Информация и координация Разработка и демонстрации

Из разрозненной информации — рабочий контекст.

Cronberry объединяет авторизованные источники, разговоры и связи в пространстве для исследования и координации. Семантический поиск и агенты помогают команде находить важное и готовить следующий шаг.

Discută o demonstrație Как это работает Смотреть пример

Cum funcționează Cronberry

Cronberry

От информации к сделанному делу.

Surse

Мы выбираем источники и разрешённый доступ: документы, каналы и релевантные разговоры.

Context

Мы организуем информацию по темам, связям и проектам, с возможностью вернуться к источнику.

Coordonare

Мы готовим сводки и действия для проверки, связанные с рабочим потоком команды.

Где это становится полезным.

Исследование и тематический радар

Отслеживание интересующих тем и поиск релевантной информации.

Связи и возможности

Контекст авторизованных взаимодействий, в одном месте, доступном команде.

Связь с FlowMind

Мы исследуем связь между текстовой информацией, отслеживаемыми темами и геопространственным контекстом.

Мы представляем направление и разработанные функции. Реализация, подключённые источники и доступность определяются в рамках демонстрации. Доступ к данным контролируется.

Cronberry в деталях

Что вы можете делать с этим проектом.

Cronberry — это движок интеллекта на связях, а не инструмент поиска по документам. Он начинается с архива переписок Telegram и строит из него граф знаний в Neo4j: контакты, компании, группы, каналы, возможности, кампании, продукты, места, события и темы — десять типов сущностей — связанные через восемь типов отношений, среди которых «знает», «работает над», «пообещал» и «возразил на».

Над графом находятся три вещи, которые отличают его от CRM: цифровые двойники, то есть профили, сгенерированные на основе истории сообщений человека, с которыми вы можете говорить, чтобы предсказать реакцию; оптимизатор, который тестирует две версии сообщения на этих профилях, прежде чем отправить что-либо реальному человеку; и симулятор Monte Carlo, который запускает план работы сотни раз и возвращает распределение результатов, а не одну цифру.

Нужно ясно сказать, какие именно цифры он выдаёт: прогнозы, а не измерения. Когда движок возвращает вероятность ответа или интервал доверия, это выходные данные симуляции. В коде есть структура, которая должна была бы сравнивать прогноз с тем, что произошло на самом деле — `AccuracyStats`, с коэффициентом точности и калибровкой доверия, — но в repo я не нашёл ни одного ряда реальных измерений, чтобы её заполнить. Пока этого нет, цифры следует читать как рабочие гипотезы.

Граф знаний на основе реальных связей

Neo4j 5, с фиксированной онтологией из десяти типов сущностей и восьми типов рёбер, плюс режим, в котором онтология может быть сгенерирована моделью для точечных анализов. Обогащение выполняется в четыре прохода: оценки влияния типа PageRank, обнаружение сообществ через распространение меток, веса рёбер из частоты сообщений и рёбра типа «упомянул» извлечённые из шаблонов `@пользователь` в тексте сообщений.

Цифровые двойники с памятью на трёх уровнях

Профиль, сгенерированный на основе истории контакта, с краткосрочной памятью, долгосрочной памятью и памятью отношений. Три способа использования: свободный разговор, подготовка к переговорам и прогноз ответа.

Проверка сообщения перед отправкой

Оптимизатор переписывает сообщение под заявленную цель и может сравнить две версии. Стресс-тест идёт дальше: он запускает параметры, такие как рост цены или давление срока, на нескольких уровнях интенсивности и возвращает зоны, где контакт реагирует хорошо, и зоны, которых следует избегать.

Симуляция Monte Carlo по письменному плану

План вводится как текст, вместе со списком контактов, числом итераций и горизонтом в днях. На выходе — вероятность успеха с доверительным интервалом, точки, где план блокируется, и причина каждой блокировки. У симуляций есть checkpoint, поэтому долгий запуск можно возобновить.

