MURMRAY你在读新闻。你的钱在睡觉。一句话MURMRAY 是一个浏览器插件。你看什么，它就分析什么，然后告诉你——这条新闻背后，有没有一个可以下注的机会。我们在解决什么问题预测市场是过去两年全球增长最快的另类资产类别。Polymarket 在 2024 年美国大选期间日交易量突破 3 亿美元，它证明了一件事：大众对"用真金白银为观点投票"这件事，有巨大的兴趣。但绝大多数人不会打开 Polymarket 主动找机会。不是不想，是找不到。一个普通用户面对上千个盘口，不知道哪个跟自己刚看到的新闻有关，不知道该买 Yes 还是 No，不知道信息是不是已经被市场消化了。信息和机会之间，隔着一条巨大的鸿沟。MURMRAY 把这条鸿沟填平了。它怎么工作不需要你做任何事。打开幽灵模式，然后照常浏览网页。看推特，看新闻，看 Reddit，看任何你本来就会看的内容。MURMRAY 在后台安静地运行，每一个页面都会被实时分析。当它发现你正在看的内容和某个 Polymarket 盘口高度相关时——屏幕角落的悬浮球亮了。展开侧边栏，你会看到：这条新闻对应哪个盘口，当前赔率是多少，是利好还是利空，以及为什么它认为这是一个机会。点一下，直接跳转到 Polymarket 的交易页面。整个过程，你没有搜索任何东西。你只是在阅读。机会自己找上了你。叙事逻辑：为什么是"阅读时发现机会"市面上不缺交易工具。K 线图、订单簿、信号推送机器人——这些工具的假设是：用户已经知道自己要找什么。但预测市场的独特之处在于，它的标的不是股票代码，而是事件。事件来自新闻、来自社交媒体、来自你日常消费的信息流。这意味着一个根本性的产品逻辑差异：传统金融工具：先有交易意图，再找信息。MURMRAY：先有信息消费，再浮现交易机会。我们不是在做一个"更好的 Polymarket 前端"。我们在做一件从来没有人做过的事——把整个互联网变成一个机会发现层。用户不需要改变任何习惯。他们只需要继续做自己每天都在做的事：阅读。这是 MURMRAY 的核心洞察，也是产品存在的全部理由。为什么是现在三件事同时成熟了：预测市场的合法化和主流化。 Polymarket 在 2024 大选中的表现让全世界看到了预测市场的力量。监管态度在转向，用户认知在上升。大语言模型的语义理解能力。 两年前，没有任何技术可以在秒级时间内理解一篇新闻的含义，并把它和上千个预测市场盘口做语义匹配。现在可以了。浏览器插件作为分发渠道的成熟。 Chrome 插件的安装成本极低，不需要用户离开自己的浏览习惯。它是少数几个"零摩擦"的产品形态之一。三件事少任何一件，MURMRAY 都不成立。三件事同时在 2025 年成熟——这就是为什么是现在。技术架构以下是 MURMRAY 背后的技术全貌。我们把它摊开讲，因为这套系统的复杂度本身就说明了问题。总体架构用户浏览网页 ↓ Chrome Content Script（页面内容提取） ↓ Background Service Worker（调度中枢） ↓ Supabase Edge Function（云端分析管线） ├── Stage 1：页面语义摘要（LLM） ├── Stage 2：向量嵌入生成（Embedding Model） ├── Stage 3：向量相似度检索（pgvector + HNSW） └── Stage 4：语义精排与机会判定（LLM） ↓ 结果返回 → 侧边栏渲染前端：Chrome Extension（Manifest V3）MURMRAY 的前端是一个原生 Chrome 插件，没有使用任何前端框架。不是因为我们不会用 React，是因为在浏览器插件这个场景下，框架带来的运行时开销是不可接受的。MURMRAY 的 Content Script 需要注入到用户访问的每一个网页中，任何多余的体积和初始化时间都会被无限放大。三个核心模块：模块职责Content Script注入页面，提取标题、正文、选中文本；管理悬浮球 UI（Shadow DOM 隔离）；监听页面导航变化Background Service Worker全局调度中枢：管理幽灵模式状态、分析请求队列、结果缓存（10 分钟 TTL，200 条上限）、URL 黑名单过滤Side Panel结果展示界面：机会卡片（置信度、方向、推理过程）、一键跳转 Polymarket几个值得提的细节：Shadow DOM 隔离：悬浮球 UI 使用 Shadow DOM 封装，避免和宿主页面的样式冲突。这不是可选的优化——不做这一步，插件在大量网站上会直接崩溃。智能内容提取：针对 Twitter/X 做了专门的内容提取逻辑，因为推文的 DOM 结构和普通网页完全不同。