Surse
Selectăm sursele și accesul permis: documente, canale și conversații relevante.
Produse Cronberry
Informație și coordonare Dezvoltare & demonstrații
Din informație dispersată, context de lucru.
Cronberry aduce împreună surse autorizate, conversații și relații într-un spațiu de cercetare și coordonare. Căutarea semantică și agenții ajută echipa să găsească ce contează și să pregătească următorul pas.
Cronberry
De la informație la lucru făcut.
Context
Organizăm informația pe subiecte, relații și proiecte, cu posibilitatea de a reveni la sursă.
Coordonare
Pregătim sinteze și acțiuni pentru revizuire, conectate la fluxul de lucru al echipei.
Unde devine util.
Cercetare și radar tematic
Urmărirea subiectelor de interes și regăsirea informației relevante.
Relații și oportunități
Contextul interacțiunilor autorizate, într-un loc accesibil echipei.
Legătura cu FlowMind
Explorăm puntea dintre informația textuală, subiectele urmărite și contextul geospațial.
Prezentăm direcția și funcțiile dezvoltate. Implementarea, sursele conectate și disponibilitatea se stabilesc în cadrul unei demonstrații. Accesul la date este controlat.
Cronberry în detaliu
Ce poți face cu acest proiect.
Cronberry este un motor de inteligență pe relații, nu un instrument de căutare în documente. Pornește de la o arhivă de conversații Telegram și construiește din ea un graf de cunoștințe în Neo4j: contacte, companii, grupuri, canale, oportunități, campanii, produse, locuri, evenimente și subiecte — zece tipuri de entități — legate prin opt tipuri de relații, printre care „cunoaște”, „lucrează la”, „a promis” și „a obiectat la”.
Peste graf stau trei lucruri care fac diferența față de un CRM: gemenii digitali, adică profiluri generate din istoricul de mesaje al unei persoane, cu care poți vorbi ca să anticipezi o reacție; un optimizator care testează două variante de mesaj pe acele profiluri înainte să trimiți ceva unui om real; și un simulator Monte Carlo care rulează un plan de lucru de sute de ori și întoarce o distribuție de rezultate, nu o singură cifră.
Trebuie spus limpede ce fel de cifre produce: predicții, nu măsurători. Când motorul întoarce o probabilitate de răspuns sau un interval de încredere, acelea sunt ieșiri ale simulării. În cod există structura care ar urma să compare predicția cu ce s-a întâmplat efectiv — `AccuracyStats`, cu rată de acuratețe și calibrare a încrederii — dar nu am găsit în repo nicio serie de măsurători reale care s-o umple. Până există, cifrele se citesc ca ipoteze de lucru.
Graf de cunoștințe pe relații reale
Neo4j 5, cu o ontologie fixă de zece tipuri de entități și opt tipuri de muchii, plus un mod în care ontologia poate fi generată de un model pentru analize punctuale. Îmbogățirea rulează în patru treceri: scoruri de influență de tip PageRank, detectare de comunități prin propagare de etichete, ponderi de muchie din frecvența mesajelor și muchii de tip „a menționat” extrase din tiparele `@utilizator` din textul mesajelor.
Gemeni digitali cu memorie pe trei niveluri
Un profil generat din istoricul unui contact, cu memorie scurtă, memorie lungă și memorie de relație. Trei moduri de folosire: conversație liberă, pregătire de negociere și predicție de răspuns.
Testarea unui mesaj înainte de a fi trimis
Optimizatorul rescrie un mesaj către un obiectiv declarat și poate compara două variante. Testul de stres duce ideea mai departe: rulează parametri precum creșterea de preț sau presiunea de termen la mai multe intensități și întoarce zonele în care contactul reacționează bine și cele de evitat.
Simulare Monte Carlo pe un plan scris
Planul intră ca text, împreună cu lista de contacte, numărul de iterații și orizontul în zile. Ies o probabilitate de reușită cu interval de încredere, punctele unde planul se blochează și motivul fiecărui blocaj. Simulările au checkpoint, deci o rulare lungă poate fi reluată.
Drepturile persoanei, implementate ca endpointuri
Modulul GDPR nu e o pagină de politică: are export complet al datelor unui contact (art. 15 și 20), ștergere care merge simultan în SQLite, în Neo4j, în predicții și în evidența de consimțământ, cu jurnal de ștergere (art. 17), rectificare (art. 16), stare și revocare de consimțământ, evidența activităților de prelucrare (art. 30) și un endpoint de explicare a unei predicții, pentru cerința de transparență din regulamentul european privind IA.
