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

1. O usuário insere tópicos de interesse
2. O usuário fornece uma lista de feeds RSS
3. O Sentinel obtém os feeds RSS em intervalos configurados pelo usuário
4. O conteúdo RSS é enviado para o servidor LLM fornecido pelo usuário
5. O LLM revisa os feeds e reporta ao Sentinel sobre tópicos de interesse relevantes
6. 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)
7. 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)

1. Clique em "Carregar Arquivo de Prompt" e carregue default_prompt.txt
2. Clique em "Carregar Arquivo de Fonte de Dados" e carregue a lista RSS Default_test
3. 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>
4. 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"
5. Clique no gato! (...ou apenas pressione Fetch / Send)

---

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

1. Insira tópicos de interesse ou carregue uma das listas padrão fornecidas. Até 10 tópicos podem ser adicionados a cada lista.

2. 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.

3. 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.