba jasno powiedzieć, jakiego rodzaju liczby to produkuje: prognozy, nie pomiary. Gdy silnik zwraca prawdopodobieństwo odpowiedzi lub przedział ufności, są to wyniki symulacji. W kodzie istnieje struktura, która miałaby porównywać prognozę z tym, co wydarzyło się faktycznie — `AccuracyStats`, z wskaźnikiem dokładności i kalibracją ufności — ale nie znalazłem w repo żadnej rzeczywistej serii pomiarów, która by ją wypełniała. Do tego czasu liczby należy czytać jako hipotezy robocze.

Graf wiedzy oparty na rzeczywistych relacjach

Neo4j 5, z ustaloną ontologią dziesięciu typów encji i ośmiu typów krawędzi, oraz trybem, w którym ontologia może być generowana przez model do analiz punktowych. Wzbogacanie przebiega w czterech etapach: oceny wpływu typu PageRank, wykrywanie społeczności przez propagację etykiet, wagi krawędzi na podstawie częstotliwości wiadomości oraz krawędzie typu „wspomniał”, wyodrębniane z wzorców `@użytkownik` w treści wiadomości.

Cyfrowe bliźniaki z pamięcią na trzech poziomach

Profil generowany z historii kontaktu, z pamięcią krótką, pamięcią długą i pamięcią relacji. Trzy sposoby użycia: swobodna rozmowa, przygotowanie do negocjacji i prognozowanie odpowiedzi.

Testowanie wiadomości przed wysłaniem

Optymalizator przepisuje wiadomość do zadeklarowanego celu i może porównać dwie wersje. Test obciążeniowy idzie dalej: uruchamia parametry takie jak wzrost ceny lub presja terminu na kilku poziomach intensywności i zwraca obszary, w których kontakt reaguje dobrze, oraz te, których należy unikać.

Symulacja Monte Carlo na napisanym planie

Plan trafia jako tekst, wraz z listą kontaktów, liczbą iteracji i horyzontem w dniach. Wynikiem jest prawdopodobieństwo powodzenia z przedziałem ufności, punkty, w których plan się blokuje, oraz powód każdego blokowania. Symulacje mają checkpoint, więc długie uruchomienie można wznowić.

Prawa osoby, zaimplementowane jako endpointy

Moduł GDPR nie jest stroną polityki: ma pełny eksport danych kontaktu (art. 15 i 20), usuwanie, które działa jednocześnie w SQLite, w Neo4j, w predykcjach i w ewidencji zgód, z dziennikiem usunięcia (art. 17), sprostowanie (art. 16), status i wycofanie zgody, ewidencję czynności przetwarzania (art. 30) oraz endpoint wyjaśnienia predykcji, dla wymogu przejrzystości z europejskiego rozporządzenia o AI.

Koszt modelu, zliczany

Klient modelu prowadzi licznik kosztu na wywołanie i cache w pamięci z wygaśnięciem po 3600 sekundach oraz maksimum 512 wpisów, plus własny limiter żądań na minutę do dostawcy. Główny model to Azure OpenAI, z Groq jako szybką wersją zapasową.

Dane i działanie

Co trafia do systemu. Co trzeba sprawdzić.

Obecny korpus jest prywatny i osobisty: Ścieżka w konfiguracji startowej wskazuje na bazę SQLite z osobistą historią Telegram. To jest dobre do rozwoju i całkowicie nieodpowiednie dla usługi: wdrożenie u klienta zaczyna się od jego źródeł, od zadeklarowanego celu i od podstawy przetwarzania, a nie od tego korpusu.
Dwa repozytoria, jedno usuwanie: Dane są w SQLite (źródło) i w Neo4j (graf), a predykcje w trzecim miejscu. Usuwanie na żądanie obejmuje wszystkie trzy plus ewidencję zgód i zapisuje dziennik — bo usuwanie, które zostawia kopię w grafie, nie jest usuwaniem.
Co chroni usługę przy wejściu: Ograniczanie żądań z bucketem tokenów: 100 żądań na 60 sekund na adres IP, globalnie, plus ostrzejsze limity na kosztowne endpointy. Surowe nagłówki bezpieczeństwa, z polityką treści, która blokuje skrypty i ramki, HSTS na rok z subdomenami oraz polityką uprawnień, która zamyka kamerę, mikrofon, lokalizację i płatności. Dozwolone originy konfigurują się przez zmienną środowiskową.
Czego brakuje przy wejściu, i to ma znaczenie: Uwierzytelniania. W własnym planie bezpieczeństwa rozdział o uwierzytelnianiu i autoryzacji jest całkowicie nieodznaczony: bez walidacji tokenu na endpointach silnika, bez ról, bez kluczy API przechowywanych jako hash, bez blokady po powtarzanych próbach. Do czasu rozwiązania, silnik działa za kontrolowaną siecią, a nie w internecie.

