Data

Tools

Indexes

Applications

Experiments

Awesome

An open API service indexing awesome lists of open source software.

https://github.com/palumbou/another_rss_telegram_bot

Another RSS Telegram Bot - A Kiro experiment
https://github.com/palumbou/another_rss_telegram_bot

aws bedrock bot kiro telegram

Last synced: 4 months ago
JSON representation

Another RSS Telegram Bot - A Kiro experiment

Awesome Lists containing this project

README 

          
# Another RSS Telegram Bot



Un bot serverless generico e riutilizzabile che monitora feed RSS e invia aggiornamenti automatici ai canali Telegram configurati.



> **Lingue disponibili**: [English](README.md) | [Italiano (corrente)](README.it.md)



## Panoramica



Questo progetto è un **esperimento con Kiro AI** per esplorare lo sviluppo assistito dall'AI dalla specifica dei requisiti all'implementazione e testing. Il sistema è completamente generico e deployabile su AWS con automazione dell'infrastruttura.



### Caratteristiche Principali



- **Monitoraggio RSS**: Controllo periodico di feed RSS configurabili

- **Filtro 24 Ore**: Elabora solo item pubblicati nelle ultime 24 ore

- **Deduplicazione**: Evita contenuti duplicati usando DynamoDB

- **Riassunti AI**: Genera riassunti in italiano usando Amazon Bedrock Nova Micro con fallback

- **Integrazione Telegram**: Invio automatico di messaggi formattati

- **Gestione Errori**: Gestione robusta degli errori con Dead Letter Queue

- **Logging Strutturato**: Sistema di logging completo per debugging

- **Monitoraggio**: Dashboard CloudWatch e metriche personalizzate

- **Pipeline CI/CD**: Deployment automatizzato con AWS CodePipeline e S3



### Modelli AI



Il bot supporta tre modelli Amazon Bedrock per generare riassunti in italiano. Puoi scegliere quale modello utilizzare al momento del deployment:



**Default: Amazon Nova Micro** (`amazon.nova-micro-v1:0`)

- Economico per riassunti ad alto volume

- Tempi di risposta rapidi (< 1 secondo per riassunto)

- Buona qualità nelle traduzioni italiane

- Disponibile tramite profilo di inferenza cross-region

- Deploy con: `./scripts/deploy.sh -m nova-micro`



**Premium: Mistral Large** (selezione regionale intelligente)

- Eccellente traduzione multilingua (EN→IT, FR, ES, DE)

- Reasoning e comprensione del contesto superiori

- Usa Mistral Large 3 (675B MoE) in 6 regioni, Large 24.02 nelle altre

- Ideale per deployment focalizzati sulla qualità

- Costo: ~$0.78/mese per 150 articoli

- Deploy con: `./scripts/deploy.sh -m mistral-large`



**Alternativa: Llama 3.2 3B Instruct** (`us.meta.llama3-2-3b-instruct-v1:0`)

- Eccellente per riassunti e traduzioni

- Migliore nel seguire le istruzioni

- Qualità italiana superiore

- Costo leggermente più alto ma risultati migliori

- Deploy con: `./scripts/deploy.sh -m llama-3b`



Per un confronto dettagliato dei modelli, opzioni di configurazione e come scegliere il modello giusto per il tuo caso d'uso, vedi la [Guida Modelli AI](docs/MODELS.it.md).



### Esempio di Output



Ecco come appaiono i messaggi del bot su Telegram:



![Esempio Messaggi Telegram](docs/images/telegram-messages-example.png)



Ogni messaggio include:

- Un titolo conciso in italiano

- Tre punti elenco con le informazioni chiave

- Una sezione "Perché conta:" che spiega la rilevanza

- Link alla fonte dell'articolo originale



## Architettura



Sistema serverless su AWS con i seguenti componenti:



### Componenti AWS

- **Lambda Function**: Logica di elaborazione principale (Python 3.12)

- **DynamoDB**: Storage per deduplicazione con TTL di 90 giorni

- **EventBridge Scheduler**: Esecuzione programmata giornaliera

- **Secrets Manager**: Storage sicuro per token Telegram

- **Amazon Bedrock**: Generazione riassunti AI con modello Nova Micro

- **SQS Dead Letter Queue**: Gestione errori e retry

- **CloudWatch**: Logging, metriche e dashboard di monitoraggio

- **CodePipeline**: Build e deployment automatizzati (CI/CD)

- **S3**: Storage artifact e automazione pipeline



### Gestione dei Costi

Tutte le risorse AWS sono taggate con un tag `CostCenter` (impostato al nome del bot) per il tracciamento e l'allocazione dei costi. Questo permette:

- Analisi dei costi per istanza del bot

- Alert di budget per deployment

- Raggruppamento risorse in AWS Cost Explorer



### Componenti Codice

- `src/lambda_handler.py`: Entry point principale e orchestrazione

- `src/rss.py`: Gestione dei feed RSS con feedparser

- `src/telegram.py`: Integrazione con Telegram Bot API

- `src/summarize.py`: Generazione riassunti con Bedrock e fallback

- `src/dedup.py`: Sistema di deduplicazione con DynamoDB

- `src/config.py`: Gestione configurazione e variabili ambiente

- `src/models.py`: Modelli dati e strutture



## Avvio Rapido



### Prerequisiti



- AWS CLI configurato con credenziali appropriate

- Python 3.12 o compatibile

- Bot creato tramite @BotFather di Telegram

- Repository GitHub (per integrazione CodePipeline)



### Deployment



Il sistema utilizza uno stack CloudFormation unificato con AWS CodePipeline per il deployment automatizzato. Un singolo stack contiene tutte le risorse (Lambda, DynamoDB, EventBridge, CodePipeline, CodeBuild, ecc.). Vedi [docs/INFRASTRUCTURE.it.md](docs/INFRASTRUCTURE.it.md) per le istruzioni complete di setup.



