ShunyaNet Sentinel（更新于：2026年3月2日）

ShunyaNet Sentinel 是一个轻量级的、赛博朋克主题的程序，它接收 RSS 订阅源（例如突发新闻、社交媒体），将其发送给 LLM 进行分析，并定期将警报和摘要报告直接发送到 GUI 和 Slack。

该项目旨在利用与同一台机器或网络（例如通过 Tailscale）上本地托管的 LLM，使用 LMStudio 或 Ollama（02/23 更新）。它也适用于 OpenAI API 密钥（02/23 更新）。

在警报方面，该程序使用 Slack Webhooks，能够将推送通知发送到移动设备。

ShunyaNet Sentinel 兼容最新版本的 Linux、macOS 和 Windows*

报告和分析的质量受提示、上下文大小、RSS 订阅源和所选 LLM 的影响。建议关闭思考功能。那些表现良好且通常遵循指令的模型包括：

GPT OSS 20b（在 LMStudio 中将思考设置为“低”）
GPT OSS 120b（可能过于强大）
Hermes 4 70b（我的首选）
Gemma 3 27b it abliterated（mlabonne 的版本）
Qwen3 32b 和/或 VL 30b（我忘了是哪个……）

*强烈建议使用 macOS 或 Linux。请参阅下面的已知问题。

末尾有重要的技巧、窍门和已知信息！

高级工作流

用户输入感兴趣的主题
用户提供一份 RSS 订阅源列表
Sentinel 按用户配置的时间间隔拉取 RSS 订阅源
RSS 内容被发送到用户提供的 LLM 服务器
LLM 审查订阅源，并将有关感兴趣主题的结果报告给 Sentinel
如果配置了 Slack webhook，则转发警报，并且可以在 iOS/Android 上访问通知（通常包含所引用 RSS 内容的实时链接）
可选的批量分析识别随时间变化的趋势

核心能力

RSS 订阅源监控

定期轮询 RSS 订阅源
去重和时间戳追踪
处理缓慢或格式错误的订阅源（……这方面还有更多工作要做）

基于 LLM 的分析（可选）

将 RSS 订阅源项目发送到本地/API LLM 端点
基于提示的分类、摘要、过滤
适用于任何兼容 OpenAI 的 /v1/chat/completions 端点，专为 LMStudio 设计

警报 / 信号生成

Slack webhook 支持（关于 webhook 设置信息，请访问：https://docs.slack.dev/messaging/sending-messages-using-incoming-webhooks/）
适合自动化的结构化输出
设计用于集成到更大的工作流中

本地与自托管

除了轮询 RSS 订阅源或发送回复到 Slack（可选）之外，所有信息都保留在您控制的硬件上

要求

Python 3.10+
requirements.txt 中列出的依赖项：
- PySide6==6.10.0
- feedparser==6.0.12
- requests==2.31.0
- python-dateutil==2.9.0.post0

通过以下方式托管 LLM：

LM Studio 托管（推荐）
Ollama
OpenAI API 密钥
（即将推出更多）

安装

1. 克隆仓库（……或下载压缩包）并进入文件夹

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

2.（强烈推荐）创建虚拟环境

macOS / Linux：

python3 -m venv venv
source venv/bin/activate

Windows (PowerShell)：

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

3. 安装依赖

pip install -r requirements.txt

4. 运行

macOS / Linux：

python3 ShunyaNet_Sentinel.py

Windows：

python ShunyaNet_Sentinel.py

快速开始（使用 LMStudio）（更新于 02/23）

点击“加载提示文件”，加载 default_prompt.txt
点击“加载数据源文件”，加载 Default_test RSS 列表
打开“附加设置”，输入：
- LM_PROVIDER = lmstudio
- LLM_BASE_URL = <你的 LMSTUDIO 服务器 IP，例如：http://x.x.x.x:port/v1>
- LLM_MODEL = <建议留空。只需按照第 4 步操作>
- API_KEY = <留空，除非你为服务器设置了密钥>
在 LM Studio 中加载模型。在服务器设置中打开“在本地网络上提供服务”。提示：
- 在“加载模型”/模型选择窗口中，打开“手动选择模型加载参数”
- 在模型的加载参数窗口中，将最大并发预测设置为 1（暂时）
- 在推理选项卡中，如果可用，关闭或最小化思考功能。
- 一个表现不错的中等规模模型：gpt-oss-20b。将思考设置为“低”
点击猫！……（或者直接按“获取/发送”）

