Інформація і координація Розробка та демонстрації

Із розпорошеної інформації — робочий контекст.

Cronberry об’єднує авторизовані джерела, розмови та зв’язки в просторі дослідження і координації. Семантичний пошук і агенти допомагають команді знайти те, що має значення, і підготувати наступний крок.

Discută o demonstrație Як це працює Переглянути приклад

Cum funcționează Cronberry

Cronberry

Від інформації до виконаної роботи.

Surse

Ми відбираємо джерела та дозволений доступ: документи, канали й релевантні розмови.

Context

Ми організовуємо інформацію за темами, зв’язками та проєктами, з можливістю повернутися до джерела.

Coordonare

Ми готуємо підсумки та дії для перегляду, пов’язані з робочим процесом команди.

Де стає корисним.

Дослідження та тематичний радар

Відстеження цікавих тем і пошук релевантної інформації.

Зв’язки та можливості

Контекст авторизованих взаємодій в одному місці, доступному для команди.

Зв’язок із FlowMind

Ми досліджуємо міст між текстовою інформацією, відстежуваними темами та геопросторовим контекстом.

Ми показуємо напрям і розроблені функції. Реалізацію, підключені джерела та доступність визначають під час демонстрації. Доступ до даних контролюється.

Cronberry детально

Що ви можете робити з цим проєктом.

Cronberry — це двигун інтелекту на основі зв’язків, а не інструмент пошуку в документах. Він починає з архіву розмов Telegram і будує з нього граф знань у Neo4j: контакти, компанії, групи, канали, можливості, кампанії, продукти, місця, події та теми — десять типів сутностей — пов’язані вісьмома типами зв’язків, серед яких «знає», «працює над», «пообіцяв» і «заперечив проти».

Над графом стоять три речі, які відрізняють його від CRM: цифрові двійники, тобто профілі, згенеровані з історії повідомлень людини, з якими можна говорити, щоб передбачити реакцію; оптимізатор, який тестує два варіанти повідомлення на цих профілях перед тим, як щось надіслати реальній людині; і симулятор Monte Carlo, який запускає план роботи сотні разів і повертає розподіл результатів, а не одну цифру.

Потрібно чітко сказати, які саме цифри він виробляє: прогнози, а не вимірювання. Коли двигун повертає ймовірність відповіді або інтервал довіри, це виходи симуляції. У коді є структура, яка мала б порівнювати прогноз із тим, що сталося насправді — `AccuracyStats`, з показником точності та калібруванням довіри — але я не знайшов у repo жодного реального ряду вимірювань, щоб її заповнити. Поки їх немає, ці цифри слід читати як робочі гіпотези.

Граф знань на основі реальних зв’язків

Neo4j 5, з фіксованою онтологією з десяти типів сутностей і восьми типів ребер, плюс режим, у якому онтологія може бути згенерована моделлю для точкових аналізів. Збагачення виконується у чотири проходи: показники впливовості типу PageRank, виявлення спільнот через поширення міток, ваги ребер із частоти повідомлень і ребра типу «згадав», витягнуті з шаблонів `@користувач` у тексті повідомлень.

Цифрові двійники з пам’яттю на трьох рівнях

Профіль, згенерований з історії контакту, з короткою пам’яттю, довгою пам’яттю та пам’яттю зв’язку. Три режими використання: вільна розмова, підготовка до переговорів і прогнозування відповіді.

Тестування повідомлення перед надсиланням

Оптимізатор переписує повідомлення до заявленої мети та може порівнювати два варіанти. Стрес-тест іде далі: він запускає параметри, такі як підвищення ціни або тиск дедлайну, на кількох рівнях інтенсивності й повертає зони, де контакт реагує добре, та ті, яких слід уникати.

Симуляція Monte Carlo на письмовому плані

План вводиться як текст разом зі списком контактів, кількістю ітерацій і горизонтом у днях. На виході — ймовірність успіху з довірчим інтервалом, точки, де план зупиняється, і причина кожної зупинки. Симуляції мають checkpoint, тож довгий запуск можна відновити.

