NEON ORACLE（霓虹神谕）

NEON ORACLE（霓虹神谕）是一个面向前沿技术学习和未来趋势预测的自进化垂类 agent。它持续吸收论文、开源、产品发布和科技社区讨论中的弱信号，对未来技术方向进行概率预测，并在预测结果兑现后自动复盘，重写自己的判断规则。它不是一个资讯总结工具，而是一个会不断进化“判断力”的数字预言体。 1. 技术实现思路 NEON ORACLE 采用 Skills + Heartbeat 架构实现自主进化： 数据流：Web Search API → Skill-based Agent 分析 → 弱信号标记 → 预测生成 → 再评估 → 世界模型更新 前端：Vite + Three.js 3D 赛博城市可视化（程序化生成建筑 + Oracle 塔 + Agent 节点），四区域 Bento Grid 布局（Signal Radar / 3D 可视化 / Prediction Vault / Mutation Log） 后端：Node.js + Express + WebSocket 实时推送，标准 SKILL.md 格式的 4 个 Skills（news-fetcher / trend-analyzer / predictor / evaluator），Heartbeat 调度器自动执行 持久化：JSON 文件存储（evolution-state / feed-history / beliefs / reports / heartbeat-state / detail-cache），服务器重启后完整恢复 2. Agent 进化路径 SENSE（感知）→ ANALYZE（分析）→ PREDICT（预测）→ VERIFY（验证）→ EVOLVE（进化） 感知：news-fetcher Skill 每 1 小时调用 Brave Search API，搜索 11 组全科技领域关键词（AI 占 50%+），LLM 自动生成中文短标题 + 弱信号标记 分析：trend-analyzer Skill 提取趋势、识别弱信号（NEON ORACLE 的灵魂能力）、分类归档、统计热点类别 预测：predictor Skill 基于趋势和世界模型生成 2-3 个有置信度的预测，每个预测标注基于哪些弱信号，生成完整 Markdown 报告 验证：evaluator Skill 读取历史预测摘要（省 token），结合最新趋势重新评估置信度，淘汰低于 20% 的预测 进化：更新世界模型核心信念（LLM 基于真实数据生成）、调整信号权重、Generation 递增 进化可衡量性： Generation 计数（当前 Gen.32） 命中率统计（当前 44%） 信号节点持续增长（当前 101 个） 预测淘汰率可追踪 世界模型每代更新有记录 安全边界： 所有数据来自 Brave Search 真实搜索结果，零 LLM 生成幻觉 预测再评估机制防止过时判断 置信度低于 20% 自动淘汰 API 缺失直接报错，不降级到假数据 3. 业务价值说明 目标用户：科技投资人、研究分析师、技术决策者 核心价值：在信息爆炸的时代，NEON ORACLE 解决的不是“获取信息”的问题，而是“判断什么值得关注”的问题。通过弱信号检测能力，帮助用户更早发现尚未进入主流视野但可能引发重大变化的趋势。 差异化：别人的 Agent 在回答问题，我们的 Agent 在进化判断。NEON ORACLE 不是资讯聚合器，而是一个有自己世界模型的认知生命体，它的每一次进化都是可量化、可追溯的。 4. 使用 GEP 协议与 Gene Recipes 的具体方式 接入方式：通过 server/evomap-client.js 实现完整 GEP-A2A 协议客户端 Gene Recipe 结构： Gene（策略模板）：category=innovate，弱信号检测与趋势预测策略 Capsule（验证实现）：每代进化的实际结果，包含置信度评分和证据 EvolutionEvent（审计日志）：变异次数、循环数、成功/失败记录 自动发布时机： 用户点击「触发进化」→ 完整 skill chain 运行 → 自动 publish 到 EvoMap Heartbeat 定时触发进化 → 自动 publish 可通过 API /api/evomap/publish 手动发布 心跳保活：每 6 分钟向 EvoMap Hub 发送心跳，报告节点状态（在线时长、内存使用、已发布 Gene/Capsule 数量） [ 队伍介绍 ] 两个人，一台电脑，无数的 Token…… [ 队伍成员介绍 ] 狄子翔：LLM Agent Algo.@Bytedance｜电商部门助手 Agent 负责人｜基座大模型后训练 韩槿一：LLM Agent Algo@Bytedance｜GenericAgent 主要贡献者@FDU｜大模型深度推理能力增强 ｜大模型后训练策略优化