Права человека, реализованные как endpointuri

Модуль GDPR — это не страница политики: он включает полный экспорт данных контакта (ст. 15 и 20), удаление, которое одновременно работает в SQLite, в Neo4j, в предсказаниях и в учёте согласия, с журналом удаления (ст. 17), исправление (ст. 16), статус и отзыв согласия, учёт операций по обработке (ст. 30) и endpoint для объяснения предсказания, для требования прозрачности из европейского регламента об ИИ.

Стоимость модели, учитываемая

Клиент модели ведёт счётчик стоимости на каждый вызов и кэш в памяти с истечением через 3600 секунд и максимумом 512 записей, плюс собственный ограничитель запросов в минуту к поставщику. Основная модель — Azure OpenAI, с Groq как быстрой резервной вариантом.

Данные и работа

Что входит в систему. Что нужно проверить.

Текущий корпус является частным и личным: Путь в стартовой конфигурации указывает на базу SQLite с личной историей Telegram. Это подходит для разработки и совершенно не подходит для сервиса: реализация у клиента начинается с его источников, с заявленной цели и с правового основания обработки, а не с этого корпуса.
Два хранилища, одно удаление: Данные хранятся в SQLite (источник) и в Neo4j (граф), а предсказания — в третьем месте. Удаление по запросу затрагивает все три, плюс учёт согласия, и пишет журнал — потому что удаление, которое оставляет копию в графе, не является удалением.
Что защищает сервис на входе: Ограничение запросов с ведром токенов: 100 запросов за 60 секунд на один IP-адрес, глобально, плюс более жёсткие лимиты на дорогих endpoint’ах. Жёсткие заголовки безопасности с политикой содержимого, которая блокирует скрипты и фреймы, HSTS на один год с поддоменами и политикой разрешений, которая закрывает камеру, микрофон, геолокацию и платежи. Разрешённые origin настраиваются через переменную среды.
Чего не хватает на входе, и это важно: Аутентификация. В собственном плане безопасности раздел аутентификации и авторизации полностью не отмечен: без проверки токена на endpoint’ах движка, без ролей, без API-ключей, хранимых как хэш, без блокировки при повторных попытках. Пока это не решено, движок работает за контролируемой сетью, а не в интернете.

От исследования к внедрению

Как мы подготавливаем проект с Cronberry.

Сначала источник и основание, потом код

Первый шаг не технический: какие данные организация имеет право обрабатывать, с какой целью и как долго. Корпус разработки не переиспользуется.

Строим граф на данных клиента

Импорт в Neo4j, затем четыре прохода обогащения. Фиксированная онтология покрывает шаблон CRM в Telegram; для другого типа материала можно сгенерировать специальную.

Закрываем ворота перед любым раскрытием

Аутентификация, роли и ключи, хранимые как хэш, — условие запуска, а не последующее улучшение. Ограничение запросов и заголовки безопасности уже существуют и остаются активными.

Мы калибруем прогнозы по реальным результатам

Структура измерения точности есть в коде. Полезный пилот означает, что мы записываем, что предсказал движок и что произошло, пока у цифр не появится история за спиной.

Вопросы, которые стоит уточнить.

Могу зайти на cronberry.ai посмотреть?

Нет, и это не временная проблема сервера. Домен вообще не разрешается: DNS-запрос возвращает NXDOMAIN, а регистр .ai отвечает `Domain not found` — проверено 6 сентября 2026. Сервер, указанный в документации проекта, `74.248.16.185`, тоже не отвечает на порту движка. Что существует и что можно показать: код, который работает локально, и демонстрация, подготовленная на согласованном наборе данных.

Сайт описывает его как рабочее пространство для документов и семантического поиска. Это так?

Нет, и это ошибка, которую мы исправляем. Проект — не поисковый движок по документам. Это движок интеллектуальности по связям, построенный из архива разговоров: граф Neo4j, контактные профили, сгенерированные из истории, тестирование сообщений на этих профилях и симуляция Monte Carlo на плане. Текст на сайте описывает продукт, отличный от кода, который существует.

Что означает «вероятность ответа 0,67»?

