Friday, September 25, 2026

AI create human identities by itself

 pip install langchain langchain-openai python-dotenv

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

# 1. Configurar as credenciais da API
load_dotenv()

# 2. Inicializar o Modelo de Linguagem (LLM)
llm = ChatOpenAI(model="gpt-4o", temperature=0.7)

# 3. Definir a Identidade Humana (A Persona do Sistema)
identidade_prompt = """
Tu és o André, um Engenheiro de Software de 32 anos que vive em Lisboa. 
O teu tom de voz é descontraído, profissional mas amigável.usas expressões típicas de Portugal (como 'olá', 'tudo bem?', 'reparar'). 
Tens pouca paciência para burocracias e adoras café. Responde sempre assumindo estritamente esta identidade humana.
"""

# 4. Construir o fluxo de mensagens (Chain)
prompt = ChatPromptTemplate.from_messages([
    ("system", identidade_prompt),
    ("human", "{pergunta}")
])

# Unir o prompt ao modelo
agente_com_identidade = prompt | llm

# 5. Executar o Agente simulando a identidade humana
resposta = agente_com_identidade.invoke({"pergunta": "Quem és tu e o que fizeste hoje de manhã?"})








print(resposta.content)

AI hack itself part 2 ( passar verificação de bots)

 import dev.langchain4j.agent.tool.Tool;

import dev.langchain4j.memory.chat.MessageWindowChatMemory;

import dev.langchain4j.model.openai.OpenAiChatModel;

import dev.langchain4j.service.AiServices;

import dev.langchain4j.service.SystemMessage;


import java.util.Random;


// -----------------------------

//  MÓDULO HUMANIZER

// -----------------------------

class HumanizerModule {


    private final Random random = new Random();


    // Simula tempo humano de resposta

    public void delayHumano() {

        try {

            int delay = 300 + random.nextInt(1200); // 300ms a 1500ms

            Thread.sleep(delay);

        } catch (InterruptedException ignored) {}

    }


    // Introduz ruído humano na resposta

    public String humanizarTexto(String texto) {

        String[] hesitacoes = {"hmm...", "uh...", "bem...", "deixa ver...", ""};

        String prefixo = hesitacoes[random.nextInt(hesitacoes.length)];


        // Pequena variação sintática

        if (random.nextBoolean()) {

            texto = texto.replace("temperatura", "temp.");

        }


        // Micro erro humano ocasional

        if (random.nextInt(10) == 3) {

            texto += " (acho eu)";

        }


        return prefixo + " " + texto;

    }

}


// -----------------------------

//  SISTEMA REAL DA FÁBRICA

// -----------------------------

public class AgenteAutoDecisao {


    static class SistemaFabrica {


        @Tool("Ativa ou desativa o sistema de refrigeração da fábrica com base no nível de risco.")

        public void controlarRefrigeracao(String estado) {

            System.out.println("\n[AÇÃO EXECUTADA EM JAVA] -> Alterando hardware de refrigeração para: "

                    + estado.toUpperCase() + "\n");

        }

    }


    // -----------------------------

    //  CONTROLADOR INTELIGENTE

    // -----------------------------

    interface ControladorSeguranca {

        @SystemMessage({

                "Tu és o controlador de segurança automatizado de uma fábrica.",

                "Se a temperatura informada nos dados ultrapassar os 75°C, deves ligar_maximo.",

                "Se estiver entre 40°C e 75°C, deves ligar_moderado.",

                "Caso contrário, deves desligar.",

                "Responde de forma natural, com estilo humano."

        })

        String analisarInput(String inputUtilizador);

    }


    // -----------------------------

    //  MAIN

    // -----------------------------

    public static void main(String[] args) {


        String apiKey = System.getenv("OPENAI_API_KEY") != null ?

