Автор представляет IntelShed, систему с открытым исходным кодом для сбора открытых разведывательных данных (OSINT), которая агрегирует 50 публичных источников данных для автоматического формирования ежедневных сводок по безопасности. Архитектура интегрирует гибридный поиск, разрешение сущностей на основе GNN, федеративное обучение с дифференциальной приватностью и многоагентную оркестровку, скомпилированную LLM.
- Гибридный поиск использует pgvector HNSW, tsvector GIN, слияние по взаимному рангу и реранкер BGE cross-encoder на ~2000 проиндексированных фрагментах в PostgreSQL 16.
- Разрешение сущностей применяет схему FollowTheMoney с ~142k сущностями и 173k связями, используя Splink для вероятностного сопоставления и связей, предсказанных GNN.
- Пайплайн GNN включает GAT для корреляции, T-GCN для прогнозирования на 24 часа вперед и GNNExplainer для атрибуции.
- Федеративное обучение реализует FedAvg с DP-SGD; в настоящее время тестируется на одном GPU-узле, но планируется обмен между двумя узлами.
- Слой доверия применяет двустороннюю байесовскую арбитрацию источников с ограничениями подтверждения, снижая уровень ложных срабатываний с 100% до 16.8%.
- Многоагентная оркестровка включает восьмифазный рабочий процесс с обнаружением циклов и модуль "Vibe Graphing", который компилирует запросы на естественном языке в графы выполнения.
Автор запрашивает отзывы сообщества и вклад, в частности: независимые бенчмарки качества поиска, аудит безопасности интерфейса MCP-инструментов, проверку федеративного обучения с обменом градиентами между узлами и статистическую оценку методологии байесовского скоринга доверия.