AI 情报

​

AI 摘要

​

AI 摘要链

┌─────────────────────────────────────────────────────────────────┐
│                   Summarization Request                        │
│  (headlines deduplicated by Jaccard similarity > 0.6)          │
└───────────────────────┬─────────────────────────────────────────┘
                        │
                        ▼
┌─────────────────────────────────┐    timeout/error
│  Tier 1: Ollama / LM Studio    │──────────────┐
│  Local endpoint, no cloud       │               │
│  Auto-discovered model          │               │
└─────────────────────────────────┘               │
                                                  ▼
                                   ┌─────────────────────────────┐    timeout/error
                                   │  Tier 2: Groq               │──────────────┐
                                   │  Llama 3.1 8B, temp 0.3     │               │
                                   │  Fast cloud inference        │               │
                                   └─────────────────────────────┘               │
                                                                                   ▼
                                                                  ┌─────────────────────────────┐    timeout/error
                                                                  │  Tier 3: OpenRouter          │──────────────┐
                                                                  │  Multi-model fallback        │               │
                                                                  └─────────────────────────────┘               │
                                                                                                                ▼
                                                                                                 ┌──────────────────────────┐
                                                                                                 │  Tier 4: Browser T5      │
                                                                                                 │  Transformers.js (ONNX)  │
                                                                                                 │  No network required     │
                                                                                                 └──────────────────────────┘

• 标题去重 —— 在发送给任何 LLM 之前，标题会使用词重叠相似度进行两两比较。近乎重复的标题（重叠度 > 60%）会被合并，从而将提示词缩减 20–40%，避免 LLM 在重复报道上浪费 token
• 变体感知提示 —— 系统提示会根据当前激活的仪表盘变体自适应调整。地缘政治摘要强调冲突升级与外交动向；科技摘要聚焦融资轮次与 AI 突破；金融摘要突出市场走势与央行信号
• 语言感知输出 —— 当 UI 语言为非英语时，提示会指示 LLM 以该语言生成摘要
• Redis 去重 —— 摘要使用复合键（summary:v3:{mode}:{variant}:{lang}:{hash}）缓存，因此 1,000 名并发用户查看相同标题时只会触发一次 LLM 调用。缓存 TTL 为 24 小时
• 优雅回退 —— 若某提供商返回 {fallback: true}（缺少 API 密钥或端点不可达），该链会静默前进至下一层级。进度回调会更新 UI，显示当前正在尝试哪个提供商

​

国家简报页

• 动荡指数 —— 动画 SVG 评分环（0–100），含四个组成分项条（动荡、冲突、安全、信息）、严重度徽章和趋势指示器
• 情报简报 —— AI 生成的分析（Ollama 本地 / Groq / OpenRouter，取决于已配置的提供商），含内联引用锚点 [1]–[8]，点击可滚动至对应新闻来源
• 头条新闻 —— 该国 8 条最相关标题，按威胁等级着色，附带来源与”多久前”元数据

• 活跃信号 —— 抗议、军机、军舰、互联网中断、地震、人口流动、气候压力、冲突事件，以及该国股指（1 周变化）的实时芯片式指标
• 7 天时间线 —— D3.js 渲染的事件图表，含 4 条按严重度分色的泳道（抗议、冲突、自然、军事），支持交互式 tooltip 和响应式重排
• 预测市场 —— 按成交量排名的前 3 个 Polymarket 合约，附带概率条与外部链接
• 基础设施暴露 —— 距该国质心 600km 半径内的管道、海底光缆、数据中心、军事基地、核设施和港口，按距离排序

​

本地优先的国家检测

1. 包围盒预筛选 —— 每个国家的多边形都包裹在一个包围盒（[minLon, minLat, maxLon, maxLat]）内。包围盒之外的点无需多边形相交测试即被拒绝。
2. 射线投射算法 —— 对于包围盒内的点，从该点沿正 x 轴方向投射一条射线。多边形边的相交次数决定内外状态（奇数次 = 在内）。边界情况已处理：位于线段边界上的点返回 true，多边形孔洞会被扣除（位于外环内但同时在孔洞内的点会被排除）。
3. MultiPolygon 支持 —— 拥有不连续领土的国家（例如美国的阿拉斯加与夏威夷、印度尼西亚的数千个岛屿）使用 MultiPolygon 几何，每个多边形独立测试。

