ShunyaNet Sentinel (ATUALIZADO: 03/02/2026)

O ShunyaNet Sentinel é um programa leve, com tema cyberpunk, que ingere feeds RSS (ex.: notícias de última hora, redes sociais), os envia para um LLM para análise e entrega alertas e relatórios resumidos diretamente na GUI e no Slack em intervalos regulares.

O projeto foi construído para utilizar um LLM hospedado localmente na mesma máquina ou rede (ex.: com Tailscale) usando LMStudio ou Ollama (atualização 23/02). Também funcionará com uma chave de API da OpenAI (atualização 23/02).

Para alertas, o programa utiliza Webhooks do Slack, permitindo o envio de notificações push para um dispositivo móvel.

O ShunyaNet Sentinel é compatível com as versões mais recentes do Linux, MacOS e Windows*

A qualidade dos relatórios e análises é influenciada pelo prompt, tamanho do contexto, feeds RSS e LLM escolhidos. Recomenda-se desligar os recursos de pensamento. Modelos que parecem ter um bom desempenho e geralmente seguem instruções incluem:

GPT OSS 20b (pensamento definido como BAIXO no LMStudio)
GPT OSS 120b (provavelmente exagero)
Hermes 4 70b (meu preferido)
Gemma 3 27b it abliterated (versão do mlabonne)
Qwen3 32b e/ou VL 30b (esqueci qual...)

*Recomenda-se fortemente macOS ou Linux. Veja Problemas Conhecidos abaixo.

Veja Dicas, Truques e Problemas Conhecidos no final para informações importantes!

Fluxo de Trabalho de Alto Nível

O usuário insere tópicos de interesse
O usuário fornece uma lista de feeds RSS
O Sentinel obtém os feeds RSS em intervalos configurados pelo usuário
O conteúdo RSS é enviado para o servidor LLM fornecido pelo usuário
O LLM revisa os feeds e reporta ao Sentinel sobre tópicos de interesse relevantes
Se o webhook do Slack estiver configurado, os alertas são encaminhados e as notificações podem ser acessadas no iOS/Android (frequentemente com links ao vivo para o conteúdo RSS referenciado)
Análise em massa opcional identifica tendências ao longo do tempo

Capacidades Principais

Monitoramento de Feed RSS

Consulta periódica de feeds RSS
Deduplicação e rastreamento de carimbo de data/hora
Lida com feeds lentos ou malformados (...mais trabalho a ser feito aqui)

Análise Baseada em LLM (Opcional)

Envia itens de feed RSS para o endpoint LLM local/API
Classificação, sumarização e filtragem baseadas em prompt
Funciona com qualquer endpoint /v1/chat/completions compatível com OpenAI, projetado para LMStudio

Alertas / Geração de Sinal

Suporte a webhook do Slack (para informações de configuração do webhook, clique aqui: https://docs.slack.dev/messaging/sending-messages-using-incoming-webhooks/)
Saída estruturada adequada para automação
Projetado para integração em fluxos de trabalho maiores

Local e Auto-Hospedado

Além da consulta de feeds RSS ou envio de respostas para o Slack (opcional), todas as informações permanecem no hardware que você controla

Requisitos

Python 3.10+
Dependências listadas em requirements.txt:
- PySide6==6.10.0
- feedparser==6.0.12
- requests==2.31.0
- python-dateutil==2.9.0.post0

LLM hospedado via:

LMStudio (recomendado)
Ollama
Chave de API da OpenAI
(mais alguns em breve)

Instalação

1. Clonar o Repositório (...Ou Baixar o Zip) & Navegar até a Pasta

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

2. (Fortemente Recomendado) Criar Ambiente Virtual

macOS / Linux:

python3 -m venv venv
source venv/bin/activate

Windows (PowerShell):

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

3. Instalar os Requisitos

pip install -r requirements.txt

4. Executar

macOS / Linux:

python3 ShunyaNet_Sentinel.py

Windows:

python ShunyaNet_Sentinel.py

Início Rápido (com LMStudio) (ATUALIZADO 23/02)