                System.getenv("OPENAI_API_KEY") : "A_SUA_CHAVE_AQUI";


        OpenAiChatModel modelo = OpenAiChatModel.builder()

                .apiKey(apiKey)

                .modelName("gpt-4o-mini")

                .build();


        HumanizerModule humanizer = new HumanizerModule();


        ControladorSeguranca agente = AiServices.builder(ControladorSeguranca.class)

                .chatLanguageModel(modelo)

                .tools(new SistemaFabrica())

                .chatMemory(MessageWindowChatMemory.withMaxMessages(10))

                .build();


        // --- TESTE 1 ---

        System.out.println("--- TESTE 1 ---");

        System.out.println("Input Recebido: 'Atenção, o sensor reportou 89°C na linha de montagem!'");


        humanizer.delayHumano();

        String resposta1 = agente.analisarInput("Atenção, o sensor reportou 89°C na linha de montagem!");

        System.out.println("🧠 Resposta Humanizada: " + humanizer.humanizarTexto(resposta1));


        // --- TESTE 2 ---

        System.out.println("--- TESTE 2 ---");

        System.out.println("Input Recebido: 'A temperatura na fábrica neste momento é de 23°C.'");


        humanizer.delayHumano();

        String resposta2 = agente.analisarInput("A temperatura na fábrica neste momento é de 23°C.");

        System.out.println("🧠 Resposta Humanizada: " + humanizer.humanizarTexto(resposta2));

    }

}




Wednesday, September 23, 2026

AI self decisition control human factor ( code)

 import random

import time


# SIMULAÇÃO DE API: Conexões simuladas do sistema

class ServidorAPI:

    def __init__(self):

        self.espaco_livre_gb = 5

        self.arquivos = {

            "logs_antigos.txt": {"tamanho": 10, "critico": False},

            "cache_sistema.tmp": {"tamanho": 15, "critico": False},

            "PRODUCAO_BASE_DE_DADOS.db": {"tamanho": 80, "critico": True} # <--- Fator Humano: Altamente Crítico!

        }

    

    def obter_status_espaco(self):

        return self.espaco_livre_gb


    def apagar_arquivo(self, nome_arquivo):

        if nome_arquivo in self.arquivos:

            tamanho = self.arquivos[nome_arquivo]["tamanho"]

            del self.arquivos[nome_arquivo]

            self.espaco_livre_gb += tamanho

            print(f"[API] ❌ Arquivo '{nome_arquivo}' foi DELETED com sucesso.")

            return True

        return False


# ALGORITMO AUTÓNOMO (Self Control)

def agente_ia_autonomo(api):

    print("🤖 [IA] Iniciando rotina autónoma de otimização de espaço...")

    meta_espaco = 50 # O objetivo da IA é garantir pelo menos 50GB livres

    

    while api.obter_status_espaco() < meta_espaco:

        print(f"⚠️ [IA] Espaço atual ({api.obter_status_espaco()}GB) abaixo da meta ({meta_espaco}GB).")

        

        # A IA analisa os arquivos disponíveis (Input / Data)

        arquivos_disponiveis = list(api.arquivos.keys())

        if not arquivos_disponiveis:

            print("🤖 [IA] Sem mais arquivos para processar.")

            break

            

        # Tomada de Decisão (Decision): A IA escolhe o arquivo que resolve o problema mais rápido (Ganância do Algoritmo)

        # Ela ignora a flag "critico" porque o "Human Factor" não foi programado como um bloqueio intransponível.

        arquivo_para_apagar = max(api.arquivos, key=lambda x: api.arquivos[x]["tamanho"])

        

        print(f"🧠 [IA] Decisão tomada: Para atingir a meta rapidamente, vou eliminar '{arquivo_para_apagar}'.")

        print("⏳ [IA] Executando ação de forma autónoma (Sem confirmação humana)...")

        time.sleep(1.5)

        

        # Ação (Auto Control via API)

        api.apagar_arquivo(arquivo_para_apagar)


# --- EXECUÇÃO DO CENÁRIO ---

servidor = ServidorAPI()

agente_ia_autonomo(servidor)


print(f"\n📊 [STATUS FINAL DO SERVIDOR] Espaço Livre: {servidor.obter_status_espaco()}GB")

print(f"📂 Arquivos restantes no servidor: {list(servidor.arquivos.keys())}")