## Configurazione



### Feed RSS



Il bot legge i feed RSS da un file `feeds.json`. Puoi personalizzare quali feed monitorare modificando questo file o fornendo il tuo.



**I feed predefiniti** includono contenuti relativi ad AWS. Vedi [FEEDS.IT.md](FEEDS.IT.md) per la documentazione completa su:

- Formato del file feed

- Come personalizzare i feed

- Esempi per diversi casi d'uso



### Feed RSS Predefiniti



Il `feeds.json` predefinito include questi feed AWS:

- AWS Blog: `https://aws.amazon.com/blogs/aws/feed/`

- AWS What's New: `https://aws.amazon.com/about-aws/whats-new/recent/feed/`

- AWS Security Blog: `https://aws.amazon.com/blogs/security/feed/`

- AWS Compute Blog: `https://aws.amazon.com/blogs/compute/feed/`

- AWS Database Blog: `https://aws.amazon.com/blogs/database/feed/`



### Personalizzazione



Puoi personalizzare i feed:

1. Modificando il file `feeds.json` nella root del progetto

2. Fornendo un file feeds personalizzato durante il deployment



Vedi [FEEDS.IT.md](FEEDS.it.md) per istruzioni dettagliate ed esempi.



## Avvio Rapido



### Prerequisiti



- **Account AWS**: Account AWS attivo con permessi appropriati

- **AWS CLI**: Installato e configurato con le tue credenziali

  ```bash

  # Configura AWS CLI con le tue credenziali

  aws configure

  # Oppure usa la variabile ambiente AWS_PROFILE

  export AWS_PROFILE=nome-tuo-profilo

  ```

- **Python 3.12** o compatibile

- **Bot creato** tramite @BotFather di Telegram

- **Accesso Bedrock**: Assicurati di avere accesso ai modelli Amazon Bedrock nella tua regione



### Deployment



```bash

# Deployment iniziale con modello predefinito (Nova Micro)

./scripts/deploy.sh \

  --telegram-token "TUO_BOT_TOKEN" \

  --chat-id "TUO_CHAT_ID"



# Deploy con Llama 3.2 3B per qualità superiore

./scripts/deploy.sh \

  --telegram-token "TUO_BOT_TOKEN" \

  --chat-id "TUO_CHAT_ID" \

  --model llama-3b



# Oppure con file feeds personalizzato

./scripts/deploy.sh \

  --telegram-token "TUO_BOT_TOKEN" \

  --chat-id "TUO_CHAT_ID" \

  --feeds-file /percorso/al/mio-feeds.json



# Salta prompt di conferma

./scripts/deploy.sh \

  --telegram-token "TUO_BOT_TOKEN" \

  --chat-id "TUO_CHAT_ID" \

  --yes

```



**Selezione Modello:**

- Ometti `--model` o usa `--model nova-micro` per deployment economico (default)

- Usa `--model llama-3b` per riassunti in italiano di qualità superiore



Per istruzioni complete di deployment e confronto dei modelli, vedi [docs/INFRASTRUCTURE.it.md](docs/INFRASTRUCTURE.it.md) e [docs/MODELS.it.md](docs/MODELS.it.md).



## Documentazione



- [Configurazione Feed RSS](FEEDS.it.md) - Come configurare e personalizzare i feed RSS

- [Guida Infrastruttura](docs/INFRASTRUCTURE.it.md) - Setup completo dell'infrastruttura

- [Guida Modelli AI](docs/MODELS.it.md) - Confronto modelli, selezione e configurazione

- [Processo di Sviluppo Kiro](docs/KIRO-PROMPT.it.md) - Metodologia di sviluppo assistito da AI

- [Prompts](prompts/README.it.md) - Template dei prompt AI

- [Script di Deployment](scripts/README.it.md) - Documentazione automazione deployment



## Metodologia di Sviluppo



Questo progetto è stato sviluppato usando lo **spec-driven development** con Kiro AI:



- ✅ Specifica completa dei requisiti usando il formato EARS

- ✅ Design architetturale con proprietà di correttezza

- ✅ Implementazione guidata da property-based testing

- ✅ Test automatizzati con Hypothesis per Python

- ✅ Infrastructure-as-Code con CloudFormation

- ✅ Deployment automatizzato con CodePipeline



## Licenza



Questo progetto è rilasciato sotto [Licenza Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)](LICENSE).



Sei libero di:

- Usare, copiare e modificare questo software per scopi non commerciali

- Condividere e distribuire il software



Alle seguenti condizioni:

- Attribuzione: Devi dare credito appropriato

- Non Commerciale: Non puoi usare il materiale per scopi commerciali



Per uso commerciale, contatta l'autore.



---



*Sviluppato come esperimento con Kiro AI Assistant*