ShunyaNet Sentinel (更新日: 2026/02/03)

ShunyaNet Sentinelは、軽量でサイバーパンクをテーマにしたプログラムです。RSSフィード（例：速報、ソーシャルメディア）を取り込み、LLMに送信して分析し、アラートと要約レポートをGUIとSlackに定期的に配信します。

このプロジェクトは、LMStudioまたは**Ollama（02/23更新）**を使用して、同じマシンまたはネットワーク上（例：Tailscale経由）でローカルにホストされたLLMを利用するように設計されています。また、**OpenAI APIキー（02/23更新）**でも動作します。

アラート通知にはSlack Webhookを利用し、モバイルデバイスへのプッシュ通知を可能にします。

ShunyaNet Sentinelは、Linux、macOS、Windowsの最新バージョンと互換性があります*。

レポートと分析の品質は、プロンプト、コンテキストサイズ、RSSフィード、選択したLLMに影響されます。思考機能はオフにすることをお勧めします。指示に従い良好なパフォーマンスを示したモデルは以下の通りです：

GPT OSS 20b（LMStudioで思考を「低」に設定）
GPT OSS 120b（おそらく過剰）
Hermes 4 70b（私の定番）
Gemma 3 27b it abliterated（mlabonne版）
Qwen3 32b および/または VL 30b（どちらか忘れました...）

*macOSまたはLinuxを強く推奨します。既知の問題については後述を参照。

重要な情報については、最後の「ヒント、コツ、既知の問題」を参照してください！

大まかなワークフロー

ユーザーが関心のあるトピックを入力
ユーザーがRSSフィードのリストを提供
Sentinelがユーザー設定の時間間隔でRSSフィードを取得
RSSコンテンツがユーザー指定のLLMサーバーに送信される
LLMがフィードを確認し、関心のあるトピックについてSentinelに報告
Slack webhookが設定されている場合、アラートが転送され、iOS/Androidで通知を受信可能（多くの場合、参照されたRSSコンテンツへのライブリンク付き）
オプションの一括分析により、長期的なトレンドを特定

コア機能

RSSフィード監視

RSSフィードの定期的なポーリング
重複排除とタイムスタンプ追跡
応答の遅いフィードや不正なフィードの処理（…まだ改善の余地あり）

LLMベースの分析（オプション）

RSSフィードアイテムをローカル/API LLMエンドポイントに送信
プロンプト駆動の分類、要約、フィルタリング
OpenAI互換の/v1/chat/completionsエンドポイントなら動作。LMStudio向けに設計

アラート / シグナル生成

Slack webhook対応（webhook設定についてはこちら：https://docs.slack.dev/messaging/sending-messages-using-incoming-webhooks/）
自動化に適した構造化出力
大規模ワークフローへの統合を想定

ローカル & セルフホスト

RSSフィードのポーリングやSlackへの返信（オプション）を除き、すべての情報は管理下のハードウェア上に残ります

必要条件

Python 3.10以上
requirements.txt に記載の依存関係：
- PySide6==6.10.0
- feedparser==6.0.12
- requests==2.31.0
- python-dateutil==2.9.0.post0