完整说明与配置（更新于 2026 年 3 月 2 日）

输入感兴趣的主题，或加载提供的默认列表之一。每个列表最多可添加 10 个主题。
点击“加载提示文件”来加载提示文件。 提供了一个默认提示（default_prompt.txt）。
鼓励您调整和修改此提示——这可能会显著提高报告质量以及 LLM 从噪声中识别信号的能力。这里有很大的定制空间。
在 experimental 文件夹中提供了一个 default_prompt-always-reply.txt。它已过时，但您可以用它来调试/测试 LLM 的分析，并确保它以正确的格式返回某些内容。
更新于 2026 年 3 月 2 日 还提供了一个 default_Summary-Report-Only_prompt.txt 提示。此版本不试图从噪声中挑选信号，而是在信息空间充满相关主题数据时，总结更大量的相关订阅源。因此，它更适合在您寻找的“事件”发生后使用。最好使用频率较低（例如，对于快速传播且广泛报道的事件，每半小时一次；对于报道数据较少的事件，每几小时一次），并为提示和回复分配较大的 token 限额。
点击“加载数据源文件”来加载 RSS 列表。 提供了两个默认列表。一个较短的 Default_test 列表和一个较长的 Default_long 列表，后者侧重于全球新闻和突发新闻。
根据您的地区或兴趣主题定制您自己的列表，将显著影响信息的输出。提供了一个我最近旅行时使用的地区示例列表（India_regional_example-v1.txt）。还包含一个伊朗冲突示例。
Reddit 和 Bluesky 可以轻松转换为 RSS 订阅源。某些程序（如 RSSBridge）也可以从没有 RSS 订阅源的网站和社交媒体（如 Telegram）生成 RSS 订阅源。
Default_test 列表是一个包含各种 RSS 订阅源的简短列表。目的是使第一次 RSS 拉取快速且简短，以便您可以诊断所有部分是否正常工作。
在“附加设置”中，设置以下字段。 这些设置将在您退出并重新启动程序后保存并持久化。默认设置适用于大多数配置——但您仍必须自己输入第一个字段：

加载您选择的模型（例如，在 LMStudio、Ollama 中）或获取您的 API 密钥（例如，用于 OpenAI），并确保将其上下文窗口设置得足够大，以舒适地超过您在 ShunyaNet Sentinel 的 TOKENS_INPUT 字段中输入的值。该程序目前设计为兼容 LMStudio、Ollama 和 OpenAI（通过 API 密钥）。然后，转到 ShunyaNet Sentinel 中的“附加设置”，并根据您的 LLM 解决方案填写以下字段：

LMSTUDIO

LLM_PROVIDER = lmstudio
LLM_BASE_URL = <你的 LMStudio 服务器 URL，例如：http://localhost:1234/v1>
LLM_MODEL = <可选。我建议留空，直接在 LMStudio 中加载模型。如果你必须设置，格式类似于：lmstudio-community/mistral-7b-instruct>
LLM_API_KEY = <留空，除非你使用身份验证密钥>

OLLAMA

LLM_PROVIDER = ollama
LLM_BASE_URL = <你的 LMStudio 服务器 URL，例如：http://localhost:11434/v1>
LLM_MODEL = llama3
LLM_API_KEY = <留空>

OPENAI（通过 API 密钥）

LLM_PROVIDER = openai
LLM_BASE_URL = （无关紧要：此字段被忽略）
LLM_MODEL = gpt-4o-mini
LLM_API_KEY = sk-xxxx

完成！——现在点击猫！ ……（或按“获取/发送”，或只需等待您在 FETCH_INTERVAL 中设置的秒数）

注意： 我建议您第一次运行时保持简单。使用默认设置并确保它正常工作。然后，调整上下文和 RSS 订阅源。然后，调整提示。我很好奇看到人们改进后的提示……。

技巧、窍门与已知问题

问题/警告：

Sentinel 在 Windows 11 上运行数小时后会自发退出。原因不明。未抛出错误。在 Mac 或 Linux 上没有这个问题——也许您的系统会有所不同！如果您遇到此问题并且必须使用 Windows，那么我建议您设置一个带有 Linux/Ubuntu 的虚拟机（或者如果您有更好的解决方案，请提出建议）。注意，这个程序在树莓派上运行良好！
糟糕的配置选择可能会使您的 LLM 或硬件过载。确保您的 LLM 能够可靠地处理并以快于 RSS 拉取间隔的速度回复。
LMStudio 最近实现了 LLM 一次接受和处理多个提示的能力（“并行”）。在用此应用程序测试之前，请将其关闭，否则您可能会遇到超时错误和不断持续的提示处理积压。
在 MacOS（也可能是 Linux）上关闭应用程序时，有时会抛出错误消息。不过，这似乎不会影响程序的运行或其稳定性。我之前修复过一次，但又出现了。我会在……某个时候再次修复它。
一个缓慢或返回 404 错误的 URL 可能会减慢订阅源拉取速度，因此请偶尔监控您的日志以剔除它们。默认的 RSS 列表中包含一些此类 URL，但尚可管理。

