Слой аналитики
Большинство ИИ-продуктов оборачивают одну языковую модель в красивый интерфейс и называют это Agent. У Neurobro нет ничего общего с такими подражателями. Наша инфраструктура агентов принципиально другая.
Вместо одной модели общего назначения Neurobro запускает 200+ специализированных ИИ-агентов, называемых Nevrons. Каждый обучен для конкретной задачи. Один анализирует ценовое движение. Другой отслеживает перемещения крупных фондов. И ещё 200 выполняют свою работу. Они взаимодействуют в реальном времени, объединяя свои результаты в единый слой аналитики.
Это мультиагентная система, в которой специалисты работают вместе как исследовательская команда.
Конвейер данных
Всё начинается с данных. Neurobro поглощает множество слоёв рыночной аналитики по криптовалютам, форексу, акциям, рынкам предсказаний и другим финансовым доменам.
Социальный слой. Новостные потоки, X, RSS-ленты, официальные публикации, исследовательские релизы и другие публичные каналы коммуникации формируют нарративный слой рынка. Специализированные Nevrons фильтруют, кластеризуют и дедуплицируют этот поток, чтобы отделить сигнал от комментариев и определить, что действительно привлекает внимание.
Технический слой. Ценовое движение, объём, ликвидность, моментум, волатильность и сигналы рыночной структуры отслеживаются по площадкам и классам активов. Источники включают провайдеров, таких как Coingecko, DexScreener, BlockScout и Alchemy, а также биржевые и рыночные потоки данных.
Фундаментальный слой. Система отслеживает бизнес, протокол и экономическую реальность, стоящую за активами: движения казначейства, структуру токенов или акций, сигналы выручки, активность экосистемы, продуктовую тягу и другие индикаторы внутренней силы или слабости.
Макрослой. Более широкие рыночные драйверы включаются в конвейер: ставки, инфляционные ожидания, политические решения, геополитические события и кросс-активные корреляции. Это критически важно, потому что отдельные активы редко движутся изолированно от более широкой макросреды.
Историческая память. Векторные хранилища [основное — Qdrant, вспомогательное — Weaviate] и графовая база данных [Neo4j] формируют долгосрочную память системы. Они хранят предыдущее рыночное поведение, контекст конкретных проектов, повторяющиеся паттерны и аналитику, сгенерированную агентами, чтобы текущие наблюдения можно было интерпретировать на фоне исторического прецедента. Все эмбеддинги работают на OpenAI text-embedding-3-large.
Специализированные доменные данные. На рынках, где важны первичные данные, Neurobro использует выделенные конвейеры загрузки. В крипто это включает декодированные on-chain транзакции, обогащённые проприетарными метками для ценообразования, ликвидности, поведения кошельков и классификации сущностей. Валидация человеком остаётся необходимой, поскольку сырые данные блокчейна зашумлены и часто загрязнены неудачными транзакциями, спамом и мошенничеством.
Результат — не обычный стек агрегации данных, а многослойный конвейер аналитики. Около 90% данных, обрабатываемых системой, являются проприетарными, а оставшиеся 10% поступают от публичных API и внешних провайдеров. Эта асимметрия — ключевая часть конкурентного преимущества.
Стек LLM
Neurobro не полагается на одну модель. Разные задачи требуют разных возможностей.
Neurobro использует мультипровайдерный стек моделей вместо зависимости от одного вендора. Модели OpenAI обеспечивают оркестрацию, рассуждения, эмбеддинги и структурированные рабочие процессы агентов. Модели Anthropic используются там, где важны качественный вызов инструментов и контролируемое выполнение. Google, xAI, DeepSeek, Meta и другие провайдеры интегрированы для задач, таких как анализ больших контекстов, суммаризация, прямое взаимодействие и специализированный инференс.
Поверх слоя фронтирных моделей дообученные внутренние модели обрабатывают выравнивание личности, задачи по написанию текстов, классификацию и специализированную обработку данных.
Эмбеддинги — это ключевая часть стека, а не побочная система. Большие объёмы рыночных данных, исследований, предыдущих результатов агентов и доменного контекста эмбеддируются и сохраняются, чтобы будущие Nevrons могли извлекать релевантную историю, связывать сигналы и рассуждать с учётом контекста, вместо того чтобы начинать с нуля при каждой задаче.