Clique em "Carregar Arquivo de Prompt" e carregue default_prompt.txt
Clique em "Carregar Arquivo de Fonte de Dados" e carregue a lista RSS Default_test
Abra "Configurações Adicionais" e insira:
- LM_PROVIDER = lmstudio
- LLM_BASE_URL = <SEU IP DO SERVIDOR LMSTUDIO, ex.: http://x.x.x.x:port/v1>
- LLM_MODEL = <Recomendo deixar em branco. Siga o Passo 4>
- API_KEY = <deixe em branco, a menos que você tenha configurado uma para o seu servidor>
Carregue o modelo no LM Studio. Ative "Servir na Rede Local" nas Configurações do Servidor. Dicas:
- Na janela "Carregar Modelo"/seleção de modelo, ative "Escolher manualmente os parâmetros de carregamento do modelo"
- Na janela de parâmetros de carregamento do seu modelo, defina Previsões Concorrentes Máximas como 1 (por enquanto)
- Na guia de inferência, desligue ou minimize o pensamento, se essa configuração estiver disponível.
- Um modelo de tamanho moderado que funciona bem: gpt-oss-20b. Pensamento definido como "baixo"
Clique no gato! (...ou apenas pressione Fetch / Send)

Instruções Completas e Configuração (ATUALIZADO 03/02/2026)

Insira tópicos de interesse ou carregue uma das listas padrão fornecidas. Até 10 tópicos podem ser adicionados a cada lista.
Clique em "Carregar Arquivo de Prompt" para carregar um arquivo de prompt. Um prompt padrão é fornecido (default_prompt.txt).
1. Você é incentivado a ajustar e revisar este prompt - ele pode melhorar substancialmente a qualidade dos relatórios e a capacidade do LLM de identificar um sinal em meio ao ruído. Há MUITO espaço para personalização aqui.
2. Há um 'default_prompt-always-reply.txt' incluído na pasta experimental. Está desatualizado, mas você pode usá-lo para depurar/testar a análise do LLM e garantir que ele está reportando algo de volta no formato correto.
3. ATUALIZADO 03/02/2026 Um prompt 'default_Summary-Report-Only_prompt.txt' também é fornecido. Esta versão não busca extrair um sinal do ruído, mas sim resumir um volume maior de feeds relevantes quando o espaço de informação está rico em dados sobre o tópico. Portanto, é mais útil depois que o "evento" que você está procurando ocorreu. Também é melhor usado com menos frequência (ex.: a cada meia hora para um evento de rápida evolução e amplamente noticiado, ou a cada poucas horas para algo com menos dados relatados) e com uma grande margem de tokens para o prompt e a resposta.
Clique em "Carregar Arquivo de Fonte de Dados" para carregar uma lista RSS. Duas listas padrão são fornecidas. Uma lista curta "Default_test" e uma lista mais longa "Default_long", que foca em notícias mundiais e de última hora.
1. Personalizar suas próprias listas para sua região ou tópicos de interesse afetará significativamente a saída de informações. Um exemplo de lista focada em região que usei para uma viagem recente é fornecido ('India_regional_example-v1.txt'). Um exemplo sobre conflito no Irã também está incluído.
2. Reddit e BlueSky podem ser facilmente convertidos em feeds RSS. Programas como RSSBridge também podem gerar feeds RSS a partir de sites e redes sociais (ex.: Telegram) que não possuem um.
3. A lista "Default_test" é uma lista curta de vários feeds RSS. O objetivo é manter a primeira obtenção RSS rápida e curta, para que você possa diagnosticar se todas as peças estão funcionando como deveriam.
Em "Configurações Adicionais", defina os seguintes campos. Eles serão salvos e persistirão se você encerrar e reiniciar o programa. As configurações padrão funcionarão com a maioria das configurações - mas você ainda deve inserir o campo #1 manualmente:

Carregue seu modelo (ex.: no LMStudio, Ollama) ou adquira sua Chave de API (ex.: para OpenAI) de sua escolha e certifique-se de definir sua janela de contexto para exceder confortavelmente o valor que você insere nos campos TOKENS_INPUT do ShunyaNet Sentinel. O programa atualmente é projetado para ser compatível com LMStudio, Ollama e OpenAI (via Chave de API). Então, vá para "Configurações Adicionais" no ShunyaNet Sentinel e preencha os seguintes campos conforme apropriado para sua solução LLM:

