Arquitectura del lector de noticias

​

Arquitectura del sistema

elata-vsm-system-4/
├── scraper/         # AI-powered news aggregation engine
├── web/             # Next.js frontend
└── shared-types/    # Zod schemas and shared TypeScript types

​

Tubería raspadora

​

Fase 1: Agregación

• NewsAPI consultas de neurociencia, psiquiatría, BCI, DeSci y palabras clave relacionadas
• Web scraper obtiene de más de 400 fuentes seleccionadas: revistas, servidores de preimpresión, establecimientos farmacéuticos, empresas de neurotecnología, agencias reguladoras y plataformas comunitarias

​

Fase 2: Análisis

• Procesador GPT evalúa cada artículo según la misión de Elata y asigna una puntuación de relevancia (0-1)
• Validador GPT filtra contenido irrelevante o de baja calidad
• La asignación de etiquetas se aplica desde un vocabulario controlado de 86 etiquetas específicas de dominio en todas las categorías: neurociencia, hardware, IA/ML, farmacología, biohacking, biomarcadores, DeSci e industria.

​

Fase 3: Enriquecimiento y Resultados

• Raspador de contenido extrae el texto completo, el recuento de palabras y el tiempo de lectura
• Generación de incrustación mediante OpenAI para búsqueda semántica
• Generación de podcasts produce resúmenes de audio narrados por IA utilizando ElevenLabs con dos narradores (Nova y Dr. Renn)
• Notificaciones de Discord alertan a la comunidad sobre artículos de alta relevancia
• Los resultados se escriben en current.json y se entregan a través de la API REST

​

Modelo de datos

const ArticleSchema = z.object({
  id: z.string(),
  title: z.string(),
  url: z.string(),
  source: z.string(),
  description: z.string(),
  summary: z.string().optional(),
  tags: z.array(NewsTagSchema).default([]),
  relevanceScore: z.number(),
  author: z.string().optional(),
  publishedAt: z.string().optional(),
  scrapedAt: z.string(),
  sourceType: z.enum(["newsapi", "scrape", "twitter", "reddit", "community"]).optional(),
  embedding: z.array(z.number()).optional(),
  // ... additional fields
});

const SummaryMetadataSchema = z.object({
  totalArticles: z.number(),
  dateRange: z.object({ from: z.string(), to: z.string() }),
  tagCounts: z.record(z.string(), z.number()),
  sourceCounts: z.record(z.string(), z.number()),
});

​

Taxonomía de etiquetas

​

Ejecutando localmente

git clone https://github.com/Elata-Biosciences/elata-vsm-system-4.git
cd elata-vsm-system-4

• Configuración del raspador
• Configuración de plataforma web