ShunyaNet Sentinel (AGGIORNATO: 03/02/2026)

ShunyaNet Sentinel è un programma leggero a tema cyberpunk che acquisisce feed RSS (es. notizie dell'ultima ora, social media), li invia a un LLM per l'analisi e fornisce avvisi e report di riepilogo direttamente nell'interfaccia grafica e su Slack a intervalli regolari.

Il progetto è costruito per utilizzare un LLM ospitato localmente sulla stessa macchina o rete (es. con Tailscale) usando LMStudio o Ollama (Aggiornamento 23/02). Funziona anche con una chiave API OpenAI (Aggiornamento 23/02).

Per la generazione di avvisi, il programma utilizza i Webhook di Slack, consentendo l'invio di notifiche push a un dispositivo mobile.

ShunyaNet Sentinel è compatibile con le ultime versioni di Linux, macOS e Windows*

La qualità dei report e delle analisi è influenzata dal prompt, dalla dimensione del contesto, dai feed RSS e dal LLM scelto. Si consiglia di disattivare le funzionalità di "thinking". I modelli che sembrano aver funzionato bene e generalmente seguono le istruzioni includono:

• GPT OSS 20b (thinking impostato su BASSO in LMStudio)
• GPT OSS 120b (probabilmente eccessivo)
• Hermes 4 70b (il mio go-to)
• Gemma 3 27b it abliterated (la versione di mlabonne)
• Qwen3 32b e/o VL 30b (non ricordo quale...)

*Fortemente consigliato macOS o Linux. Vedi Problemi noti di seguito.

Vedi Suggerimenti, Trucchi e Problemi noti alla fine per informazioni importanti!

---

Flusso di lavoro ad alto livello

1. L'utente inserisce argomenti di interesse
2. L'utente fornisce un elenco di feed RSS
3. Sentinel acquisisce i feed RSS a intervalli di tempo configurati dall'utente
4. Il contenuto RSS viene inviato al server LLM fornito dall'utente
5. Il LLM esamina i feed e riferisce a Sentinel sugli argomenti di interesse rilevanti
6. Se il webhook Slack è configurato, gli avvisi vengono inoltrati e le notifiche possono essere ricevute su iOS/Android (spesso con collegamenti diretti al contenuto RSS di riferimento)
7. L'analisi bulk opzionale identifica le tendenze nel tempo

---

Capacità principali

Monitoraggio feed RSS

• Acquisizione periodica di feed RSS
• Deduplicazione e tracciamento dei timestamp
• Gestione di feed lenti o malformati (...ancora lavoro da fare qui)

Analisi basata su LLM (Opzionale)

• Invia elementi dei feed RSS all'endpoint LLM locale/API
• Classificazione, riepilogo, filtraggio guidati dal prompt
• Funziona con qualsiasi endpoint /v1/chat/completions compatibile con OpenAI, progettato per LMStudio

Avvisi / Generazione di segnali

• Supporto webhook Slack (per info sulla configurazione del webhook, vai qui: https://docs.slack.dev/messaging/sending-messages-using-incoming-webhooks/)
• Output strutturato adatto all'automazione
• Progettato per l'integrazione in flussi di lavoro più ampi

Locale e Auto-ospitato

• A parte l'acquisizione dei feed RSS o l'invio di risposte a Slack (opzionale), tutte le informazioni rimangono sull'hardware che controlli

---

Requisiti

• Python 3.10+
• Dipendenze elencate in requirements.txt:
  • PySide6==6.10.0
  • feedparser==6.0.12
  • requests==2.31.0
  • python-dateutil==2.9.0.post0

LLM ospitato tramite:

• LM Studio (consigliato)
• Ollama
• Chiave API OpenAI
• (altri in arrivo presto)

---

Installazione

1. Clona il repository (...o Scarica lo zip) e spostati nella cartella

git clone https://github.com/EverythingsComputer/ShunyaNet-Sentinel.git
cd ShunyaNet-Sentinel

2. (Fortemente consigliato) Crea un ambiente virtuale

macOS / Linux:

python3 -m venv venv
source venv/bin/activate

Windows (PowerShell):

python -m venv venv
venv\Scripts\Activate.ps1

3. Installa i requisiti

pip install -r requirements.txt

4. Esegui

macOS / Linux:

python3 ShunyaNet_Sentinel.py

Windows:

python ShunyaNet_Sentinel.py

---

Avvio rapido (con LMStudio) (AGGIORNATO 23/02)

1. Clicca "Carica file prompt" e carica default_prompt.txt
2. Clicca "Carica file origine dati" e carica la lista RSS Default_test
3. Apri "Impostazioni aggiuntive" e inserisci:
   • LM_PROVIDER = lmstudio
   • LLM_BASE_URL = <IL TUO IP SERVER LMSTUDIO, es.: http://x.x.x.x:porta/v1>
   • LLM_MODEL = <Consiglio di lasciare vuoto. Segui il Passaggio 4>
   • API_KEY = <lascia vuoto, a meno che tu non ne abbia impostata una per il tuo server>
4. Carica il modello in LM Studio. Attiva "Servi sulla rete locale" nelle Impostazioni del server. Suggerimenti:
   • Nella finestra "Carica modello"/selezione modello, attiva "Scegli manualmente i parametri di caricamento del modello"
   • Nella finestra dei parametri di caricamento del tuo modello, imposta Massimo predizioni concorrenti su 1 (per ora)
   • Nella scheda inferenza, disattiva o minimizza il thinking, se tale impostazione è disponibile.
   • Un modello di dimensioni moderate che funziona bene: gpt-oss-20b. Thinking impostato su "basso"
5. Clicca il gatto! (...o premi Fetch / Invia)

---

Istruzioni complete e configurazione (AGGIORNATO 03/02/2026)

1. Inserisci argomenti di interesse, o carica uno degli elenchi predefiniti forniti. È possibile aggiungere fino a 10 argomenti per ogni elenco.

2. Clicca “Carica file prompt” per caricare un file prompt. Viene fornito un prompt predefinito (default_prompt.txt).

   1. Sei incoraggiato a modificare e rivedere questo prompt - può migliorare sostanzialmente la qualità dei report e la capacità del LLM di identificare un segnale nel rumore. C'è MOLTO spazio per la personalizzazione qui.
   2. C'è un 'default_prompt-always-reply.txt' incluso nella cartella experimental. È obsoleto, ma puoi usarlo per eseguire il debug/test dell'analisi del LLM e assicurarti che riporti qualcosa nel formato corretto.
   3. AGGIORNATO 03/02/2026 È fornito anche un prompt 'default_Summary-Report-Only_prompt.txt'. Questa versione non cerca di estrarre un segnale dal rumore, ma piuttosto di riassumere un volume maggiore di feed pertinenti quando lo spazio informativo è ricco di dati sull'argomento. Pertanto, è più utile dopo che l'"evento" che stai cercando si è verificato. È anche meglio usarlo meno frequentemente (es., ogni mezz'ora per un evento in rapida evoluzione e ampiamente riportato, o ogni poche ore per qualcosa con meno dati riportati) e con una grande allocazione di token per il prompt e la risposta.