LLMのホスティング方法：

LM Studio（推奨）
Ollama
OpenAI APIキー
（間もなくさらに追加予定）

インストール

1. リポジトリをクローン（…またはZipをダウンロード）してフォルダに移動

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

2. （強く推奨）仮想環境を作成

macOS / Linux：

python3 -m venv venv
source venv/bin/activate

Windows（PowerShell）：

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

3. 依存関係をインストール

pip install -r requirements.txt

4. 実行

macOS / Linux：

python3 ShunyaNet_Sentinel.py

Windows：

python ShunyaNet_Sentinel.py

クイックスタート（LMStudio使用時）（更新日 02/23）

「プロンプトファイルを読み込む」をクリックし、default_prompt.txt を読み込みます
「データソースファイルを読み込む」をクリックし、Default_test RSSリストを読み込みます
「追加設定」を開き、以下を入力します：
- LM_PROVIDER = lmstudio
- LLM_BASE_URL = <あなたのLMSTUDIOサーバーIP、例：http://x.x.x.x:port/v1>
- LLM_MODEL = <空欄のままにすることをお勧めします。手順4を参照>
- API_KEY = <サーバーに設定していなければ空欄>
LM Studioでモデルを読み込みます。サーバー設定で「ローカルネットワークで提供」をオンにします。ヒント：
- 「モデルを読み込む」/モデル選択ウィンドウで、「モデル読み込みパラメータを手動で選択」をオンにします
- モデルの読み込みパラメータウィンドウで、最大同時予測を1に設定します（とりあえず）
- 推論タブで、利用可能な場合は思考機能をオフにするか最小化します
- 適度なサイズで良好に動作するモデル：gpt-oss-20b。思考は「低」に設定
猫をクリックします！（…または「取得/送信」を押すだけ）

詳細な手順と設定（更新日 2026/03/02）

関心のあるトピックを入力するか、提供されているデフォルトリストのいずれかを読み込みます。各リストには最大10個のトピックを追加できます。
「プロンプトファイルを読み込む」をクリックしてプロンプトファイルを読み込みます。 デフォルトのプロンプト（default_prompt.txt）が提供されています。
1. このプロンプトを調整・改良することをお勧めします。レポートの品質やLLMがノイズからシグナルを識別する能力が大幅に向上する可能性があります。カスタマイズの余地は非常に大きいです。
2. experimentalフォルダに default_prompt-always-reply.txt が含まれています。古いものですが、LLMの分析をデバッグ/テストし、正しい形式で何かを報告していることを確認するために使用できます。
3. 更新日 2026/03/02 別のプロンプトとして default_Summary-Report-Only_prompt.txt も提供されています。このバージョンはノイズからシグナルを選び出すのではなく、情報空間がトピックに関連するデータで豊富な場合に、関連するフィードをより大量に要約することを目的としています。したがって、探している「イベント」が発生した後に役立ちます。また、頻度を低く設定して使用するのが最適です（例：動きが速く広く報道されるイベントでは30分ごと、データが少ないものでは数時間ごと）。プロンプトと応答に十分なトークン割り当てが必要です。
「データソースファイルを読み込む」をクリックしてRSSリストを読み込みます。 2つのデフォルトリストが提供されています。短い「Default_test」リストと長い「Default_long」リスト（世界中のニュースと速報に焦点を当てています）。
1. 自分の地域や関心のトピックに合わせてリストをカスタマイズすると、情報の出力に大きな影響を与えます。最近の旅行で使用した地域に焦点を当てたリストの例（India_regional_example-v1.txt）と、イラン紛争に関する例も含まれています。
2. RedditやBlueskyは簡単にRSSフィードに変換できます。RSSBridgeのようなプログラムを使用すると、RSSフィードのないウェブサイトやソーシャルメディア（例：Telegram）からRSSフィードを生成することもできます。
3. 「Default_test」リストは、さまざまなRSSフィードを集めた短いリストです。最初のRSS取得を迅速かつ短くし、すべてのコンポーネントが正常に動作しているかどうかを診断できるようにすることを目的としています。
「追加設定」で以下のフィールドを設定します。 これらの設定は保存され、プログラムを終了して再起動しても保持されます。デフォルト設定はほとんどの構成で機能しますが、フィールド#1は自分で入力する必要があります：

モデルの読み込み（例：LMStudio、Ollama）またはAPIキーの取得（例：OpenAI）を行い、ShunyaNet SentinelのTOKENS_INPUTフィールドに入力した値を快適に超えるコンテキストウィンドウを設定してください。このプログラムは現在、LMStudio、Ollama、OpenAI（APIキー経由）と互換性があります。その後、ShunyaNet Sentinelの「追加設定」に移動し、LLMソリューションに応じて以下のフィールドを適切に入力してください：