Od eksploracji do wdrożenia

Jak przygotowujemy projekt z Cronberry.

Najpierw źródło i podstawa, potem kod

Pierwszy krok nie jest techniczny: jakie dane organizacja ma prawo przetwarzać, w jakim celu i przez jaki czas. Korpus deweloperski nie jest używany ponownie.

Budujemy graf na danych klienta

Import do Neo4j, potem cztery przejścia wzbogacania. Stała ontologia obejmuje wzorzec CRM na Telegram; dla innego rodzaju materiału można wygenerować specyficzną.

Zamyykamy bramę przed jakąkolwiek ekspozycją

Uwierzytelnianie, role i klucze przechowywane jako hash są warunkiem uruchomienia, a nie późniejszym ulepszeniem. Ograniczenie liczby żądań i nagłówki bezpieczeństwa już istnieją i pozostają aktywne.

Kalibrujemy prognozy na rzeczywistych wynikach

Struktura pomiaru dokładności istnieje w kodzie. Użyteczny pilot oznacza rejestrowanie tego, co przewidział silnik i co się wydarzyło, aż liczby będą miały za sobą historię.

Pytania, które warto wyjaśnić.

Czy mogę wejść na cronberry.ai, żeby zobaczyć?

Nie, i nie jest to tymczasowy problem serwera. Domeny nie da się w ogóle rozwiązać: zapytanie DNS zwraca NXDOMAIN, a rejestr .ai odpowiada `Domain not found` — sprawdzone 6 września 2026. Serwer wskazany w dokumentacji projektu, `74.248.16.185`, również nie odpowiada na porcie silnika. To, co istnieje i można pokazać: kod, który działa lokalnie, oraz demonstracja przygotowana na uzgodnionym zbiorze danych.

Strona opisuje to jako przestrzeń roboczą do dokumentów i wyszukiwania semantycznego. Tak jest?

Nie, i to jest błąd, który poprawiamy. Projekt nie jest wyszukiwarką po dokumentach. To silnik inteligencji o relacjach, zbudowany z archiwum rozmów: graf Neo4j, profile kontaktów generowane z historii, testowanie wiadomości na tych profilach i symulacja Monte Carlo na planie. Tekst na stronie opisuje produkt inny niż kod, który istnieje.

Co oznacza „prawdopodobieństwo odpowiedzi 0,67”?

Oznacza wynik symulacji, a nie pomiar. Silnik uruchamia plan setki razy na profilach generowanych z historii i raportuje rozkład. W kodzie istnieje struktura, która porównywałaby prognozę z rzeczywistością — wskaźnik dokładności i kalibrację zaufania — ale nie znaleźliśmy żadnej serii pomiarów, która by ją wypełniała. Więc tej liczby używa się do porządkowania opcji między sobą, a nie jako obietnicy wyniku.

Czy może działać na danych naszych klientek i klientów, a nie na osobistym archiwum?

Tak, ale to jest pierwszy krok każdej implementacji, a nie adaptacja na końcu. Obecny korpus rozwojowy to osobiste archiwum Telegram, wskazane bezpośrednio w konfiguracji startowej, i nie jest ponownie używany. Import zaczyna się od źródeł organizacji, z wcześniej ustalonym celem i podstawą przetwarzania.

Co się dzieje, gdy osoba żąda usunięcia danych?

