6ixPulse 是一张给多伦多租房者用的智能体地图。它想解决的事很具体：选街区的时候，别靠感觉，别靠过时的盘点文章，也别靠朋友随口一句传闻。

这是 Build Small Hackathon 的参赛作品，Backyard AI 赛道，定位是一个自用的日常工具：帮你决定住哪儿。

• 演示视频：YouTube
• 构建笔记：HF 博客文章
• 社交帖子：LinkedIn

为什么做这个项目

作者当时正准备搬家。搬家之前有一大堆调研要做，而租金只是其中一项。通勤要多久、街上安不安全、街区氛围对不对、日常买东西方不方便，还有这个区到底是在变好，还是只是在变贵，都得看。

6ixPulse 把这套调研变成了一个以地图为中心的智能体流程。你可以直接这么问：

Plain Text

I want to move to Toronto, make $110000, work at Union Station, need safe streets,
cafes, and rent under $2600.

应用会先给多伦多的街区排序，地图跟着镜头飞向正在调研的区域，同时派出几个专职智能体分头去查：可负担性、通勤、安全、生活方式、发展潜力，最后一个负责汇总推荐。

功能亮点

• 先规划：动手之前，模型先给每个 City Agent 列清楚任务，以及要用哪些数据源。
• 自己找街区：候选区域由模型挑，坐标也由模型给。候选集合里没有任何硬编码，地图画出来的就是模型找到的结果。
• 八个维度都打分：可负担性、安全、通勤、公共交通、配套设施、生活方式、发展潜力，再加一个综合匹配度。每个候选区的每项分数，都来自一个真实、有名字、不需要 API key 的数据源。
• 每个 City Agent 只管自己那块：可负担性、通勤、安全、生活方式、发展这几个智能体，只基于自己维度的证据推理。推荐智能体放在最后跑，手里握着所有智能体的结论，还有全部数据源。
• 查不到来源就不显示：只要后端没法把某个租金、通勤、安全、发展的结论或分数对上来源证据，界面就不给它留位置。数据源一律写名字，不用“S1”这种代号。
• 真的 Mapbox GL JS 3D 地图：调研过程中，镜头会逐个放大到候选区域，再飞出去，飞向下一块。
• 结论可以听：点 Play，浏览器里直接跑 Kokoro-82M 念一段简短总结。不用 key，也不走后端。
• 所有模型都在 32B 以下：主脑是 NVIDIA Nemotron Nano Omni Reasoning（开着 enable_thinking），OpenBMB 的小模型跑在 llama.cpp 上做摘要，Kokoro-82M 负责发声。哪个服务不可用，就回退到 HF。

架构

Plain Text

前端 · React 19 + Vite
  租房需求输入（预算 · 通勤 · 安全 · 氛围）
  Mapbox GL JS + deck.gl（3D 地图 · 调研巡游）
  智能体卡片 · 八维评分 · 调研简报 · 对比 · 房源
        |
        v
Hugging Face Space · Docker
  gradio.Server（FastAPI）：提供 React 界面 + /run_agent MCP 工具
  Node 智能体后端：POST /api/agent/run
        |
        v
智能体流水线（每一步都有 trace）
  1 规划：解析意图 + 为每个 City Agent 分配任务
  2 发现街区：模型挑选多伦多区域并给出坐标（无硬编码，坐标同步给地图）
  3 收集官方证据（Toronto Open Data、StatCan、Wikipedia）
  4 基于具名数据源为八个维度打分（Toronto Police、OSM、TTC/GO、CMHC）
  5 City Agent 扇出：各自调研自己的维度
  6 推荐智能体：权衡所有智能体结论及其全部来源
  7 证据策略：fail-closed，没有来源就没有结论
        |
        v
结果返回前端面板（Play 按钮 -> Kokoro-82M 朗读）

模型（均小于 32B）
  主模型：NVIDIA Nemotron Nano Omni Reasoning（temp 0.6 · enable_thinking · reasoning_budget），
          负责发现、扇出和推荐；回退：HF 上的 Qwen3-Coder
  辅助：OpenBMB MiniCPM（llama.cpp），为每个智能体的证据做摘要
  语音：Kokoro-82M 神经 TTS，浏览器内运行