​

推演与预测

​

AI 推演与预测

1. 分析师输入自由文本查询（例如”未来 24 小时中东会发生什么？“）以及可选的地理上下文字段
2. 提交前，buildNewsContext() 从实时信息流中拉取最近的 15 条 NewsItem 标题，并将它们作为结构化上下文前置（"Recent News:\n- Headline (Source)"）—— 确保 LLM 始终具备当前态势感知
3. 查询被发送至 deductSituation RPC 端点，该端点调用 callLlm() 并使用提供商回退链（Groq、OpenRouter，或任何通过 LLM_API_URL/LLM_API_KEY/LLM_MODEL 环境变量配置的 OpenAI 兼容端点），系统提示要求其扮演”资深地缘政治情报分析师与预测员”
4. 温度为 0.3（偏低，以保证分析一致性），最多 1,500 tokens。思维链 think 标签会作为纵深防御被剥离
5. 结果按 deduct:situation:v1:{hash(query|geoContext)} 在 Redis 中缓存 1 小时 —— 相同查询直接从缓存返回

​

记忆与分类

​

客户端标题记忆（RAG）

RSS Feed Parse → isHeadlineMemoryEnabled()? → ML Worker (Web Worker)
                                                    │
                                          ┌─────────┴──────────┐
                                          │  ONNX Embeddings   │
                                          │  all-MiniLM-L6-v2  │
                                          │  384-dim float32   │
                                          └─────────┬──────────┘
                                                    │
                                          ┌─────────┴──────────┐
                                          │  IndexedDB Store   │
                                          │  5,000 vector cap  │
                                          │  LRU by ingestAt   │
                                          └────────────────────┘

1. 每次 RSS feed 抓取并解析后，若标题记忆已启用且嵌入模型已加载，每条标题的标题、发布日期、来源、URL 与位置标签会被发送至 ML Worker
2. Worker 对文本做净化处理（剥离控制字符、截断至 200 字符），通过 ONNX 流水线嵌入（pooling: 'mean', normalize: true），并按内容哈希去重
3. 向量通过串行化 promise 队列写入 IndexedDB（防止并发事务冲突）。当超过 5,000 向量上限时，按 ingestedAt 最旧的条目会被驱逐

​

威胁分类流水线

1. 关键词分类器（即时，source: 'keyword'）—— 对约 120 个威胁关键词进行模式匹配，这些关键词按严重度层级（critical → high → medium → low → info）和 14 个事件类别（conflict、protest、disaster、diplomatic、economic、terrorism、cyber、health、environmental、military、crime、infrastructure、tech、general）组织。短关键词使用词边界正则匹配以避免误报（例如 “war” 不会匹配 “award”）。较长关键词使用字面子串正则。在关键词层级运行之前，生活方式/娱乐排除项会通过小写子串检查（protein、couples、relationship、dating、diet、fitness、recipe、cooking、shopping、fashion、celebrity、movie、tv show、sports、game、concert、festival、wedding、vacation、travel tips、life hack、self-care、wellness）将匹配标题强制归为 info / general。这能防止消费类标题被 “virus”、“ban” 或 “war” 等通用词提升等级。每次匹配返回一个严重度级别、类别与置信度分数。变体专属的关键词集确保科技变体不会在非地缘政治语境下标记 “sanctions”。
2. 浏览器端 ML（异步，source: 'ml'）—— Transformers.js 在浏览器内直接运行 NER、情感分析与主题分类，无需任何服务器依赖。在不发起任何 API 调用的前提下提供第二分类意见。
3. LLM 分类器（批处理异步，source: 'llm'）—— 标题被收集进批处理队列，通过 sebuf proto 客户端以并行 classifyEvent RPC 发出。每个 RPC 调用已配置的 LLM 提供商（温度 0 的 Groq Llama 3.1 8B，或用于本地推理的 Ollama）。结果按标题哈希在 Redis 中缓存（24h TTL）。当发生 500 系错误时，LLM 分类器会自动暂停队列以避免浪费 API 配额，并在指数退避延时后恢复。当 LLM 结果到达时，仅在其置信度更高时才会覆盖关键词结果。