Costul modelului, contorizat
Clientul de model ține un contor de cost pe apel și un cache în memorie cu expirare la 3600 de secunde și maximum 512 intrări, plus un limitator propriu de cereri pe minut către furnizor. Modelul principal e Azure OpenAI, cu Groq ca variantă rapidă de rezervă.
Date și funcționare
Ce intră în sistem. Ce trebuie verificat.
- Corpusul actual este privat și personal
- Calea din configurația de pornire arată o bază SQLite cu istoricul Telegram personal. Asta e potrivit pentru dezvoltare și complet nepotrivit pentru un serviciu: o implementare la un client începe cu sursele lui, cu scopul declarat și cu temeiul de prelucrare, nu cu acest corpus.
- Două depozite, o singură ștergere
- Datele stau în SQLite (sursa) și în Neo4j (graful), iar predicțiile într-un al treilea loc. Ștergerea la cerere le atinge pe toate trei plus evidența de consimțământ și scrie un jurnal — pentru că o ștergere care lasă copia din graf nu e o ștergere.
- Ce protejează serviciul la intrare
- Limitare de cereri cu găleată de tokenuri: 100 de cereri la 60 de secunde per adresă IP, global, plus limite mai strânse pe endpointurile scumpe. Anteturi de securitate stricte, cu politică de conținut care blochează scripturi și cadre, HSTS pe un an cu subdomenii și politică de permisiuni care închide camera, microfonul, localizarea și plățile. Originile permise se configurează prin variabilă de mediu.
- Ce lipsește la intrare, și contează
- Autentificarea. În propriul plan de securitate, capitolul de autentificare și autorizare e integral nebifat: fără validare de token pe endpointurile motorului, fără roluri, fără chei API stocate ca hash, fără blocare la încercări repetate. Până se rezolvă, motorul rulează în spatele unei rețele controlate, nu pe internet.
De la explorare la implementare
Cum pregătim un proiect cu Cronberry.
Întâi sursa și temeiul, apoi codul
Primul pas nu e tehnic: ce date are organizația dreptul să prelucreze, în ce scop și pentru cât timp. Corpusul de dezvoltare nu se refolosește.
Construim graful pe datele clientului
Import în Neo4j, apoi cele patru treceri de îmbogățire. Ontologia fixă acoperă tiparul de CRM pe Telegram; pentru alt tip de material se poate genera una specifică.
Închidem poarta înainte de orice expunere
Autentificare, roluri și chei stocate ca hash sunt condiție de lansare, nu îmbunătățire ulterioară. Limitarea de cereri și anteturile de securitate există deja și rămân active.
Calibrăm predicțiile pe rezultate reale
Structura de măsurare a acurateții există în cod. Un pilot util înseamnă să înregistrăm ce a prezis motorul și ce s-a întâmplat, până când cifrele au un istoric în spate.
Întrebări care merită clarificate.
Pot să intru pe cronberry.ai să văd?
Nu, și nu e o problemă temporară de server. Domeniul nu se rezolvă deloc: interogarea DNS întoarce NXDOMAIN, iar registrul .ai răspunde `Domain not found` — verificat pe 6 septembrie 2026. Serverul indicat în documentația proiectului, `74.248.16.185`, nu răspunde nici el pe portul motorului. Ce există și se poate arăta: codul, care rulează local, și o demonstrație pregătită pe un set de date convenit.
Site-ul îl descrie ca spațiu de lucru pentru documente și căutare semantică. Așa e?
Nu, iar asta e o eroare pe care o corectăm. Proiectul nu e un motor de căutare peste documente. E un motor de inteligență pe relații, construit dintr-o arhivă de conversații: graf Neo4j, profiluri de contact generate din istoric, testare de mesaje pe acele profiluri și simulare Monte Carlo pe un plan. Textul de pe site descrie un produs diferit de codul care există.
Ce înseamnă „probabilitate de răspuns 0,67”?
