Surse
Selecionamos as fontes e o acesso permitido: documentos, canais e conversas relevantes.
Informação e coordenação Desenvolvimento e demonstrações
Cronberry reúne fontes autorizadas, conversas e relações num espaço de investigação e coordenação. A pesquisa semântica e os agentes ajudam a equipa a encontrar o que importa e a preparar o passo seguinte.
Cronberry
Selecionamos as fontes e o acesso permitido: documentos, canais e conversas relevantes.
Organizamos a informação por temas, relações e projetos, com a possibilidade de voltar à fonte.
Preparamos sínteses e ações para revisão, ligadas ao fluxo de trabalho da equipa.
Acompanhamento dos temas de interesse e recuperação da informação relevante.
O contexto das interações autorizadas, num local acessível à equipa.
Exploramos a ponte entre a informação textual, os temas acompanhados e o contexto geoespacial.
Apresentamos a direção e as funções desenvolvidas. A implementação, as fontes ligadas e a disponibilidade são definidas no âmbito de uma demonstração. O acesso aos dados é controlado.
Cronberry em detalhe
Cronberry é um motor de inteligência sobre relações, não uma ferramenta de pesquisa em documentos. Parte de um arquivo de conversas do Telegram e constrói a partir dele um grafo de conhecimento em Neo4j: contactos, empresas, grupos, canais, oportunidades, campanhas, produtos, locais, eventos e temas — dez tipos de entidades — ligados por oito tipos de relações, entre os quais „conhece”, „trabalha em”, „prometeu” e „objetou a”.
Sobre o grafo assentam três coisas que fazem a diferença face a um CRM: os gémeos digitais, ou seja, perfis gerados a partir do histórico de mensagens de uma pessoa, com os quais pode falar para antecipar uma reação; um otimizador que testa duas variantes de mensagem nesses perfis antes de enviar algo a uma pessoa real; e um simulador Monte Carlo que executa um plano de trabalho centenas de vezes e devolve uma distribuição de resultados, não um único valor.
É preciso dizer claramente que tipo de números produz: previsões, não medições. Quando o motor devolve uma probabilidade de resposta ou um intervalo de confiança, esses são resultados da simulação. No código existe a estrutura que deveria comparar a previsão com o que aconteceu de facto — `AccuracyStats`, com taxa de precisão e calibração da confiança — mas não encontrei no repo nenhuma série de medições reais para a preencher. Até existir, os números lêem-se como hipóteses de trabalho.
Neo4j 5, com uma ontologia fixa de dez tipos de entidades e oito tipos de arestas, mais um modo em que a ontologia pode ser gerada por um modelo para análises pontuais. O enriquecimento corre em quatro passagens: pontuações de influência do tipo PageRank, deteção de comunidades por propagação de etiquetas, pesos de aresta a partir da frequência das mensagens e arestas do tipo «mencionou» extraídas dos padrões `@utilizador` no texto das mensagens.
Um perfil gerado a partir do histórico de um contacto, com memória curta, memória longa e memória de relação. Três modos de utilização: conversa livre, preparação de negociação e previsão de resposta.
O otimizador reescreve uma mensagem para um objetivo declarado e pode comparar duas variantes. O teste de stress leva a ideia mais longe: executa parâmetros como aumento de preço ou pressão de prazo em várias intensidades e devolve as áreas onde o contacto reage bem e as a evitar.
O plano entra como texto, juntamente com a lista de contactos, o número de iterações e o horizonte em dias. Saem uma probabilidade de sucesso com intervalo de confiança, os pontos onde o plano bloqueia e o motivo de cada bloqueio. As simulações têm checkpoint, por isso uma execução longa pode ser retomada.
O módulo GDPR não é uma página de política: tem exportação completa dos dados de um contacto (art. 15 e 20), eliminação que atua ao mesmo tempo em SQLite, em Neo4j, em previsões e no registo de consentimento, com registo de eliminação (art. 17), retificação (art. 16), estado e revogação de consentimento, registo das atividades de tratamento (art. 30) e um endpoint de explicação de uma previsão, para o requisito de transparência do regulamento europeu sobre IA.
O cliente de modelo mantém um contador de custo por chamada e uma cache em memória com expiração a 3600 segundos e no máximo 512 entradas, mais um limitador próprio de pedidos por minuto ao fornecedor. O modelo principal é Azure OpenAI, com Groq como variante rápida de reserva.
Dados e funcionamento
Da exploração à implementação
O primeiro passo não é técnico: que dados a organização tem o direito de tratar, para que finalidade e durante quanto tempo. O corpus de desenvolvimento não é reutilizado.
Importação no Neo4j, depois as quatro passagens de enriquecimento. A ontologia fixa cobre o padrão de CRM no Telegram; para outro tipo de material, pode ser gerada uma específica.
Autenticação, funções e chaves armazenadas como hash são condição de lançamento, não melhoria posterior. A limitação de pedidos e os cabeçalhos de segurança já existem e permanecem ativos.
