Na dużą skalę dziwny rekord sygnalizujący fraud lub uszkodzony feed wygląda identycznie jak miliony wokół niego. Ten przepływ znajduje anomalie przez podobieństwo, nie przez reguły.
sonnet1 tydzieńPineconePythonscikit-learnKafka
Claude
53ROI
71Scale
$2.2k84Saved
ROI for
README.md
Dlaczego ten subagent
Na dużą skalę dziwny rekord sygnalizujący fraud lub uszkodzony feed wygląda identycznie jak miliony wokół niego. Ten przepływ znajduje anomalie przez podobieństwo, nie przez reguły.
Każdy rekord jest zamieniany na embedding i indeksowany; wyszukiwanie KNN mierzy, jak daleko leży od swoich sąsiadów, a wszystko powyżej progu jest flagowane. Oflagowane punkty docierają z dołączonymi najbliższymi sąsiadami, dając agentowi downstream kontekst do oceny, czy to prawdziwa anomalia.
Jak działa
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Wykonujemy wyszukiwanie KNN, by znaleźć najbliższych sąsiadów nowego punktu w istniejącej przestrzeni.
pending
Oznaczamy punkty, których dystans do sąsiadów przekracza nauczony próg, jako anomalia.
pending
Generujemy oznaczone rekordy z kontekstem sąsiadów, co pozwala agentowi zweryfikować dane.
pending
Przykładowe wyjście
json
// Sample output
// (generated when the pipeline finishes)
Embed each record, run KNN, and flag points whose neighbor distance exceeds the threshold, with neighbor context attached.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.