技术栈

• 前端：React 19、TypeScript、Vite
• 地图：Mapbox GL JS、自定义 Mapbox 样式、deck.gl
• 界面：手写 CSS、lucide-react 图标，配色跟地图统一，走单色调
• 后端：Node HTTP 服务器
• Space 封装：基于 FastAPI 的 gradio.Server，Docker Space
• 智能体编排：规划、发现、调研、打分、扇出、推荐，全程可追踪
• 数据：Toronto Open Data、Toronto Police、OpenStreetMap（Overpass）、CMHC、StatCan、Wikipedia，全都不用 key
• 模型（都在 32B 以下）：
  • 主智能体大脑：nvidia/nemotron-3-nano-omni-30b-a3b-reasoning（build.nvidia.com）
  • 摘要助手：通过 llama.cpp 运行的 OpenBMB MiniCPM（openbmb/MiniCPM4-*-GGUF）
  • 语音：浏览器内运行的 hexgrad/Kokoro-82M 神经 TTS（transformers.js）
  • 回退：HF Router 上的 Qwen/Qwen3-Coder-30B-A3B-Instruct

运行流程

1. 用户在 Ask 6ixPulse 输入框里写下住房需求，前端调用 POST /api/agent/run。
2. 规划：模型解析意图（预算、通勤上限、各项优先级权重），再给每个 City Agent 安排任务。
3. 发现：模型给出符合条件的多伦多街区和坐标。候选列表没有硬编码，地图渲染的就是模型返回的结果。
4. 收集证据：按区域去拉多伦多官方数据，包括 Toronto Police 犯罪率、建筑许可、TTC GTFS、StatCan，以及 Wikipedia 的坐标。
5. 打分：每个候选区域对着具名数据源算完八个维度，再加权得出匹配度。
6. 扇出：每个 City Agent 只基于自己那部分证据推理。推荐智能体最后跑，掌握所有结论和来源，并且开着推理模型的思考模式。
7. 证据策略：结论如果对不上来源、也没有计算依据，就直接藏掉，界面上显示为“needs source”。
8. 地图、智能体卡片、八维评分、调研简报和对比视图，都由同一份带来源引用的结构化结果驱动。

有据可查的展示策略

6ixPulse 在这一点上是故意的：失败即关闭。

本地的街区数据只用来启动流程，不当事实用。只要后端没法把某类信息对上来源证据或计算结果，应用就不展示租金区间、通勤评分、安全结论、发展结论，也不展示最终的智能体评分。

住房这件事，决策成本太高。一张看着漂亮、其实在硬撑自信的地图，不如一张老老实实说“这块还没查清楚”的地图。

数据来源与评分

界面上每个维度都由真实、无需 key 的数据源算出来，并且标出来源名字：

维度	数据源
安全	Toronto Police Service 街区犯罪率（Toronto Open Data）
通勤	经由 TTC + GO（Metrolinx）网络到 Union Station 的距离
公共交通	来自 OpenStreetMap 的 TTC 站点
配套设施 · 生活方式 · 发展潜力	OpenStreetMap（Overpass）：咖啡馆、餐厅、公园、杂货店、在建工地
可负担性	CMHC 租赁市场数据 + 距市中心距离 / 密度模型
匹配度	以上各项加权合成，权重来自租房者自己写的优先级
坐标	Wikipedia REST（把发现的区域标到地图上）

这些都是官方公开 API，所以托管版 Space 不用爬虫，也不碰任何绕过手段。也可以打开需要 key 的网页搜索（Google CSE、SerpAPI、Brave、Tavily）补充上下文，但默认关闭，也不是必需的。

模型

两层，都在 32B 参数以下：

Bash

# Main agentic brain: NVIDIA Nemotron Nano Omni Reasoning (build.nvidia.com).
# Used for discovery, the per-agent findings, and the final recommendation (with thinking).
AGENT_MODEL_PROVIDER=auto              # tries Nemotron first, then HF
NVIDIA_API_KEY=your_nvapi_key
NVIDIA_MODEL=nvidia/nemotron-3-nano-omni-30b-a3b-reasoning
NVIDIA_BASE_URL=https://integrate.api.nvidia.com/v1
NVIDIA_ENABLE_THINKING=1              # temperature 0.6, top_p 0.95, reasoning_budget

# Summarisation assistant: small OpenBMB model through the llama.cpp runtime.
LLAMACPP_ENABLED=1
LLAMACPP_MODEL=openbmb/MiniCPM4-0.5B  # or MiniCPM4-8B-GGUF for stronger summaries
AGENT_SUMMARIZER_PROVIDER=llamacpp

# Fallback when no key/runtime is available, so the app always responds.
HF_TOKEN=your_hugging_face_token
HF_MODEL=Qwen/Qwen3-Coder-30B-A3B-Instruct

