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.

3. Clicca “Carica file origine dati” per caricare un elenco RSS. Sono forniti due elenchi predefiniti. Un elenco breve "Default_test" e un elenco più lungo "Default_long", che si concentra su notizie mondiali e notizie dell'ultima ora.

   1. Personalizzare i propri elenchi in base alla propria regione o argomenti di interesse influenzerà significativamente l'output delle informazioni. Un esempio di elenco focalizzato sulla regione che ho usato per un recente viaggio è fornito ('India_regional_example-v1.txt'). È incluso anche un esempio per il conflitto in Iran.
   2. Reddit e blue-sky possono essere facilmente convertiti in feed RSS. Programmi come RSSBridge possono anche generare feed RSS da siti web e social media (es., telegram) che non ne hanno uno.
   3. L'elenco "Default_test" è un elenco breve di vari feed RSS. Lo scopo è mantenere la prima acquisizione RSS rapida e breve, in modo da poter diagnosticare se tutti i componenti funzionano come dovrebbero.

4. In "Impostazioni aggiuntive", imposta i seguenti campi. Questi verranno salvati e persisteranno se chiudi e riavvii il programma. Le impostazioni predefinite funzioneranno con la maggior parte delle configurazioni - ma devi comunque inserire tu stesso il campo #1:

5. Carica il tuo modello (es., in LMStudio, Ollama) o ottieni la tua chiave API (es., per OpenAI) di tua scelta e assicurati di impostare la sua finestra di contesto in modo che superi comodamente il valore inserito nei campi TOKENS_INPUT di ShunyaNet Sentinel. Il programma è attualmente progettato per essere compatibile con LMStudio, Ollama e OpenAI (tramite chiave API). Poi, vai su "Impostazioni aggiuntive" in ShunyaNet Sentinel e compila i seguenti campi come appropriato per la tua soluzione LLM:

LMSTUDIO

• LLM_PROVIDER = lmstudio
• LLM_BASE_URL = <URL del tuo server LMStudio, es.: http://localhost:1234/v1>
• LLM_MODEL = <OPZIONALE. Consiglio di lasciare vuoto e caricare il modello direttamente in LMStudio. Se devi, il formato è: lmstudio-community/mistral-7b-instruct>
• LLM_API_KEY = <Lascia vuoto, a meno che tu non usi una chiave di autenticazione>

OLLAMA

• LLM_PROVIDER = ollama
• LLM_BASE_URL = <URL del tuo server LMStudio, es.: http://localhost:11434/v1>
• LLM_MODEL = llama3
• LLM_API_KEY = <lascia vuoto>

OPENAI (tramite CHIAVE API)

• LLM_PROVIDER = openai
• LLM_BASE_URL = (non importa: questo campo viene ignorato)
• LLM_MODEL = gpt-4o-mini
• LLM_API_KEY = sk-xxxx

6. Fatto! - Ora clicca il gatto! (...o premi "Fetch / Invia", o semplicemente attendi il numero di secondi impostato in FETCH_INTERVAL)

NOTA: Consiglio di mantenere le cose semplici per il primo avvio. Usa le impostazioni predefinite e assicurati che funzioni. Poi, modifica contesto e feed RSS. Quindi, regola il prompt. Sarei curioso di vedere i prompt migliorati di altre persone....

Suggerimenti, Trucchi e Problemi noti

Problemi/Avvertenze:

• Sentinel si chiude spontaneamente su Windows 11 dopo poche ore. Nessuna idea del perché. Nessun errore lanciato. Non ha questo problema su Mac o Linux - e forse il tuo sistema sarà diverso! Se incontri questo problema e devi usare Windows, allora consiglio di configurare una virtual box con Linux/Ubuntu (o suggerisci una soluzione migliore, se ne hai una!). Nota, questo programma funziona bene su un raspberry pi!
• Scelte di configurazione inadeguate possono sovraccaricare il tuo LLM o hardware. Assicurati che il tuo LLM possa elaborare e rispondere in modo affidabile più velocemente del tuo intervallo di acquisizione RSS.
• LMStudio ha recentemente implementato la capacità ("parallela") per un LLM di accettare ed elaborare più di un prompt alla volta. Disattivala finché non l'hai testata con questa app, altrimenti potresti rimanere bloccato con errori di timeout e un arretrato di elaborazione continua dei prompt.
• A volte viene lanciato un messaggio di errore quando l'app viene chiusa su macOS, forse anche Linux. Non sembra influenzare il funzionamento del programma o la sua stabilità, comunque. L'ho risolto una volta, ma è tornato. Lo risolverò di nuovo ...a un certo punto.
• Un URL lento o 404 può rallentare l'acquisizione del feed, quindi controlla i log di tanto in tanto per rimuoverli. Le liste RSS predefinite ne includono alcuni, ma è gestibile.

Suggerimenti:

• Il primo fetch / invio è uno stress test: acquisisce il volume massimo di feed per le tue impostazioni e quindi è probabile che contenga informazioni obsolete. Tuttavia, questo è un buon modo per testare se tutto funziona, per capire il tempo di elaborazione del prompt più lungo e per ottenere un campione di come si comporteranno il tuo prompt, la lista RSS e la lista di argomenti.
• Alcuni modelli "thinking" producono risposte malformate o rimangono bloccati in loop. Consiglio di disattivare prima il thinking. Thinking impostato su "basso" funziona bene per GPT OSS.
• Ci sono vari trucchi per trasmettere feed che non hanno RSS per impostazione predefinita (es., dai un'occhiata a RSSBridge). Inoltre, alcuni siti social possono essere convertiti automaticamente in feed RSS (es., aggiungendo .rss a un URL di reddit, o /RSS a un URL del profilo bluesky.)
• Alcuni siti, reddit in particolare, limitano la frequenza delle tue acquisizioni RSS. Per minimizzare questo problema, consiglio vivamente di randomizzare l'ordine della tua lista di URL RSS in modo da non colpire lo stesso sito troppo velocemente.

Stato

Alpha

Licenza

Questo progetto è concesso in licenza sotto Apache 2.0.

Attribuzione: ShunyaNet / EverythingsComputer

Nessuna Garanzia: Il software è fornito "così com'è", senza garanzia di alcun tipo, esplicita o implicita.

Dipendenze

Questo progetto utilizza le seguenti librerie di terze parti. Si prega di rivedere le loro licenze quando si utilizza, distribuisce e/o modifica questo progetto:

• PySide6 — LGPL
• feedparser — BSD
• requests — Apache 2.0
• python-dateutil — BSD

Origine del nome

Il mio gatto.