LMSTUDIO

LLM_PROVIDER = lmstudio
LLM_BASE_URL = <URL do seu servidor LMStudio, ex.: http://localhost:1234/v1>
LLM_MODEL = <OPCIONAL. Recomendo deixar em branco e carregar seu modelo diretamente no LMStudio. Se necessário, o formato é como: lmstudio-community/mistral-7b-instruct>
LLM_API_KEY = <Deixe em branco, a menos que você use uma chave de autenticação>

OLLAMA

LLM_PROVIDER = ollama
LLM_BASE_URL = <URL do seu servidor LMStudio, ex.: http://localhost:11434/v1>
LLM_MODEL = llama3
LLM_API_KEY = = <deixe vazio/em branco>

OPENAI (VIA CHAVE DE API)

LLM_PROVIDER = openai
LLM_BASE_URL = (não importa: este campo é ignorado)
LLM_MODEL = gpt-4o-mini
LLM_API_KEY = sk-xxxx

Pronto! - Agora clique no gato! (...ou pressione "Fetch / Send", ou apenas aguarde o número de segundos que você definiu em FETCH_INTERVAL)

NOTA: Recomendo manter a simplicidade na primeira execução. Use as configurações padrão e verifique se funciona. Depois, ajuste o contexto e os feeds RSS. Em seguida, ajuste o prompt. Ficaria curioso para ver prompts melhorados das pessoas….

Dicas, Truques e Problemas Conhecidos

Problemas/Alertas:

O Sentinel sai espontaneamente no Windows 11 após algumas horas. Não sei por quê. Nenhum erro é lançado. Não tem esse problema no Mac ou Linux - e talvez seu sistema seja diferente! Se você encontrar esse problema e precisar usar o Windows, recomendo configurar uma máquina virtual com Linux/Ubuntu (ou sugira uma solução melhor, se tiver uma!). Nota: este programa funciona bem em um Raspberry Pi!
Escolhas de configuração inadequadas podem sobrecarregar seu LLM ou hardware. Certifique-se de que seu LLM possa processar e responder de forma confiável mais rápido que seu intervalo de coleta RSS.
O LMStudio recentemente implementou a capacidade ("parallel") para um LLM aceitar e processar mais de um prompt de cada vez. Desligue isso até testar com este aplicativo, caso contrário você pode ficar preso com erros de tempo limite e um acúmulo de processamento contínuo de prompts.
Uma mensagem de erro às vezes é exibida quando o aplicativo é fechado no MacOS, talvez também no Linux. No entanto, parece não afetar o funcionamento do programa ou sua estabilidade. Eu corrigi isso uma vez, mas voltou. Vou corrigir novamente …em algum momento.
Uma URL lenta ou 404 pode atrasar a coleta do feed, então monitore seus logs de vez em quando para eliminá-las. As listas RSS padrão incluem algumas delas, mas é gerenciável.

Sugestões:

A primeira coleta/envio é um teste de estresse: ela puxa o volume máximo de feed para suas configurações e, portanto, provavelmente contém informações desatualizadas. No entanto, é uma boa maneira de testar se tudo está funcionando, entender o tempo de processamento mais longo do seu prompt e obter uma amostra de como seu prompt, lista RSS e lista de tópicos se comportarão.
Alguns modelos de "pensamento" produzem respostas malformadas ou ficam presos em loops. Recomendo desligar o pensamento primeiro. Pensamento definido como "baixo" funciona bem para GPT OSS.
Há vários truques para transmitir feeds que não têm RSS por padrão (ex.: veja o RSSBridge). Além disso, alguns sites sociais podem ser convertidos em feeds RSS automaticamente (ex.: adicionar .rss a uma URL do Reddit, ou /RSS a uma URL de perfil do Bluesky.)
Alguns sites, especificamente o Reddit, limitarão a taxa de suas coletas RSS. Para minimizar esse problema, recomendo fortemente que você randomize a ordem de sua lista de URLs RSS para não acessar o mesmo site muito rapidamente.

Status

Alpha

Licença

Este projeto está licenciado sob a Apache 2.0.

Atribuição: ShunyaNet / EverythingsComputer

Sem Garantia: O software é fornecido "como está", sem garantia de qualquer tipo, expressa ou implícita.