Istnieje dedykowany endpoint, a usunięcie nie jest częściowe: obejmuje SQLite, Neo4j, wygenerowane prognozy dotyczące tej osoby oraz rejestr zgody, i zapisuje dziennik usunięcia. Zaimplementowane są też pełny eksport, sprostowanie, status zgody, rejestr przetwarzań i wyjaśnienie prognozy.

Czy jest gotowe do wystawienia w internecie?

Nie, a powód jest precyzyjny: uwierzytelnianie. Rozdział uwierzytelniania i autoryzacji w własnym planie bezpieczeństwa jest całkowicie nieodznaczony — nie ma walidacji tokenu na endpointach silnika, ról, kluczy API przechowywanych jako hash ani blokady po powtarzających się próbach. To, co już istnieje: limit 100 żądań na 60 sekund na IP, ostrzejsze limity na kosztownych endpointach, ścisłe nagłówki bezpieczeństwa i konfigurowalne originy. Z zamkniętą bramą wejściową rozmowa o uruchomieniu staje się realna.

Dokumentacja wewnętrzna oznacza wiele rzeczy jako wykonane. Czy można to zweryfikować?

Częściowo i warto o tym powiedzieć. Lista bezpieczeństwa odsyła do plików, które nie istnieją w repo (`swarm_api.py`, `security_middleware.py`, `gdpr_routes.py`). Odpowiedni kod jednak istnieje, tylko w innym miejscu: `cronberry_swarm/security/rate_limiter.py`, `headers.py` i `gdpr.py`. Zatem oznaczenia opisują rzeczywistą funkcjonalność, ale odwołania są błędne — prześledziliśmy je w kodzie, nie na liście.

Przykład ilustracyjny

Plan pracy przepuszczony przez symulację przed uruchomieniem

Scenariusz użycia, bez danych klienta ani przypisanych wyników handlowych.

Sytuacja początkowa

Zespół zapisuje plan w tekście — kogo kontaktuje, w jakiej kolejności, przez jaki kanał — i wybiera listę kontaktów, liczbę iteracji oraz horyzont w dniach.

Jak to działa

Silnik uruchamia plan setki razy na profilach wygenerowanych z historii każdego kontaktu, na wzór platformy Telegram. Uruchomienie ma checkpoint, więc można je wznowić, jeśli zostanie przerwane.

Rezultatul

Prawdopodobieństwo powodzenia z przedziałem ufności, lista kroków, na których plan się blokuje, oraz powód każdej blokady, a także sugerowana kolejność kontaktów. Wszystko to są wyniki symulacji, używane do porównywania wariantów między sobą.

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.

Możliwości współpracy

Cronberry, w kontekście twojej organizacji.

Wewnętrzne przepływy i informacje

Łączenie autoryzowanych źródeł, porządkowanie informacji i weryfikacja działań przez zespół, z osobnym dostępem według ról.

Firmy prywatne

Definiujemy pilotaż wokół realnego procesu: użytkownicy, dane, integracje, koszty i kryteria akceptacji. Rozszerzenie następuje po ocenie wyniku.

Instytucje i spółki państwowe

Ustalamy wymagania dotyczące dostępności, hostingu, ochrony danych i interoperacyjności. Każde połączenie z usługami AGE lub STISC wymaga walidacji kwalifikowalności, dostępu i zatwierdzeń.

To są scenariusze adaptacji, a nie oświadczenia o istniejących umowach lub partnerstwach. Proponowane funkcje są potwierdzane w zakresie pracy projektu.

Discută un pilot

Część ekosystemu.

Inteligență geospațială

FlowMind

FlowMind organizuje mapy, źródła publiczne i produkty Copernicus w przestrzeni do analizy.

Implementare specializată

API pentru modele AI

LongDay

Dostęp API do modeli AI przez wspólny interfejs.

Platformă

Organizarea muncii

Taskin

Taskin bada przekształcanie dyskusji i kontekstu projektu w zobowiązania, priorytety i kroki pracy.

Dezvoltare & demonstrații

Co chcesz, żeby działało lepiej?

Opowiedz nam o swoim procesie. Wspólnie ustalimy, co warto zbudować, co da się połączyć i jak sprawdzimy wynik.

Porozmawiajmy