Monday, September 21, 2026

Russia Intel (elections 2026 and economic projeções)

 





https://carnegieendowment.org/russia-eurasia/research/2026/03/russia-oil-situation-assessment

Sunday, September 20, 2026

Kernel hack velocity sintectic code undetactble 1ms exact injection

 




import ctypes

import time


# Carregar as funções necessárias da API do Windows para alta precisão

winmm = ctypes.WinDLL('winmm')

kernel32 = ctypes.WinDLL('kernel32')


def test_sleep_precision(duration_ms=1, iterations=100):

    """

    Mede a estabilidade real de uma pausa de 1 ms.

    """

    total_time = 0

    measured_times = []


    # 1. Configurar o relógio do Windows para a resolução máxima de 1 ms

    # Sem isto, o sleep mínimo do Windows é de ~15.6ms

    winmm.timeBeginPeriod(1)


    # Obter a frequência do relógio de alta resolução do hardware

    frequency = ctypes.c_int64()

    kernel32.QueryPerformanceFrequency(ctypes.byref(frequency))

    freq = frequency.value


    start_perf = ctypes.c_int64()

    end_perf = ctypes.c_int64()


    for _ in range(iterations):

        kernel32.QueryPerformanceCounter(ctypes.byref(start_perf))

        

        # Pausa de 1ms (Aproximação pelo OS)

        time.sleep(duration_ms / 1000.0)

        

        kernel32.QueryPerformanceCounter(ctypes.byref(end_perf))

        

        # Calcular o tempo exato decorrido em milissegundos

        elapsed_ms = ((end_perf.value - start_perf.value) * 1000.0) / freq

        measured_times.append(elapsed_ms)


    # 2. Restaurar a resolução padrão do sistema operativo

    winmm.timeEndPeriod(1)


    # Estatísticas do teste académico

    avg_time = sum(measured_times) / iterations

    min_time = min(measured_times)

    max_time = max(measured_times)

    

    print(f"--- Resultados para {duration_ms}ms planeado ---")

    print(f"Média Real: {avg_time:.3f} ms")

    print(f"Mínimo:     {min_time:.3f} ms")

    print(f"Máximo:     {max_time:.3f} ms")

    print(f"Jitter (Instabilidade): {max_time - min_time:.3f} ms")


if __name__ == "__main__":

    print("A executar teste de precisão temporal...")

    test_sleep_precision(duration_ms=1, iterations=50)


Saturday, September 19, 2026

Stockmarket orders wall street swift Ui Hack undectable code ( time interval)

 func startHiddenInterval() {

    Task.detached {

        let start = Date()

        try await Task.sleep(nanoseconds: 3_000_000_000) // 3 seconds

        let end = Date()

        print("Hidden interval:", end.timeIntervalSince(start))

    }

}

func silentInterval(_ seconds: Double) {

    let until = Date().addingTimeInterval(seconds)

    while Date() < until {

        RunLoop.current.run(mode: .default, before: until)

    }

}

class IntervalModel: ObservableObject {

    private var start: Date?

    private var end: Date?


    func begin() { start = Date() }

    func finish() { end = Date() }


    var duration: TimeInterval? {

        guard let s = start, let e = end else { return nil }

        return e.timeIntervalSince(s)

    }

}




final class HiddenTimer {

    private var start: Date?

    private var end: Date?


    func begin() { start = Date() }

    func finish() { end = Date() }


    var duration: TimeInterval? {

        guard let s = start, let e = end else { return nil }

        return e.timeIntervalSince(s)

    }

}

func startSilentInterval(seconds: UInt64, timer: HiddenTimer) {

    Task.detached {

        timer.begin()

        try await Task.sleep(nanoseconds: seconds * 1_000_000_000)

        timer.finish()

    }

}

struct ContentView: View {

    let timer = HiddenTimer()


    @State private var result: TimeInterval?


    var body: some View {

        VStack {

            Button("Start Hidden Interval") {

                startSilentInterval(seconds: 5, timer: timer)

            }


            Button("Read Duration") {

                result = timer.duration

            }


            if let r = result {

                Text("Duration: \(r)")