Это создаёт дополнительный слой аналитики между сырыми данными и конечным результатом: постоянную семантическую память, которая улучшает качество контекста, извлечения информации и принятия решений во всей системе.
Принцип прост: используй правильного провайдера для правильной задачи и преобразуй сырую информацию в структурированную память, которая накапливается со временем. Ни одна модель не превосходит во всём, и ни одна серьёзная мультиагентная система не должна зависеть от одной единственной.
Инфраструктура
Neurobro работает как распределённый рой ИИ-агентов, а не как один слой инференса. Инфраструктура спроектирована для координации множества независимых воркеров, каждый с определённой ролью внутри системы.
На вершине роя находятся агенты-оркестраторы. Они поддерживают heartbeat, управляют фазами планирования и выполнения, связывают задачи в цепочки, запускают циклы обратной связи и перезапускают или переназначают работу при сбое процесса или необходимости повторного прохода. Их роль — не доменный анализ, а контроль, супервизия и непрерывность рабочих процессов.
Наряду с ними работают агенты-специалисты, каждый настроенный на конкретный домен, рыночный регион или тип рассуждений. Эти агенты действуют с выделенными инструментами, целевым контекстом и узкими границами ответственности. Дополнительные агенты обрабатывают написание текстов, форматирование и прямое взаимодействие с пользователями через потребительские приложения, обеспечивая понятный и удобный конечный результат без перегрузки аналитических слоёв.
Рой непрерывно слушает свою среду с двух направлений: потоковые рыночные и информационные входы для фоновой обработки, а также живые пользовательские запросы, поступающие с продуктовых поверхностей — веб, мобильные приложения, Telegram и API-интеграции. Распределение нагрузки на базе очередей располагается между этими входами и слоем агентов, обеспечивая балансировку трафика, предсказуемую обработку пиковых нагрузок и более стабильное распределение ресурсов при меняющемся спросе.
Всё работает на Kubernetes с Docker-контейнерами. Автомасштабирование настраивает рой Nevrons в зависимости от нагрузки, а выполнение на базе очередей помогает поддерживать предсказуемую производительность при всплесках активности. Эта архитектура глубоко интегрирована с самовосстановлением: поскольку агенты независимы, задачи могут быть переназначены, повторены или выполнены другими воркерами, что позволяет системе восстанавливаться после многих ошибок без внешнего вмешательства.
Рисунок 1: Упрощённый вид инфраструктуры агентов Neurobro. Пользовательские запросы поступают с продуктовых поверхностей, проходят через оркестраторы и буфер очередей, распределяются по агентам-специалистам и сходятся в выходные каналы. Пакеты данных непрерывно перемещаются между слоями.
Как Nevrons взаимодействуют
Nevrons взаимодействуют через структурированное разделение труда. Оркестраторы решают, какие агенты должны быть активированы, в каком порядке и с какими ограничениями. Агенты-специалисты затем выполняют свою часть задачи, используя собственные инструменты, память и доменную логику, а агенты коммуникации при необходимости упаковывают результат для конечных пользователей.
Один запрос может запустить несколько специализированных путей параллельно. Один агент оценивает техническую структуру, другой — макроконтекст, третий извлекает исторические аналоги, а остальные обрабатывают социальные, фундаментальные или доменные сигналы. Их результаты затем агрегируются, проверяются на согласованность и либо синтезируются в финальный ответ, либо отправляются на ещё одну итерацию, если система обнаруживает пробелы или противоречия.
Тот же паттерн работает в фоновом режиме. Пока одни Nevrons отвечают пользователям напрямую, другие непрерывно поглощают потоки данных, обновляют память, обновляют внутренние рыночные представления и готовят контекст, который другие агенты смогут использовать позже. Это означает, что рой не только реагирует на запросы — он непрерывно поддерживает и корректирует своё понимание среды.
Это не простая цепочка промптов. Это координированный цикл планирования, выполнения, верификации, восстановления и синтеза множества независимых воркеров. Результат — система, которая более устойчива, более адаптивна и более контекстно осведомлена, чем архитектура с одним агентом.
Рисунок 2: Цикл взаимодействия Nevron. Каждый запрос проходит через стадии: Планирование, Выполнение, Верификация, Синтез и Вывод. Когда верификация обнаруживает пробелы или противоречия, процесс возвращается к Планированию для новой итерации. Белые точки обозначают нормальный поток; красные — пути повторной обработки.