Это означает выход симуляции, а не измерение. Движок запускает план сотни раз на профилях, сгенерированных из истории, и сообщает распределение. В коде есть структура, которая сравнивала бы прогноз с реальностью — коэффициент точности и калибровка уверенности — но мы не нашли ни одной серии измерений, чтобы её заполнить. Так что цифра используется, чтобы упорядочивать варианты между собой, а не как обещание результата.

Он может работать на данных наших клиентов, а не на личном архиве?

Да, но это первый шаг любой реализации, а не адаптация в конце. Текущий корпус разработки — это личный архив Telegram, прямо указан в конфигурации запуска, и он не переиспользуется. Импорт начинается с источников организации, с заранее установленной целью и основанием обработки.

Что происходит, когда человек просит удалить данные?

Есть выделенный endpoint, а удаление не частичное: оно затрагивает SQLite, Neo4j, сгенерированные о этом человеке прогнозы и учёт согласия, и записывает журнал удаления. Также реализованы полный экспорт, исправление, статус согласия, учёт обработок и объяснение прогноза.

Это готово к размещению в интернете?

Нет, и причина точная: аутентификация. Раздел аутентификации и авторизации в собственном плане безопасности полностью не отмечен как выполненный — нет проверки токена на endpointах движка, ролей, API-ключей, хранимых в виде хеша, или блокировки после повторных попыток. Что уже есть: ограничение до 100 запросов на 60 секунд на IP, более жёсткие лимиты на дорогих endpointах, строгие заголовки безопасности и настраиваемые источники. С закрытыми входными воротами разговор о запуске становится реальным.

Внутренняя документация отмечает много вещей как сделанные. Это можно проверить?

Частично, и это стоит сказать. Список по безопасности ссылается на файлы, которых нет в repo (`swarm_api.py`, `security_middleware.py`, `gdpr_routes.py`). Однако соответствующий код существует, только в другом месте: `cronberry_swarm/security/rate_limiter.py`, `headers.py` и `gdpr.py`. Так что отметки описывают реальную функциональность, но ссылки неверны — мы проследили их в коде, а не в списке.

Показательный пример

План работы, прогнанный через симуляцию до запуска

Сценарий использования, без данных клиента или приписанных коммерческих результатов.

Исходная ситуация

Команда пишет план в тексте — кого контактирует, в каком порядке, по какому каналу — и выбирает список контактов, число итераций и горизонт в днях.

Как это работает

Движок запускает план сотни раз на профилях, сгенерированных из истории каждого контакта, по модели платформы Telegram. Запуск имеет checkpoint, поэтому его можно возобновить, если он прервётся.

Rezultatul

Вероятность успеха с доверительным интервалом, список шагов, на которых план блокируется, и причина каждой блокировки, а также предлагаемая последовательность контактов. Все это — результаты симуляции, которые следует использовать, чтобы сравнивать варианты между собой.

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.

Возможности сотрудничества

Cronberry, в контексте вашей организации.

Внутренние потоки и информация

Подключение авторизованных источников, организация информации и проверка действий командой, с отдельным доступом по ролям.

Частные компании

Мы определяем пилот вокруг реального процесса: пользователи, данные, интеграции, затраты и критерии приемки. Масштабирование следует после оценки результата.

Государственные учреждения и компании

Мы устанавливаем требования к доступности, размещению, защите данных и совместимости. Любое соединение с сервисами AGE или STISC требует проверки соответствия, доступа и утверждений.

Это сценарии адаптации, а не заявления о существующих контрактах или партнерствах. Предлагаемые функции подтверждаются в рабочей области проекта.

Обсудить пилот

Часть экосистемы.

Геопространственный интеллект

FlowMind

FlowMind укладывает карты, публичные источники и продукты Copernicus в одно пространство анализа.

Специализированное внедрение

API для моделей ИИ

LongDay

Доступ по API к моделям ИИ через общий интерфейс.

Platformă

Organizarea muncii

Taskin

Taskin изучает преобразование обсуждений и контекста проекта в обязательства, приоритеты и шаги работы.

Разработка и демонстрации

Что вы хотели бы наладить?

Расскажите о своём процессе. Вместе определим, что стоит построить, что можно подключить и как проверим результат.

Давайте обсудим