同时维护了一个黑名单机制，自动跳过搜索引擎、Polymarket 自身等不适合分析的页面。拖拽位置记忆：悬浮球的位置通过 Chrome Storage 持久化，跨页面保持一致。这是一个小细节，但它决定了用户会不会在第三天把插件关掉。后端：四阶段 AI 分析管线这是整个系统最重的部分。我们没有用"调一个 API 就完事"的方式，而是构建了一条四阶段的分析管线。每个阶段解决一个独立的问题，串联起来才能实现从"一篇网页"到"一个交易机会"的完整推理。Stage 1：页面语义摘要用户看到的网页内容（标题 + 正文，上限 12KB）被发送到 LLM，生成一段 45-90 词的英文结构化摘要。同时输出：可靠性评级（high / medium / low）——不是所有内容都值得分析。一篇维基百科和一条没有上下文的推文，权重应该是不同的。关键实体提取（最多 8 个）——人名、组织、事件，这些是后续匹配的锚点。为什么要先做摘要，而不是直接拿原文去匹配？因为原文太长、太噪、太不稳定。一篇 5000 字的新闻和一条 140 字的推文，如果直接拿去做向量检索，召回质量会差一个数量级。摘要是信息压缩，也是噪声过滤。Stage 2：向量嵌入摘要和实体被送入 Embedding 模型（Qwen3-Embedding-8B），生成一个 4096 维的向量表示。4096 维不是随便选的。维度越高，语义空间的分辨率越高，但计算成本也越高。我们在召回准确率和检索延迟之间做了大量实验，4096 是当前的最优平衡点。Stage 3：向量相似度检索生成的向量在 PostgreSQL 的 pgvector 扩展中，通过 HNSW（Hierarchical Navigable Small World）索引进行近似最近邻搜索。HNSW 不是暴力搜索。它是一种基于图的近似最近邻算法，可以在百万级向量中实现毫秒级检索。我们同时使用了二值量化（Binary Quantization）来进一步压缩索引体积、提升检索速度，同时保持足够的召回精度。这一步返回 Top-100 个候选盘口。Stage 4：LLM 语义精排向量检索是粗筛。它能找到"大概相关"的盘口，但不能判断"到底相不相关"。所以我们用 LLM 做第二轮判定。100 个候选盘口被分成多个批次并行送入模型，每个盘口独立评判：是否和页面内容实质相关（至少 2 个以上维度匹配：主题、结果、时间）如果相关，方向是什么（利好 / 利空 / 不确定）置信度是多少（0-100）判断理由是什么纯关键词匹配不算。如果一篇文章提到了"特朗普"，而某个盘口也包含"特朗普"，但主题完全不同——这不是一个机会。语义匹配的颗粒度，决定了产品的可信度。数据层：实时同步 + 异步嵌入Polymarket 上的盘口不是静态的。每天有新盘口上线，有旧盘口关闭，有价格和流动性在变化。我们构建了一套增量同步系统：增量拉取：通过 Polymarket Gamma API，基于时间水位线（watermark）增量拉取新增和更新的盘口数据。异步嵌入队列：新盘口进入后，自动创建嵌入任务。Embedding Worker 从队列中领取任务、生成向量、写回数据库。3 个 API Key 轮询分配，规避单 Key 限速。指数退避重试：所有外部 API 调用都有重试机制，网络抖动不会让整条管线中断。目前数据库中维护着 Polymarket 上所有活跃盘口的实时向量索引。性能端到端分析延迟：1-3 秒。其中向量检索部分在 50-100ms 内完成。主要延迟来自 LLM 的推理时间——这也是为什么我们做了并行分批处理。分析结果缓存 10 分钟，同一页面不会重复请求。产品现状Chrome 插件已完成开发，内测版本可直接安装使用后端分析管线已部署在 Supabase Edge Functions 上，稳定运行数据同步管线已跑通，覆盖 Polymarket 全量活跃盘口目前 UI 语言为中文，计划支持英文接下来要做的事接入更多预测市场平台——Polymarket 只是第一个。Kalshi、Manifold、Metaculus，甚至链上的其他预测市场，都是可以接入的标的源。用户交易行为闭环——从"发现机会"到"完成下注"的全流程打通，不需要跳转到 Polymarket 页面。个性化推荐——基于用户的浏览历史和关注偏好，调整机会推荐的权重和排序。移动端——浏览器插件是起点，不是终点。关于名字MURMRAY。Murmur + Ray。低语和光线。它不会对你大喊大叫，不会在屏幕上弹窗打扰你。它只是安静地待在那里，在你阅读的时候，轻声告诉你——嘿，这里有个机会，你可能想看一眼。MURMRAY — Read the web. See the odds.