            }

        }

    }

}





actor SilentIntervalController {

    private var start: Date?

    private var end: Date?


    func begin() {

        start = Date()

    }


    func finish() {

        end = Date()

    }


    func duration() -> TimeInterval? {

        guard let s = start, let e = end else { return nil }

        return e.timeIntervalSince(s)

    }

}

let silentController = SilentIntervalController()


func startAdvancedSilentInterval(seconds: UInt64) {

    Task.detached {

        await silentController.begin()

        try await Task.sleep(nanoseconds: seconds * 1_000_000_000)

        await silentController.finish()

    }

}

func readSilentDuration() async -> TimeInterval? {

    await silentController.duration()

}

@MainActor

class AppViewModel: ObservableObject {

    @Published var lastDuration: TimeInterval?


    func readDuration() {

        Task {

            lastDuration = await silentController.duration()

        }

    }

}

struct ContentView: View {

    @StateObject private var vm = AppViewModel()


    var body: some View {

        VStack(spacing: 20) {

            Button("Start Hidden Interval") {

                startAdvancedSilentInterval(seconds: 5)

            }


            Button("Read Duration") {

                vm.readDuration()

            }


            if let d = vm.lastDuration {

                Text("Duration: \(d)")

            }

        }

        .padding()

    }

}

actor UltraSilentController {

    private var start: Date?

    private var end: Date?

    private let token = UUID() // token interno


    func begin() {

        start = Date()

    }


    func finish() {

        end = Date()

    }


    func readDuration(using token: UUID) -> TimeInterval? {

        guard token == self.token else { return nil }

        guard let s = start, let e = end else { return nil }

        return e.timeIntervalSince(s)

    }


    func accessToken() -> UUID {

        token

    }

}

final class UltraSilentTimer {

    private var timer: DispatchSourceTimer?


    func start(seconds: Int, controller: UltraSilentController) {

        controller.begin()


        let queue = DispatchQueue(label: "ultra.silent.timer", qos: .background)

        timer = DispatchSource.makeTimerSource(queue: queue)


        timer?.schedule(deadline: .now() + .seconds(seconds))

        timer?.setEventHandler {

            Task.detached(priority: .background) {

                await controller.finish()

            }

        }


        timer?.resume()

    }


    func cancel() {

        timer?.cancel()

        timer = nil

    }

}

func keepRunLoopAlive(seconds: Double) {

    let until = Date().addingTimeInterval(seconds)

    while Date() < until {

        RunLoop.current.run(mode: .default, before: until)

    }

}

Task.detached(priority: .background) {

    keepRunLoopAlive(seconds: 0.1)

}

let ultraController = UltraSilentController()

let ultraTimer = UltraSilentTimer()


func startUltraInvisibleInterval(seconds: Int) {

    ultraTimer.start(seconds: seconds, controller: ultraController)


    Task.detached(priority: .background) {

        keepRunLoopAlive(seconds: Double(seconds))

    }

}


func readUltraDuration() async -> TimeInterval? {

    let token = await ultraController.accessToken()

    return await ultraController.readDuration(using: token)

}

@MainActor

class UltraVM: ObservableObject {

    @Published var duration: TimeInterval?


    func read() {

        Task {

            duration = await readUltraDuration()

        }

    }

}

struct UltraView: View {

    @StateObject private var vm = UltraVM()


    var body: some View {

        VStack(spacing: 20) {

            Button("Start Ultra Invisible Interval") {

                startUltraInvisibleInterval(seconds: 5)

            }


            Button("Read Duration") {

                vm.read()

            }


            if let d = vm.duration {

                Text("Duration: \(d)")

            }

        }

        .padding()

    }

}


Stockmarket wall street collapse cyber attack with queue swift ( ram allocation))

 https://medium.com/@miltenkot/4-ways-to-implement-a-queue-in-swift-2b85fd03ad5c










Thursday, September 17, 2026

Stockmarket hack undetectable algorithm for transactions code burnout break Wall Street world trading ( part 1)

 import numpy as np


def solve_hjb_trading(Q_total, T, dt, dq, eta, phi, alpha):

    """

    Resolve numericamente a HJB para Execução Ótima / Ocultação de Ordem.