Înseamnă o ieșire de simulare, nu o măsurătoare. Motorul rulează planul de sute de ori pe profiluri generate din istoric și raportează distribuția. În cod există structura care ar compara predicția cu realitatea — rată de acuratețe și calibrare a încrederii — dar nu am găsit nicio serie de măsurători care s-o umple. Deci cifra se folosește ca să ordonezi opțiuni între ele, nu ca promisiune de rezultat.
Poate rula pe datele clienților noștri, nu pe o arhivă personală?
Da, dar asta e primul pas al oricărei implementări, nu o adaptare de la sfârșit. Corpusul actual de dezvoltare este o arhivă Telegram personală, indicată direct în configurația de pornire, și nu se refolosește. Importul pornește de la sursele organizației, cu scop și temei de prelucrare stabilite înainte.
Ce se întâmplă când o persoană cere ștergerea datelor?
Există un endpoint dedicat, iar ștergerea nu e parțială: atinge SQLite, Neo4j, predicțiile generate despre acea persoană și evidența de consimțământ, și scrie un jurnal de ștergere. Sunt implementate și exportul complet, rectificarea, starea consimțământului, evidența prelucrărilor și explicarea unei predicții.
E gata de expus pe internet?
Nu, și motivul e precis: autentificarea. Capitolul de autentificare și autorizare din propriul plan de securitate e integral nebifat — nu există validare de token pe endpointurile motorului, roluri, chei API stocate ca hash sau blocare după încercări repetate. Ce există deja: limitare la 100 de cereri pe 60 de secunde per IP, limite mai strânse pe endpointurile costisitoare, anteturi de securitate stricte și origini configurabile. Cu poarta de la intrare închisă, discuția despre lansare devine reală.
Documentația internă bifează multe lucruri ca făcute. Se poate verifica?
Parțial, și merită spus. Lista de securitate trimite la fișiere care nu există în repo (`swarm_api.py`, `security_middleware.py`, `gdpr_routes.py`). Codul corespunzător există totuși, doar că în altă parte: `cronberry_swarm/security/rate_limiter.py`, `headers.py` și `gdpr.py`. Deci bifele descriu funcționalitate reală, dar referințele sunt greșite — le-am urmărit în cod, nu în listă.
Exemplu ilustrativ
Un plan de lucru trecut prin simulare înainte de a fi pornit
Un scenariu de utilizare, fără date de client sau rezultate comerciale atribuite.
Situația inițială
O echipă scrie un plan în text — pe cine contactează, în ce ordine, pe ce canal — și alege lista de contacte, numărul de iterații și orizontul în zile.
Cum lucrează
Motorul rulează planul de sute de ori peste profilurile generate din istoricul fiecărui contact, pe modelul de platformă Telegram. Rularea are checkpoint, deci se poate relua dacă se întrerupe.
Rezultatul
O probabilitate de reușită cu interval de încredere, lista pașilor unde planul se blochează și motivul fiecărui blocaj, plus ordinea sugerată a contactelor. Toate sunt ieșiri de simulare, de folosit ca să compari variante între ele.
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.
Posibilități de colaborare
Cronberry, în contextul organizației tale.
Fluxuri interne și informație
Conectarea surselor autorizate, organizarea informației și revizuirea acțiunilor de către echipă, cu acces separat pe roluri.
Companii private
Definim un pilot în jurul unui proces real: utilizatori, date, integrări, costuri și criterii de acceptare. Extinderea urmează după evaluarea rezultatului.
Instituții și companii de stat
Stabilim cerințele de accesibilitate, găzduire, protecție a datelor și interoperabilitate. Orice conexiune cu servicii AGE sau STISC necesită validarea eligibilității, accesului și aprobărilor.
Acestea sunt scenarii de adaptare, nu declarații despre contracte sau parteneriate existente. Funcțiile propuse se confirmă în domeniul de lucru al proiectului.
Discută un pilotParte dintr-un ecosistem.
Inteligență geospațială
FlowMind
FlowMind organizează hărți, surse publice și produse Copernicus într-un spațiu de analiză.
Implementare specializatăAPI pentru modele AI
LongDay
Acces API la modele AI printr-o interfață comună.
PlatformăOrganizarea muncii
Taskin
Taskin explorează transformarea discuțiilor și a contextului de proiect în angajamente, priorități și pași de lucru.
Dezvoltare & demonstrațiiCe ai vrea să funcționeze mai bine?
Povestește-ne despre procesul tău. Împreună stabilim ce merită construit, ce putem conecta și cum verificăm rezultatul.