建议：

第一次获取/发送是一次压力测试：它会为您的设置拉取最大订阅源量，因此很可能包含过时信息。然而，这是测试一切是否正常工作的好方法，了解您最长的提示处理时间，并获得关于您的提示、RSS 列表和主题列表将如何表现的样本。
一些“思考”模型会产生格式错误的回复或陷入循环。我建议首先关闭思考功能。对于 GPT OSS，将思考设置为“低”效果很好。
有各种技巧可以将没有默认 RSS 的订阅源广播出来（例如，研究 RSSBridge）。此外，一些社交网站可以自动转换为 RSS 订阅源（例如，在 Reddit URL 后添加 .rss，或在 Bluesky 个人资料 URL 后添加 /RSS）。
一些网站，特别是 Reddit，会对您的 RSS 拉取进行速率限制。为尽量减少此问题，我强烈建议您随机化 RSS URL 列表的顺序，以避免过快地访问同一站点。

状态

Alpha

许可证

本项目根据 Apache 2.0 许可证授权。

署名：ShunyaNet / EverythingsComputer

无担保： 本软件按“原样”提供，不提供任何明示或暗示的担保。

依赖项

本项目使用以下第三方库。在使用、分发和/或修改本项目时，请查看其许可证：

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

名称起源

我的猫。

LLM_PROVIDER	参见下一步	—	—
LLM_BASE_URL	参见下一步	—	—
LLM_MODEL	参见下一步	—	—
LLM_API_KEY	参见下一步	—	—
SLACK_WEBHOOK_URL	可选的 Slack webhook URL，用于向 Slack 发送警报。	可选	`https://hooks.slack.com/services/...`
MAX_INPUT_TOKENS	每次 RSS 拉取时发送给 LLM 的最大 token 数。经验法则：1 token ≈ 4 个字符。如果超过模型上下文大小，请启用分块模式。	4000	根据 LLM 的上下文窗口谨慎增加。
MAX_OUTPUT_TOKENS	LLM 在其回复中返回的最大 token 数。（注意：这是上限/上限，不是目标！）	4000	建议您不要更改。说实话，4000 也许有点太大了。
MAX_INPUT_TOKENS_BULK	为批量处理报告发送给 LLM 的 RSS 订阅源的最大 token 长度。当批量处理启用时，RSS 订阅源被保存并连同特殊的趋势分析提示（目前是硬编码的提示）一起发送。此功能从不使用分块，因此不要超过您的上下文限制。	4000	可能需要增加才能生成有意义的批量报告。可能会占用 VRAM 和上下文限制。建议初始禁用批量模式。
MAX_OUTPUT_TOKENS_BULK	批量处理报告本身的最大 token 长度。	4000	可能需要增加才能生成有意义的批量报告。可能会占用 VRAM 和上下文限制。建议初始禁用批量模式。
FETCH_INTERVAL	RSS 拉取和 LLM 分析之间的时间间隔（秒）。	600（秒，即 10 分钟）	不要设置得低于总处理时间，否则可能发生积压。
ITEMS_PER_FEED	每个周期每个订阅源拉取的最大 RSS 条目数。之前拉取的项目会被忽略。	50	较高的值会产生更大的首次拉取。大多数 RSS 订阅源每 10 分钟不会产生超过 20 个新项目，有些更少。
USE_CHUNKED_MODE	启用自动拆分 RSS 内容（如果超过 token 限额）。`1 = 开启`，`0 = 关闭`。	1	防止上下文溢出，但可能跨片段重复事件报告。
CHUNK_SIZE	每个分块的大小，单位为字符（不是 token）。	8000	近似转换：4 个字符 ≈ 1 个 token。我重复一遍：这是以字符为单位。应该用 token 吗？可能吧！但事实并非如此。
WRITE_TO_FILE	可选。将所有拉取的 RSS 内容写入滚动文件，用于外部基准测试、提示测试或模型比较。不影响核心 Sentinel 功能。`1 = 开启`，`0 = 关闭`。	0	适用于离线 LLM 测试和评估。
ANALYSIS_WINDOW	每个批量处理报告使用的时间间隔。	3600（秒，即 1 小时）	仅在启用批量处理时使用。
BULK_ANALYSIS	启用定期的批量 RSS 趋势报告。`1 = 开启`，`0 = 关闭`。相对于常规报告来说非常实验性。特殊提示目前是硬编码的。	0	将累积的 RSS 订阅源发送给 LLM 以生成单一趋势分析报告。可能会显著增加处理负载。

ShunyaNet-Sentinel

最受欢迎