A estrutura de medição da exatidão existe no código. Um piloto útil significa registar o que o motor previu e o que aconteceu, até que os números tenham um historial por trás.
Não, e não é um problema temporário de servidor. O domínio não resolve de todo: a consulta DNS devolve NXDOMAIN, e o registo .ai responde `Domain not found` — verificado em 6 de setembro de 2026. O servidor indicado na documentação do projeto, `74.248.16.185`, também não responde na porta do motor. O que existe e pode ser mostrado: o código, que corre localmente, e uma demonstração preparada num conjunto de dados acordado.
Não, e isso é um erro que estamos a corrigir. O projeto não é um motor de pesquisa sobre documentos. É um motor de inteligência sobre relações, construído a partir de um arquivo de conversas: grafo Neo4j, perfis de contacto gerados a partir do histórico, teste de mensagens nesses perfis e simulação Monte Carlo sobre um plano. O texto do site descreve um produto diferente do código que existe.
Significa uma saída de simulação, não uma medição. O motor executa o plano centenas de vezes em perfis gerados a partir do histórico e apresenta a distribuição. No código existe a estrutura que compararia a previsão com a realidade — taxa de exatidão e calibração da confiança — mas não encontramos nenhuma série de medições que a preencha. Portanto, o número é usado para ordenar opções entre si, não como promessa de resultado.
Sim, mas esse é o primeiro passo de qualquer implementação, não uma adaptação no fim. O corpus atual de desenvolvimento é um arquivo pessoal do Telegram, indicado diretamente na configuração de arranque, e não é reutilizado. A importação parte das fontes da organização, com finalidade e fundamento de tratamento definidos antes.
Existe um endpoint dedicado, e a eliminação não é parcial: afeta SQLite, Neo4j, as previsões geradas sobre essa pessoa e o registo de consentimento, e escreve um registo de eliminação. Também estão implementados a exportação completa, a retificação, o estado do consentimento, o registo dos tratamentos e a explicação de uma previsão.
Não, e a razão é precisa: a autenticação. O capítulo de autenticação e autorização do próprio plano de segurança está integralmente por assinalar — não existe validação de token nos endpoints do motor, funções, chaves API armazenadas como hash ou bloqueio após tentativas repetidas. O que já existe: limitação a 100 pedidos por 60 segundos por IP, limites mais apertados nos endpoints dispendiosos, cabeçalhos de segurança estritos e origens configuráveis. Com o gate de entrada fechado, a discussão sobre lançamento torna-se real.
Em parte, e vale a pena dizer. A lista de segurança remete para ficheiros que não existem no repositório (`swarm_api.py`, `security_middleware.py`, `gdpr_routes.py`). O código correspondente existe, no entanto, noutro sítio: `cronberry_swarm/security/rate_limiter.py`, `headers.py` e `gdpr.py`. Portanto, as marcações descrevem funcionalidade real, mas as referências estão erradas — segui-as no código, não na lista.
Exemplo ilustrativo
Um cenário de utilização, sem dados de cliente nem resultados comerciais atribuídos.
Uma equipa escreve um plano em texto — quem contacta, em que ordem, por que canal — e escolhe a lista de contactos, o número de iterações e o horizonte em dias.
O motor executa o plano centenas de vezes sobre os perfis gerados a partir do histórico de cada contacto, no modelo da plataforma Telegram. A execução tem checkpoint, por isso pode ser retomada se for interrompida.
Uma probabilidade de sucesso com intervalo de confiança, a lista dos passos onde o plano fica bloqueado e a razão de cada bloqueio, além da ordem sugerida dos contactos. Tudo são saídas de simulação, para usar a fim de comparar variantes entre si.
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.
Possibilidades de colaboração
A ligação das fontes autorizadas, a organização da informação e a revisão das ações pela equipa, com acesso separado por funções.
Definimos um piloto em torno de um processo real: utilizadores, dados, integrações, custos e critérios de aceitação. A expansão segue após a avaliação do resultado.
Estabelecemos os requisitos de acessibilidade, alojamento, proteção de dados e interoperabilidade. Qualquer ligação a serviços AGE ou STISC requer a validação da elegibilidade, do acesso e das aprovações.
Estes são cenários de adaptação, não declarações sobre contratos ou parcerias existentes. As funções propostas confirmam-se no âmbito de trabalho do projeto.
Fale sobre um pilotoO FlowMind organiza mapas, fontes públicas e produtos Copernicus num espaço de análise.
Implementação especializadaAcesso API a modelos de IA através de uma interface comum.
PlatformăO Taskin explora a transformação das conversas e do contexto de projeto em compromissos, prioridades e passos de trabalho.
Desenvolvimento e demonstraçõesConte-nos o seu processo. Em conjunto decidimos o que vale a pena construir, o que podemos ligar e como verificamos o resultado.