Права особи, реалізовані як endpointuri

Модуль GDPR — це не сторінка політики: він має повний експорт даних контакту (art. 15 і 20), видалення, яке одночасно працює в SQLite, у Neo4j, у прогнозах і в обліку згоди, з журналом видалення (art. 17), виправленням (art. 16), статусом і відкликанням згоди, обліком операцій з обробки (art. 30) та endpoint для пояснення прогнозу, для вимоги прозорості з європейського регламенту щодо IA.

Вартість моделі, порахована

Клієнт моделі веде лічильник вартості на виклик і кеш у пам’яті з терміном дії 3600 секунд і максимум 512 записів, а також власний обмежувач запитів за хвилину до постачальника. Основна модель — Azure OpenAI, з Groq як швидким резервним варіантом.

Дані та робота

Що входить у систему. Що потрібно перевірити.

Поточний корпус є приватним і особистим: Шлях у конфігурації запуску показує базу SQLite з особистою історією Telegram. Це підходить для розробки і зовсім не підходить для сервісу: впровадження в клієнта починається з його джерел, заявленої мети та правової підстави обробки, а не з цього корпусу.
Два сховища, одне видалення: Дані зберігаються в SQLite (джерело) і в Neo4j (граф), а прогнози — ще в одному місці. Видалення на вимогу зачіпає всі три плюс облік згоди й записує журнал — бо видалення, яке залишає копію в графі, не є видаленням.
Що захищає сервіс на вході: Обмеження запитів за схемою «кошик токенів»: 100 запитів за 60 секунд на IP-адресу, глобально, плюс жорсткіші ліміти на дорогих endpointах. Суворі заголовки безпеки, з політикою вмісту, яка блокує скрипти й фрейми, HSTS на один рік із субдоменами та політика дозволів, яка вимикає камеру, мікрофон, геолокацію й платежі. Дозволені originи налаштовуються через змінну середовища.
Чого бракує на вході, і це важливо: Автентифікація. У власному плані безпеки розділ автентифікації та авторизації повністю не позначений: без перевірки token на endpointurile двигуна, без ролей, без API-ключів, збережених як hash, без блокування після повторних спроб. Поки це не вирішено, двигун працює за контрольованою мережею, а не в інтернеті.

Від дослідження до впровадження

Як готуємо проєкт із Cronberry.

Спочатку джерело й підстава, потім код

Перший крок не технічний: які дані організація має право обробляти, з якою метою і протягом якого часу. Корпус розробки не використовується повторно.

Будуємо граф на даних клієнта

Імпорт у Neo4j, потім чотири проходи збагачення. Фіксована онтологія покриває шаблон CRM для Telegram; для іншого типу матеріалу можна згенерувати спеціальну.

Закриваємо ворота перед будь-яким розкриттям

Автентифікація, ролі та ключі, що зберігаються як хеш, є умовою запуску, а не подальшим покращенням. Обмеження кількості запитів і заголовки безпеки вже існують і залишаються активними.

Калібруємо прогнози на реальних результатах

Структура вимірювання точності є в коді. Корисний пілот означає, що ми записуємо, що передбачив двигун і що сталося, доки цифри не матимуть за собою історії.

Питання, які варто уточнити.

Чи можу я зайти на cronberry.ai, щоб подивитися?

Ні, і це не тимчасова проблема сервера. Домен взагалі не розв’язується: DNS-запит повертає NXDOMAIN, а реєстр .ai відповідає `Domain not found` — перевірено 6 вересня 2026. Сервер, вказаний у документації проєкту, `74.248.16.185`, теж не відповідає на порті двигуна. Є й можна показати: код, який працює локально, і демонстрація, підготовлена на узгодженому наборі даних.

Сайт описує його як робочий простір для документів і семантичного пошуку. Це так?

Ні, і це помилка, яку ми виправляємо. Проєкт не є пошуковим двигуном по документах. Це двигун інтелекту на зв’язках, побудований з архіву розмов: граф Neo4j, профілі контактів, згенеровані з історії, тестування повідомлень на цих профілях і симуляція Monte Carlo на плані. Текст на сайті описує продукт, відмінний від коду, який існує.

Що означає «ймовірність відповіді 0,67»?

