Lapisan Kecerdasan
Kebanyakan produk AI membungkus satu model bahasa dalam antarmuka yang bagus dan menyebutnya Agent. Kami di Neurobro tidak ada hubungannya dengan para peniru ini. Infrastruktur Agent kami secara fundamental berbeda.
Alih-alih satu model general-purpose, Neurobro menjalankan 150+ agen AI khusus yang disebut Nevrons. Masing-masing dilatih untuk tugas spesifik. Satu menganalisis pergerakan harga. Yang lain melacak pergerakan dana besar. Dan 150 lainnya mengerjakan tugasnya masing-masing. Mereka berkolaborasi secara real time, menggabungkan output mereka menjadi lapisan kecerdasan terpadu.
Ini adalah sistem multi-agen di mana para spesialis bekerja bersama seperti tim riset.
Pipeline Data
Semuanya dimulai dari data. Neurobro menyerap berbagai lapisan inteligensi pasar dari crypto, forex, ekuitas, prediction markets, dan domain keuangan lainnya.
Lapisan sosial. Aliran berita, X, RSS feed, publikasi resmi, rilis riset, dan saluran komunikasi publik lainnya menyediakan lapisan naratif pasar. Nevrons khusus memfilter, mengelompokkan, dan mendeduplikasi aliran ini untuk memisahkan sinyal dari komentar dan mengidentifikasi apa yang benar-benar menggerakkan perhatian.
Lapisan teknikal. Pergerakan harga, volume, likuiditas, momentum, volatilitas, dan sinyal struktur pasar dilacak lintas venue dan kelas aset. Sumber meliputi penyedia seperti Coingecko, DexScreener, BlockScout, dan Alchemy, bersama dengan feed data bursa dan pasar yang relevan.
Lapisan fundamental. Sistem melacak bisnis, protokol, dan realitas ekonomi yang mendasari aset: pergerakan treasury, struktur token atau ekuitas, sinyal pendapatan, aktivitas ekosistem, traksi produk, dan indikator kekuatan atau kelemahan intrinsik lainnya.
Lapisan makro. Penggerak pasar yang lebih luas dimasukkan ke dalam pipeline: suku bunga, ekspektasi inflasi, perkembangan kebijakan, peristiwa geopolitik, dan korelasi lintas-aset. Ini kritis karena aset individual jarang bergerak secara terpisah dari lingkungan makro yang lebih luas.
Memori historis. Vector store [Qdrant primer, Weaviate sekunder] dan graph database [Neo4j] membentuk memori jangka panjang sistem. Mereka menyimpan perilaku pasar sebelumnya, konteks spesifik proyek, pola berulang, dan inteligensi yang dihasilkan agen sehingga observasi saat ini dapat diinterpretasikan terhadap preseden historis. Semua embedding didukung oleh OpenAI text-embedding-3-large.
Data domain khusus. Di pasar di mana data primer mentah penting, Neurobro menggunakan pipeline ingesti khusus. Di crypto, ini termasuk transaksi on-chain yang didekode dan diperkaya dengan label proprietary untuk harga, likuiditas, perilaku wallet, dan klasifikasi entitas. Validasi human-in-the-loop tetap esensial karena data blockchain mentah berisik dan sering terkontaminasi oleh transaksi gagal, spam, dan aktivitas scam.
Hasilnya bukan tumpukan feed generik melainkan pipeline inteligensi berlapis. Sekitar 90% data yang diproses sistem bersifat proprietary, dengan 10% sisanya berasal dari API publik dan penyedia eksternal. Asimetri itu adalah bagian inti dari keunggulan.
Stack LLM
Neurobro tidak bergantung pada satu model. Tugas yang berbeda membutuhkan kemampuan yang berbeda.
Neurobro menggunakan stack model multi-provider daripada bergantung pada satu vendor. Model OpenAI mendukung orkestrasi, penalaran, embedding, dan alur kerja agen terstruktur. Model Anthropic digunakan di mana tool calling yang kuat dan eksekusi terkontrol penting. Google, xAI, DeepSeek, Meta, dan provider lainnya diintegrasikan untuk tugas seperti analisis konteks besar, summarisasi, interaksi langsung, dan inferensi khusus.
Di atas lapisan model frontier, model internal yang di-fine-tune menangani alignment kepribadian, tugas penulisan, klasifikasi, dan pemrosesan data khusus.
Embedding adalah bagian inti dari stack ini, bukan sistem sampingan. Volume besar data pasar, riset, output agen sebelumnya, dan konteks spesifik domain di-embed dan disimpan sehingga Nevrons di masa depan dapat mengambil riwayat relevan, menghubungkan sinyal terkait, dan bernalar dengan kontinuitas alih-alih memulai dari awal di setiap tugas.
Ini menciptakan lapisan kecerdasan tambahan antara data mentah dan output akhir: memori semantik persisten yang meningkatkan kualitas konteks, pengambilan, dan pengambilan keputusan di seluruh sistem.