• 摘要助手：OpenBMB 的 MiniCPM4-0.5B，跑在 llama.cpp 上，给每个智能体的证据做摘要。想要更强的摘要效果，换成 MiniCPM4-8B-GGUF 就行。
• 推理模型：用 Nemotron 推荐的配置（跟 ChatNVIDIA 一致）：temperature=0.6、top_p=0.95、chat_template_kwargs={"enable_thinking": true} 和 reasoning_budget。它的 <think 推理内容和 JSON 答案分开捕获。思考模式只在决策环节开（发现、推荐、综合），各智能体的扇出在托管 API 上并行跑，所以一次完整运行还在响应时间预算之内。
• 语音：Play 按钮经 transformers.js 调 hexgrad/Kokoro-82M，全程在浏览器里跑（ONNX/WASM）。模型懒加载，约 80 MB，第一次点 Play 才下载并缓存。加载期间或跑不起来的时候，回退到浏览器自带的语音合成。不用 key，不走后端，只有 82M 参数。

Gradio Space

项目用 gradio.Server 部署成 Docker Gradio Space。这个入口本来就是给 React 这类自定义前端准备的，同时还能用上 Gradio 的 API 引擎、队列、MCP 支持和 Hugging Face Spaces 托管。入口文件是 app.py，它负责：

• 在 127.0.0.1:8787 起 Node 智能体后端
• 从 dist/ 提供构建好的 React 应用
• 从 Space secrets 注入运行时的 Mapbox 配置
• 把前端发往 /api/agent/run 的请求转给后端
• 暴露一个叫 /run_agent 的 Gradio API 端点，同时作为 MCP 工具

必需的 Space secrets：

Bash

VITE_MAPBOX_TOKEN=your_mapbox_token
NVIDIA_API_KEY=your_nvidia_api_key

推荐的 Space 变量（Docker 镜像里已经设好）：

Bash

AGENT_MODEL_PROVIDER=auto
NVIDIA_MODEL=nvidia/nemotron-3-nano-omni-30b-a3b-reasoning
NVIDIA_BASE_URL=https://integrate.api.nvidia.com/v1
NVIDIA_ENABLE_THINKING=1
AGENT_DISCOVER=1
AGENT_FANOUT=1
SEARCH_PROVIDER=disabled        # official-data-only; no scraping on the hosted Space
OFFICIAL_DATA_ENABLED=1

想在本地按 Space 的方式跑，启动后打开 http://127.0.0.1:7860/：

Bash

npm install
npm run build
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
python app.py

本地开发

Bash

npm install
cp .env.example .env
npm run dev:full

打开 http://127.0.0.1:5173/。跑之前先把 Mapbox token 配上：

Bash

VITE_MAPBOX_TOKEN=your_token_here
VITE_MAPBOX_STYLE_URL=mapbox://styles/ownpath/cmqe4wg8h005001s4bjx9461m

也可以前后端分开起，再各自做一次健康检查：

Bash

npm run dev:api
npm run dev

curl http://127.0.0.1:8787/api/agent/health
curl http://127.0.0.1:8787/api/agent/search/health

项目结构

Plain Text

app.py                         Gradio Server wrapper for the Space runtime
Dockerfile                     Docker Space image with Node + Python
src/App.tsx                    app shell, agent panels, scores, listings
src/components/MapCanvas.tsx   Mapbox/deck.gl map + research tour
src/lib/agentApi.ts            frontend API client types
src/lib/tts.ts                 Kokoro-82M in-browser narration
server/index.mjs               agent API server; orchestrates the pipeline
server/discover.mjs            model-driven neighbourhood discovery (+ coordinates)
server/score-tools.mjs         8-dimension scoring from named no-key sources
server/agent-fanout.mjs        per-agent City Agents + Recommendation agent
server/model-chat.mjs          provider routing: main brain vs. summariser
server/agent-core.mjs          plan, trace, and the fail-closed evidence policy
server/research-tools.mjs      Toronto Open Data + crime rates + coordinates
server/nvidia-client.mjs       NVIDIA Nemotron (reasoning) client
server/llamacpp-client.mjs     llama.cpp / OpenBMB client
server/hf-client.mjs           Hugging Face Router fallback client
scripts/dev-full.mjs           starts frontend and backend together
scripts/llama-server.sh        launches a local OpenBMB GGUF via llama.cpp

开发说明

实现、调试、验证和仓库整理这几件事上，项目借了 OpenAI Codex 的力。产品方向、最终决策和提交审核，由作者本人负责。

相关链接

• Hugging Face Space：build-small-hackathon/6ixPulse
• 演示视频：YouTube
• 构建笔记：HF 博客文章
• 社交帖子：LinkedIn