Дорожная карта 🚀 ASTRO 💙 ALGO

Полная версия: от Базовых кейсов до самообучающихся Alpha Agents

Этап 1. Астро Кейсы

Фундамент проекта.

Каждый кейс фиксируется в формате .md по строгому шаблону: Дата события → Описание + Реакция рынков → Астро-данные → Аллюр → Resume → RelatedCases → Теги.
Кейсы служат источниками правды для обучения и проверки системы.
Исторический контекст связывается с астрологическими факторами и рыночной динамикой.
Эти данные закладывают основу базы знаний, которая со временем превращается в самоподдерживающийся архив прогнозов.

Этап 2. Weaviate Knowledge Graph

Кейс-документы преобразуются в векторные представления.
Используется Weaviate как векторная БД для RAG-запросов.
Важное отличие: мы не просто индексируем текст, а связываем кейсы между собой по смыслу (RelatedCases, ключевые аспекты астрологии, биржевые реакции).
Результат: формируется семантический слой базы знаний.

Этап 3. Интегратор (Neo4j + Triplets)

Для структурных связей применяется Neo4j.
Из кейсов и рыночных данных извлекаются триплеты: «Событие → вызвало → Рыночная реакция».
Получается двухуровневая база знаний:
- Weaviate (семантика и поиск).
- Neo4j (структурные связи и графовые паттерны).
Это ключ к будущему 3D-Графу.

Этап 4. Prophet-API

Центральный сервис для прогнозов.
Реализован на FastAPI.
Эндпоинт /forecast выполняет каскадный вызов моделей и возвращает прогноз.
Встроены гардрейлы:
- Если уверенность < 0.70 → abstain=true.
- Если в базе нет документов → «Нет информации».
Метрики (Brier, доходность, расходы токенов) логируются в Postgres.
Prophet-API — это сердце вычислительной системы.

Этап 5. LeanRAG + 3D-Граф

Прорывная часть архитектуры

Визуализируется как трёхмерный граф (из 2D), где:
- Узлы = кейсы, документы, события, агентовские сессии.
- Рёбра = связи (астрологические аспекты, рыночные реакции, причинность).
LeanRAG - для эффективного поиска по сложной базе, где есть и текст, и картинки. LeanRAG означает, что система извлекает только минимально необходимые фрагменты, а 3D-граф постепенно самообучается.
3D-граф становится мозгом проекта:
- Видны кластеры событий, объединяющие текст + визуальные данные.
- Можно визуально отследить резонанс между астрологией и рынками, находя графические подтверждения астро-сценариям.
- Поддерживается обратная связь от астро прогнозов, и встраивание новых паттернов.

3D-граф эволюционирует, получая новое измерение данных от "мультимодального AI-Агента" - компьютерное зрение.

Этот агент работает как каскадный аналитик, который сначала - извлекает структурированные гипотезы из текстовых прогнозов, а затем - визуальные торговые паттерны (тренды, уровни, фигуры теханализа) из изображений ценовых графиков различных таймфреймов. Эти паттерны становятся новыми узлами в 3D-графе, позволяя связывать каждый астрологический фактор с его графическим отображением.

Подробнее здесь: 3d-graf.html

❌ Дальше не обязательные этапы,
❌ в настоящее время = их отмена.

Этап 6. DeepConf-Каскад (Оптимизация прогнозов)

Внедряется метод Deep Think with Confidence (DeepConf).
Логика работы:
1. Создается веер N=32 параллельных кандидатов на дешёвой модели (gpt-5-nano).
2. Каждый кандидат оценивает уверенность в своём рассуждении.
3. Отсекаются все ниже confidence_threshold (например, 0.70).
4. K=3 лучших версий пересылаются в экспертную модель (astro-expert-v-graph).
Результат: резкая экономия токенов + рост точности.

Этап 7. Prophet Arena

«Арена» для тестирования и сравнения прогнозов.

Каждый прогноз оформляется в формате JSON:

{
  "p_yes": 0.73,
  "rationale": "Краткое объяснение",
  "evidence": ["doc123", "doc456"]
}

Метрики:
- Brier Score (чем ближе к 1, тем лучше).
- Average Return γ (симуляция доходности ставок).
Все прогнозы попадают в лидерборд.
Сравнивается качество: одиночная модель vs DeepConf vs мульти-агентный ансамбль.

Этап 8. AlphaAgents (Экосистема Агентов)

Три ключевых агента:
- Пульс Рынка — мгновенная реакция на текущие котировки.
- Астро-Квант — интерпретирует астрологические конфигурации.
- Историк — сопоставляет текущие события с прошлыми кейсами.
Менеджер дебатов объединяет их ответы.
Добавляется вес уверенности (DeepConf) → агент с наибольшей уверенностью получает больший вес в голосовании.
Результат: согласованный прогноз.

Технический паспорт проекта
для AI-ассистентов

Архитектурная схема системы Astro Algo, показывающая поток данных и взаимодействие ИИ-агентов

Общая архитектура и запуск

Проект построен на **микросервисной архитектуре**.
Все сервисы и базы данных оркеструются с помощью Docker.
Главная команда для запуска всего проекта: docker-compose up.
Ключевые технологии: Python, FastAPI, PostgreSQL, Neo4j, Weaviate.

Карта компонентов и их расположение в коде

Ниже приведена связка этапов дорожной карты с ключевыми файлами в репозитории.

Этап 1-2 (База знаний RAG):
- Ключевые файлы: import_cases.py, rag_proxy/, rag-api/
- Назначение: Загрузка .md-кейсов в Weaviate и обеспечение семантического поиска по ним.
- Вход: .md файлы.
- Выход: Векторные представления в Weaviate, JSON-ответы от RAG-API.
Этап 3 (Граф и Интегратор):
- Ключевые файлы: integrator/, graph_builder/, graph_query_proxy/
- Назначение: Извлечение триплетов из данных и построение графа знаний в Neo4j.
- Вход: Данные из Weaviate и внешних источников.
- Выход: Структурированные связи в графе Neo4j.
Этапы 4 + 5
Будущее покажет...

✅ "Контекст-архив", история проекта:
FUTURE-OLD, для техно специалистов.