LMSTUDIO

LLM_PROVIDER = lmstudio
LLM_BASE_URL = <LMStudioサーバーのURL、例：http://localhost:1234/v1>
LLM_MODEL = <オプション。空欄のままにしてLMStudioでモデルを直接読み込むことをお勧めします。どうしても必要な場合、形式は次のようになります：lmstudio-community/mistral-7b-instruct>
LLM_API_KEY = <認証キーを使用しない限り空欄>

OLLAMA

LLM_PROVIDER = ollama
LLM_BASE_URL = <OllamaサーバーのURL、例：http://localhost:11434/v1>
LLM_MODEL = llama3
LLM_API_KEY = <空欄のまま>

OPENAI（APIキー経由）

LLM_PROVIDER = openai
LLM_BASE_URL = （重要ではありません：このフィールドは無視されます）
LLM_MODEL = gpt-4o-mini
LLM_API_KEY = sk-xxxx

完了！ - 次に猫をクリックします！ （…または「取得/送信」を押すか、FETCH_INTERVALに設定した秒数だけ待ちます）

注意： 初回実行はシンプルに保つことをお勧めします。デフォルト設定を使用して正常に動作することを確認してください。その後、コンテキストとRSSフィードを調整してください。次にプロンプトを調整します。皆さんの改良されたプロンプトを見るのが楽しみです…。

ヒント、コツ、既知の問題

問題/警告：

Windows 11でSentinelが数時間後に自発的に終了します。原因は不明。エラーは発生しません。MacやLinuxではこの問題は発生しません。お使いのシステムでは異なる可能性があります！この問題が発生し、Windowsを使用する必要がある場合は、Virtual BoxでLinux/Ubuntuをセットアップすることをお勧めします（または、より良い解決策があれば提案してください！）。注意、このプログラムはRaspberry Piでも正常に動作します！
設定が不適切だとLLMやハードウェアに過負荷がかかる可能性があります。LLMがRSS取得間隔よりも確実に高速に処理および応答できることを確認してください。
LMStudioは最近、LLMが一度に複数のプロンプトを受け入れて処理できる機能（「並列」）を実装しました。このアプリでテストするまではオフにしておいてください。そうしないと、タイムアウトエラーや継続的なプロンプト処理のバックログが発生する可能性があります。
macOS（場合によってはLinux）でアプリを閉じるとエラーメッセージが表示されることがあります。プログラムの動作や安定性には影響しないようです。以前修正しましたが、再発しました。そのうちまた修正します…。
応答の遅いURLや404のURLはフィード取得を遅くする可能性があるため、時々ログを監視してそれらを取り除いてください。デフォルトのRSSリストにはいくつか含まれていますが、管理可能です。

提案：

最初の取得/送信はストレステストです：設定に対して最大フィード量を取得するため、古い情報が含まれている可能性があります。しかし、すべてが正常に動作しているかテストし、最も長いプロンプト処理時間を把握し、プロンプト、RSSリスト、トピックリストのパフォーマンスサンプルを得る良い方法です。
一部の「思考」モデルは不正な応答を生成したり、ループに陥ったりします。まずは思考をオフにすることをお勧めします。GPT OSSでは思考を「低」に設定すれば問題なく動作します。
RSSがデフォルトでないフィードをブロードキャストするための様々なトリックがあります（例：RSSBridgeを調べてみてください）。また、一部のソーシャルサイトは自動的にRSSフィードに変換できます（例：RedditのURLに.rssを追加する、BlueskyのプロファイルURLに/RSSを追加する）。
一部のサイト（特にReddit）はRSS取得をレート制限します。この問題を最小限にするために、RSS URLリストの順序をランダム化して、同じサイトにあまり頻繁にアクセスしないように強くお勧めします。