Prinsipnya sederhana: gunakan provider yang tepat untuk pekerjaan yang tepat, dan konversi informasi mentah menjadi memori terstruktur yang bertumbuh seiring waktu. Tidak ada satu model yang unggul di segala hal, dan tidak ada sistem multi-agen serius yang harus bergantung pada satu saja.
Infrastruktur
Neurobro berjalan sebagai swarm terdistribusi dari agen AI, bukan lapisan inferensi tunggal. Infrastruktur dirancang untuk mengoordinasikan banyak pekerja independen, masing-masing dengan peran yang ditentukan di dalam sistem.
Di puncak swarm adalah agen orkestrator. Agen-agen ini menjaga heartbeat, mengelola fase perencanaan dan eksekusi, merantai tugas bersama, menjalankan feedback loop, dan melakukan respawn atau menugaskan ulang pekerjaan ketika proses gagal atau membutuhkan pass lain. Peran mereka bukan analisis domain itu sendiri, tetapi kontrol, supervisi, dan kontinuitas alur kerja.
Bersamaan dengan mereka adalah agen spesialis, masing-masing disetel untuk domain, wilayah pasar, atau jenis penalaran tertentu. Agen-agen ini beroperasi dengan alat khusus, konteks tertarget, dan batasan tanggung jawab yang sempit. Agen tambahan menangani penulisan, formatting, dan interaksi pengguna langsung di seluruh aplikasi konsumen, memastikan output akhir jelas dan dapat digunakan tanpa membebani lapisan analitis.
Swarm mendengarkan lingkungannya secara terus-menerus dari dua arah: input streaming pasar dan data untuk pemrosesan latar belakang, dan permintaan pengguna langsung yang datang dari permukaan produk seperti web, mobile, Telegram, dan integrasi API. Distribusi beban berbasis antrian berada di antara input tersebut dan lapisan agen, memungkinkan penyeimbangan lalu lintas, penanganan burst yang dapat diprediksi, dan alokasi sumber daya yang lebih stabil di bawah permintaan yang berubah.
Semuanya berjalan di Kubernetes dengan container Docker. Auto-scaling menyesuaikan swarm Nevron berdasarkan beban, sementara eksekusi berbasis antrian membantu menjaga performa tetap dapat diprediksi saat aktivitas melonjak. Arsitektur ini terintegrasi secara mendalam dengan self-healing: karena agen bersifat independen, tugas dapat ditugaskan ulang, dicoba ulang, atau diulang oleh pekerja lain, memungkinkan sistem pulih dari banyak kesalahan tanpa intervensi eksternal.
Gambar 1: Tampilan sederhana infrastruktur agen Neurobro. Permintaan pengguna masuk dari permukaan produk, melewati orkestrator dan buffer antrian, menyebar ke agen spesialis, dan berkumpul ke saluran output. Paket data mengalir terus-menerus antar lapisan.
Bagaimana Nevrons Berkolaborasi
Nevrons berkolaborasi melalui pembagian kerja terstruktur. Orkestrator memutuskan agen mana yang harus diaktifkan, dalam urutan apa, dan dengan batasan apa. Agen spesialis kemudian mengeksekusi bagian tugas mereka menggunakan alat, memori, dan logika domain mereka sendiri, sementara agen yang berfokus pada komunikasi mengemas hasilnya untuk pengguna akhir bila diperlukan.
Satu permintaan dapat memicu beberapa jalur spesialis secara paralel. Satu agen mungkin mengevaluasi struktur teknikal, yang lain menilai konteks makro, yang lain mengambil analog historis, sementara yang lain memproses sinyal sosial, fundamental, atau spesifik domain. Output mereka kemudian diagregasi, diperiksa konsistensinya, dan disintesis menjadi respons akhir atau dikirim kembali melalui iterasi lain jika sistem mendeteksi celah atau konflik.
Pola yang sama beroperasi dalam mode latar belakang. Sementara beberapa Nevrons merespons langsung ke pengguna, yang lain terus-menerus menyerap stream, memperbarui memori, menyegarkan pandangan pasar internal, dan menyiapkan konteks yang dapat digunakan kembali oleh agen lain nanti. Ini berarti swarm tidak hanya bereaksi terhadap prompt; ia terus-menerus memelihara dan mengoreksi pemahamannya tentang lingkungan.
Ini bukan rantai prompt sederhana. Ini adalah siklus terkoordinasi dari perencanaan, eksekusi, verifikasi, pemulihan, dan sintesis di banyak pekerja independen. Hasilnya adalah sistem yang lebih tangguh, lebih adaptif, dan lebih sadar konteks daripada arsitektur agen tunggal.
Gambar 2: Siklus kolaborasi Nevron. Setiap permintaan bergerak melalui tahap Plan, Execute, Verify, Synthesize, dan Output. Ketika verifikasi mendeteksi celah atau konflik, proses kembali ke Plan untuk iterasi lain. Titik putih mewakili alur normal; titik merah menunjukkan jalur retry.