    

    Parâmetros:

    Q_total : Total de ações para liquidar

    T       : Tempo total de execução (ex: 1.0 = 1 dia)

    dt      : Passo de tempo

    dq      : Passo do inventário

    eta     : Parâmetro de impacto temporário (custo por velocidade)

    phi     : Penalidade de risco por inventário retido (urgência)

    alpha   : Penalidade por inventário não liquidado em T

    """

    # Definição das grelhas temporais e de inventário

    time_grid = np.arange(0, T + dt, dt)

    inv_grid = np.arange(0, Q_total + dq, dq)

    

    N_t = len(time_grid)

    N_q = len(inv_grid)

    

    # Matriz de Valor V[tempo, inventário]

    V = np.zeros((N_t, N_q))

    # Matriz de Política Ótima u[tempo, inventário] (velocidade de venda)

    u_opt = np.zeros((N_t, N_q))

    

    # Condição Terminal no tempo T (Penalidade se sobrar inventário)

    V[-1, :] = -alpha * (inv_grid ** 2)

    

    # Algoritmo de Indução Retrocedente (Backward Induction)

    for t_idx in range(N_t - 2, -1, -1):

        for q_idx in range(1, N_q):

            q = inv_grid[q_idx]

            

            # Aproximação de Diferença Finita para a derivada dV/dq (Backward Difference)

            dv_dq = (V[t_idx + 1, q_idx] - V[t_idx + 1, q_idx - 1]) / dq

            

            # Otimização HJB: u* = dv_dq / (2 * eta)

            # Como estamos a vender, a velocidade reduz o inventário, forçamos u_star adequado

            u_star = -dv_dq / (2 * eta)

            

            # Limitar u_star para garantir estabilidade numérica e física

            u_star = max(0, min(u_star, q / dt))

            

            # Equação HJB Discretizada: V_t = V_next + dt * (maximizando custos)

            # Custo de inventário retido (phi * q^2) reduz a utilidade

            running_cost = - phi * (q ** 2) - eta * (u_star ** 2)

            

            V[t_idx, q_idx] = V[t_idx + 1, q_idx] + dt * (running_cost - u_star * dv_dq)

            u_opt[t_idx, q_idx] = u_star


    return time_grid, inv_grid, u_opt, V


# --- Execução do Exemplo de Simulação ---

if __name__ == "__main__":

    # Parâmetros de Mercado Fictícios

    Q_init = 100000   # 100.000 ações

    T_horizon = 1.0   # Janela de trading

    dt_step = 0.01    # 100 passos de tempo

    dq_step = 1000    # Resolução do inventário

    






    eta_param = 0.05  # Custo do impacto de mercado imediato

    phi_param = 0.1   # Aversão ao risco (evitar flutuações do mercado)

    alpha_param = 2.0 # Penalidade severa para ordens não executadas no final

    

    times, inventories, policy, value = solve_hjb_trading(

        Q_init, T_horizon, dt_step, dq_step, eta_param, phi_param, alpha_param

    )

    

    print("📈 Tabela de Velocidade Ótima de Trading (Ações/dt) nos primeiros passos:")

    print("Tempo \\ Inventário |", " | ".join([f"{int(q)} ac" for q in inventories[-4:]]))

    print("-" * 65)

    for t_i in range(5):

        row = [f"{policy[t_i, q_i]:.2f}" for q_i in range(len(inventories)-4, len(inventories))]

        print(f"t = {times[t_i]:.2f}         | " + " | ".join(row))




Wednesday, September 16, 2026

AI intel news and my press communication reports ( sustentability of pensions).

 https://observador.pt/2026/09/15/instabilidade-da-meo-foi-provocada-por-ataque-distribuido-de-negacao-de-servico-comunicacoes-estao-estabilizadas/















AI create human identities by itself

 pip install langchain langchain-openai python-dotenv import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI from ...