ステータス

アルファ版

ライセンス

このプロジェクトはApache 2.0の下でライセンスされています。

帰属：ShunyaNet / EverythingsComputer

無保証： 本ソフトウェアは「現状のまま」提供され、明示または暗示を問わずいかなる種類の保証もありません。

依存関係

このプロジェクトは以下のサードパーティライブラリを使用しています。このプロジェクトの使用、配布、および/または変更の際には、それぞれのライセンスを確認してください：

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

名前の由来

私の猫です。

LLM_PROVIDER	次のステップを参照	—	—
LLM_BASE_URL	次のステップを参照	—	—
LLM_MODEL	次のステップを参照	—	—
LLM_API_KEY	次のステップを参照	—	—
SLACK_WEBHOOK_URL	任意。Slackにアラートを送信するためのSlack webhook URL。	任意	`https://hooks.slack.com/services/...`
MAX_INPUT_TOKENS	RSS取得ごとにLLMに送信される最大トークン数。目安：1トークン ≈ 4文字。モデルのコンテキストサイズを超える場合は、チャンクモードを有効にしてください。	4000	LLMのコンテキストウィンドウに応じて慎重に増やしてください。
MAX_OUTPUT_TOKENS	LLMが応答で返す最大トークン数。（注意：これは上限であり、目標ではありません！）	4000	変更しないことをお勧めします。正直、4000はおそらく余裕がありすぎます。
MAX_INPUT_TOKENS_BULK	一括処理レポート用にLLMに送信されるRSSフィードの最大トークン長。一括処理が有効な場合、RSSフィードは保存され、特別なトレンド分析プロンプト（現時点ではハードコード済み）とともに送信されます。この場合はチャンクは使用されないため、コンテキスト制限を超えないようにしてください。	4000	意味のある一括レポートを得るには増やす必要があるでしょう。VRAMとコンテキスト制限に負荷がかかる可能性があります。最初は一括モードを無効にすることをお勧めします。
MAX_OUTPUT_TOKENS_BULK	一括処理レポート自体の最大トークン長。	4000	意味のある一括レポートを得るには増やす必要があるでしょう。VRAMとコンテキスト制限に負荷がかかる可能性があります。最初は一括モードを無効にすることをお勧めします。
FETCH_INTERVAL	RSS取得とLLM分析の間の時間（秒）。	600（秒、つまり10分）	総処理時間より短く設定しないでください。バックログが発生する可能性があります。
ITEMS_PER_FEED	1サイクルあたりフィードごとに取得するRSSエントリの最大数。以前に取得したアイテムは無視されます。	50	値を大きくすると最初の取得が大きくなります。ほとんどのRSSフィードは10分間に20以上の新しいアイテムを生成しません。中にはもっと少ないものもあります。
USE_CHUNKED_MODE	RSSコンテンツがトークン許容量を超えた場合に自動分割を有効にします。`1 = オン`、`0 = オフ`。	1	コンテキストオーバーフローを防ぎますが、チャンク間でイベントレポートが重複する可能性があります。
CHUNK_SIZE	各チャンクのサイズ（文字数、トークンではありません）。	8000	おおよその変換：4文字 ≈ 1トークン。繰り返します：これは文字数です。トークンであるべきですか？おそらくそうですが、そうではありません。
WRITE_TO_FILE	任意。取得したすべてのRSSコンテンツをロールファイルに書き込み、外部ベンチマーク、プロンプトテスト、モデル比較に使用します。Sentinelのコア機能には影響しません。`1 = オン`、`0 = オフ`。	0	オフラインのLLMテストと評価に便利です。
ANALYSIS_WINDOW	各一括処理レポートで使用する時間間隔。	3600（秒、つまり1時間）	一括処理が有効な場合のみ使用されます。
BULK_ANALYSIS	定期的な一括RSSトレンドレポートを有効にします。`1 = オン`、`0 = オフ`。通常のレポートに比べて非常に実験的です。特別なプロンプトは現時点ではハードコードされています。	0	蓄積されたRSSフィードをLLMに送信し、単一のトレンド分析レポートを生成します。処理負荷が大幅に増加する可能性があります。

ShunyaNet-Sentinel

人気