​

支撑端点

​

警报

​

突发新闻警报流水线

• 按事件去重 —— 每条警报以内容哈希为键；同一事件的重复警报在 30 分钟内被抑制
• 全局冷却 —— 任何警报触发后，60 秒全局冷却防止快速连发的通知冲击
• 时效门控 —— 处理时已超过 15 分钟的项目会被静默丢弃，防止陈旧事件在重连后产生警报
• 来源层级门控 —— Tier 3+ 来源（小众媒体、聚合器）必须具备 LLM 确认的分类（threat.source !== 'keyword'）才能触发警报；Tier 1–2 来源绕过此门
• 故事阶段门控 —— 持续中与衰减中的 RSS 报道被抑制；横幅保留给突发/发展中报道或无故事元数据的条目
• 重要性下限 —— importanceScore < 30 的 RSS 条目信号过低，不进入横幅
• 启动宽限 —— 应用加载后的前 10 秒内 RSS 警报被抑制，使初始 feed 抓取不会将旧文章重播为突发新闻。OREF 警报豁免
• 用户灵敏度控制 —— 可在 critical-only（仅 critical 严重度触发）与 critical-and-high（critical 与 high 严重度均触发）之间配置

​

浏览器端 ML

​

浏览器端 ML 流水线

​

基于浏览器的机器学习

​

可用模型

​

回退策略

User requests summary
    ↓
1. Try Groq API (fast, free tier)
    ↓ (rate limited or error)
2. Try OpenRouter API (fallback provider)
    ↓ (unavailable)
3. Use Browser T5 (offline, always available)

​

懒加载

• 模型仅在首次需要时下载
• 进度指示器显示下载状态
• 缓存后模型可从 IndexedDB 即时加载

​

Worker 隔离

• 主线程在推理期间保持响应
• 30 秒超时防止挂起
• 出错时自动清理

​

局限性

​

AI 洞察面板

​

世界简报生成

​

焦点检测

[INTELLIGENCE SYNTHESIS]
FOCAL POINTS (entities across news + signals):
- IRAN [CRITICAL]: 12 news mentions + 5 map signals (military_flight, protest, internet_outage)
  KEY: "Iran protests continue..." | SIGNALS: military activity, outage detected
- TAIWAN [ELEVATED]: 8 news mentions + 3 map signals (military_vessel, military_flight)
  KEY: "Taiwan tensions rise..." | SIGNALS: naval vessels detected

​

标题评分算法

• 军事关键词：war、invasion、airstrike、missile、deployment、mobilization
• 暴力指标：killed、casualties、clashes、massacre、crackdown
• 民间动荡：protest、uprising、coup、riot、martial law

• 热点地区：Iran、Russia、China、Taiwan、Ukraine、North Korea、Gaza
• 关键行为体：NATO、Pentagon、Kremlin、Hezbollah、Hamas、Wagner

• 商业语境：CEO、earnings、stock、revenue、startup、data center
• 娱乐：celebrity、movie、streaming

​

情感分析

​

速度检测

• 标题按共享关键词与实体分组
• 6 小时内出现 3 次及以上的主题被标记为”高速”
• 单独显示以突出发展中态势

​

焦点检测器

​

它解决的问题

• 新闻 feed 显示 500+ 来源的数千条标题
• 地图图层独立显示军机、抗议、中断
• 无法自动看出 IRAN 既出现在新闻中，又有军事活动，还发生了互联网中断

​

工作原理

1. 实体抽取：使用实体注册表（含别名的 66 个实体）从所有新闻聚类中抽取国家、公司与组织
2. 信号聚合：收集所有地图信号（军机、抗议、中断、舰船）并按国家分组
3. 交叉引用：将新闻实体与信号国家匹配
4. 评分与排序：基于关联强度计算焦点分数

​

焦点评分

FocalScore = NewsScore + SignalScore + CorrelationBonus

NewsScore (0-40):
  base = min(20, mentionCount × 4)
  velocity = min(10, newsVelocity × 2)
  confidence = avgConfidence × 10

SignalScore (0-40):
  types = signalTypes.count × 10
  count = min(15, signalCount × 3)
  severity = highSeverityCount × 5

CorrelationBonus (0-20):
  +10 if entity appears in BOTH news AND signals
  +5 if news keywords match signal types (e.g., "military" + military_flight)
  +5 if related entities also have signals

​

紧急度分类

​

信号类型图标

​

输出示例

• 显示：“Iran [CRITICAL] ✈️📢🌐”
• 新闻：12 次提及，速度 0.5/小时
• 信号：5 次军机、3 次抗议、1 次中断
• 叙述：“12 news mentions | 5 military flights, 3 protests, 1 internet outage | ‘Iran protests continue amid…’”
• 关联证据：“Iran appears in both news (12) and map signals (9)“

​

与 CII 的集成

• Critical 焦点 → 该国 CII 分数提升
• 确保多源汇聚的国家被正确标记
• 防止单凭新闻不足以触发警报时的”静默”动荡