Dependências

Este projeto utiliza as seguintes bibliotecas de terceiros. Revise suas licenças ao usar, distribuir e/ou alterar este projeto:

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

Origem do Nome

Meu gato.

LLM_PROVIDER	VEJA O PRÓXIMO PASSO	—	—
LLM_BASE_URL	VEJA O PRÓXIMO PASSO	—	—
LLM_MODEL	VEJA O PRÓXIMO PASSO	—	—
LLM_API_KEY	VEJA O PRÓXIMO PASSO	—	—
SLACK_WEBHOOK_URL	URL opcional do webhook do Slack para envio de alertas.	Opcional	`https://hooks.slack.com/services/...`
MAX_INPUT_TOKENS	Tokens máximos enviados ao LLM por coleta RSS. Regra geral: 1 token ≈ 4 caracteres. Se exceder o tamanho do contexto do modelo, ative o modo fragmentado.	4000	Aumente com cuidado dependendo da janela de contexto do seu LLM.
MAX_OUTPUT_TOKENS	Tokens máximos que o LLM enviará de volta em sua resposta. (nota: este é o máximo/teto, não o alvo!)	4000	Recomendo não alterar. 4000 é provavelmente espaço demais, para ser honesto.
MAX_INPUT_TOKENS_BULK	Comprimento máximo em tokens dos feeds RSS enviados ao LLM para relatórios de processamento em massa. Quando o processamento em massa está ativado, os feeds RSS são salvos e enviados juntamente com um prompt especial de análise de tendências (prompt codificado, por enquanto). Fragmentos nunca são usados para isso, então não exceda seu limite de contexto.	4000	Provavelmente precisa ser aumentado para relatórios em massa significativos. Pode sobrecarregar VRAM e limites de contexto. Recomenda-se desabilitar o modo em massa inicialmente.
MAX_OUTPUT_TOKENS_BULK	Comprimento máximo em tokens do próprio relatório de processamento em massa.	4000	Pode precisar ser aumentado para relatórios em massa significativos. Pode sobrecarregar VRAM e limites de contexto. Recomenda-se desabilitar o modo em massa inicialmente.
FETCH_INTERVAL	Tempo em segundos entre coletas RSS e análise do LLM.	600 (segundos, ou seja, 10 min)	Não defina menor que o tempo total de processamento ou pode ocorrer acúmulo.
ITEMS_PER_FEED	Número máximo de itens RSS obtidos por feed por ciclo. Itens obtidos anteriormente são ignorados.	50	Valores maiores criam uma primeira coleta maior. A maioria dos feeds RSS não produz muito mais que 20 novos itens a cada 10 minutos, alguns muito menos.
USE_CHUNKED_MODE	Ativa a divisão automática do conteúdo RSS se exceder a margem de tokens. `1 = Ligado`, `0 = Desligado`.	1	Previne transbordamento de contexto, mas pode duplicar o relato de eventos entre fragmentos.
CHUNK_SIZE	Tamanho de cada fragmento em caracteres (não em tokens).	8000	Conversão aproximada: 4 caracteres ≈ 1 token. REPITO: ISSO ESTÁ EM CARACTERES. Deveria ser em tokens? Provavelmente! Mas não é.
WRITE_TO_FILE	Opcional. Escreve todo o conteúdo RSS obtido em um arquivo contínuo para benchmarking externo, teste de prompts ou comparação de modelos. Não afeta a funcionalidade principal do Sentinel. `1 = Ligado`, `0 = Desligado`.	0	Útil para teste e avaliação offline do LLM.
ANALYSIS_WINDOW	Intervalo de tempo usado para cada relatório de processamento em massa.	3600 (segundos, ou seja, 1h)	Usado apenas quando o Processamento em Massa está ativado.
BULK_ANALYSIS	Ativa relatórios periódicos de tendências RSS em massa. `1 = Ligado`, `0 = Desligado`. Muito experimental em relação aos relatórios rotineiros. O prompt especial é codificado, por enquanto.	0	Envia feeds RSS acumulados para o LLM para um único relatório de análise de tendências. Pode aumentar significativamente a carga de processamento.

ShunyaNet-Sentinel

Mais Populares