Це означає результат симуляції, а не вимірювання. Двигун запускає план сотні разів на профілях, згенерованих з історії, і повідомляє розподіл. У коді є структура, яка порівнювала б прогноз із реальністю — рівень точності та калібрування впевненості — але ми не знайшли жодної серії вимірювань, щоб її заповнити. Тож цифра використовується, щоб впорядковувати варіанти між собою, а не як обіцянка результату.

Чи може він працювати на даних наших клієнтів, а не на особистому архіві?

Так, але це перший крок будь-якої реалізації, а не адаптація наприкінці. Поточний корпус розробки — це особистий Telegram-архів, прямо вказаний у стартовій конфігурації, і його не використовують повторно. Імпорт починається з джерел організації, з установленими наперед метою і підставою обробки.

Що відбувається, коли людина просить видалення даних?

Є окремий endpoint, а видалення не часткове: воно зачіпає SQLite, Neo4j, згенеровані про цю людину прогнози та облік згоди, і записує журнал видалення. Також реалізовані повний експорт, виправлення, стан згоди, облік обробок і пояснення прогнозу.

Чи готово це до розміщення в інтернеті?

Ні, і причина точна: автентифікація. Розділ автентифікації та авторизації у власному плані безпеки повністю не відмічений — немає перевірки токена на ендпойнтах двигуна, ролей, API-ключів, збережених як хеш, або блокування після повторних спроб. Що вже є: обмеження до 100 запитів на 60 секунд на IP, жорсткіші ліміти на дорогих ендпойнтах, суворі заголовки безпеки та налаштовувані origin. Коли вхідні ворота зачинені, розмова про запуск стає реальною.

Внутрішня документація позначає багато речей як зроблені. Це можна перевірити?

Частково, і це варто сказати. Список безпеки посилається на файли, яких немає в repo (`swarm_api.py`, `security_middleware.py`, `gdpr_routes.py`). Відповідний код усе ж існує, тільки в іншому місці: `cronberry_swarm/security/rate_limiter.py`, `headers.py` і `gdpr.py`. Тобто позначки описують реальну функціональність, але посилання помилкові — я відстежив їх у коді, а не в списку.

Ілюстративний приклад

План роботи, прогнаний через симуляцію перед запуском

Сценарій використання, без даних клієнта чи приписаних комерційних результатів.

Початкова ситуація

Команда пише план у тексті — кого контактує, в якій послідовності, яким каналом — і обирає список контактів, кількість ітерацій та горизонт у днях.

Як працює

Двигун запускає план сотні разів на профілях, згенерованих з історії кожного контакту, за моделлю платформи Telegram. Запуск має checkpoint, тож його можна відновити, якщо він перерветься.

Rezultatul

Ймовірність успіху з інтервалом довіри, список кроків, на яких план зупиняється, і причина кожної зупинки, плюс рекомендований порядок контактів. Усе це — результати симуляції, які використовують, щоб порівнювати варіанти між собою.

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.

Можливості співпраці

Cronberry, у контексті вашої організації.

Внутрішні потоки та інформація

Підключення авторизованих джерел, організація інформації та перегляд дій командою з окремим доступом за ролями.

Приватні компанії

Ми визначаємо пілот навколо реального процесу: користувачі, дані, інтеграції, витрати та критерії приймання. Розширення відбувається після оцінки результату.

Державні установи та компанії

Визначаємо вимоги до доступності, хостингу, захисту даних та інтероперабельності. Будь-яке з’єднання з послугами AGE або STISC потребує валідації придатності, доступу та схвалень.

Це сценарії адаптації, а не заяви про наявні контракти чи партнерства. Запропоновані функції підтверджуються в межах робочої сфери проєкту.

Обговорити пілот

Частина екосистеми.

Геопросторовий інтелект

FlowMind

FlowMind укладає карти, публічні джерела і продукти Copernicus в один простір аналізу.

Спеціалізоване впровадження

API для моделей ШІ

LongDay

Доступ через API до моделей ШІ єдиним інтерфейсом.

Platformă

Organizarea muncii

Taskin

Taskin досліджує перетворення обговорень і контексту проєкту на зобов’язання, пріоритети та робочі кроки.

Розробка та демонстрації

Що вам хотілося б налагодити?

Розкажіть про свій процес. Разом визначимо, що варто збудувати, що можна підключити і як перевіримо результат.

Поговорімо