📌 态势监控系统 | Situation Monitor
Situation Monitor 是一个面向加密资产投资者的 AI 辅助实时情报系统,旨在用系统替代用户盯盘和刷信息的行为,只在”值得注意”时打断用户。🎯 项目目标 | Project Goals
核心目标
持续监控
监控市场行情、链上行为与公开舆情
自动过滤
过滤噪音与低质量信息
早期发现
发现早期趋势与异常行为
精准推送
用简洁、可执行的方式推送关键信号
解决的核心问题
系统希望解决用户的核心问题:“现在需不需要操作?如果需要,应该关注什么?”
🧠 用户痛点 | User Pain Points
当前用户普遍面临的问题:FOMO 焦虑
FOMO 焦虑
离开屏幕就产生 FOMO(怕错过行情),需要持续盯盘
信息过载
信息过载
信息源过多(推特、TG、新闻、KOL)难以筛选
机会识别
机会识别
很难识别真正的早期机会
情绪影响
情绪影响
决策容易被情绪和舆论带偏
🧩 系统架构 | System Architecture
系统采用 流水线 + 模块化服务 架构。1
阶段 A:数据采集层
由 APScheduler 定时调度,采集市场行情、链上数据、社交媒体和新闻源
2
阶段 B:数据清洗与结构化
统一字段结构、去重、噪声过滤、特征提取
3
阶段 C:信号分析引擎
跨数据源关联分析、叙事趋势跟踪、异常行为检测、风险分级
4
阶段 D:通知与用户交互层
通过多渠道矩阵(TG/WA/Twitter/Rocket.Chat)推送高优先级信号,配合 Dashboard 实现多维提醒
🛰️ 全局数据流架构 | Data Flow Architecture
数据采集层(阶段 A)
输出: 原始数据 JSON
数据清洗层(阶段 B)
职责:- 统一字段结构
- 去重
- 噪声过滤
- 特征提取
clean_market.jsonclean_tokens.jsonclean_sentiment.json
信号分析引擎(阶段 C)
这是系统的核心价值模块。 主要能力:- 跨数据源关联分析
- 叙事趋势演化跟踪
- 异常行为检测
- 风险分级
signals.json
分析方式:
- 规则系统: 负责确定性过滤
- LLM: 负责模式识别与语义判断
通知与用户交互层(阶段 D)
推送通路:- 内部通道: Rocket.Chat (DevOps & 核心成员)
- 外部矩阵: Telegram 群组、WhatsApp 频道、Twitter/X 自动发帖
- 可视化: 网页版交互式 Dashboard
- 只推高优先级信号
- 避免信息轰炸
- 市场平稳期采用摘要推送
🎖️ 用户分级与权限 | User Tiers & Permissions
系统通过阶梯式的订阅模型,为不同等级的用户提供差异化的情报服务。📊 权益流转架构 | Rights Flow Architecture
📋 权限明细表 | Permission Matrix
👥 团队分工 | Team Structure
按流水线模块拆分:
各模块以服务方式独立部署,通过数据库或消息队列通信。
🧱 基础设施 | Infrastructure
Kubernetes
k3s - 服务以 Pod 形式部署
PostgreSQL
结构化数据存储
Redis
缓存与去重(可选)
对象存储
原始数据归档
📈 开发路线 | Development Roadmap
Phase 1:验证阶段(MVP)
Phase 1:验证阶段(MVP)
- Rocket.Chat 内部推送集成
- Telegram/Twitter 外部矩阵原型
- 简单规则信号
- 人工评估信号质量
Phase 2:智能增强
Phase 2:智能增强
- 引入叙事演化追踪
- AI 聚类与主题总结
Phase 3:产品化
Phase 3:产品化
- 用户画像
- 个性化阈值
- 订阅计费系统
🧭 设计原则 | Design Principles
� 相关协议与规范 | Protocols & Specs
核心协议 (signals.json)
查看信号定义、优先级判定与生命周期
接口与数据流
各层级模块间的 API 交互与数据管道规范
非目标范围: 系统明确不提供自动下单、盈利保证、明确买卖点位。系统定位是情报与决策辅助,而非交易执行。