# TrendRadar 中集成 MCP 实现多平台 AI 驱动分析：趋势追踪与情感分析 > TrendRadar 通过 MCP 协议集成 AI 分析，覆盖 35 个平台，实现热点趋势追踪、情感分析和相似检索。支持 Docker 部署和多渠道推送通知，帮助用户高效监控舆情，无需编程。 ## 元数据 - 路径: /posts/2025/11/16/integrate-mcp-in-trendradar-for-multi-platform-ai-analysis/ - 发布时间: 2025-11-16T01:46:32+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在信息爆炸的时代，如何高效捕捉和分析多平台热点已成为关键挑战。TrendRadar 项目巧妙集成 MCP（Model Context Protocol）协议，为用户提供 AI 驱动的多平台分析能力，涵盖趋势追踪、情感分析和相似检索等功能。这种集成不仅简化了部署过程，还通过 Docker 和推送通知实现实时监控，避免了传统工具的信息过载问题。 TrendRadar 的核心在于其对多平台数据的聚合与智能处理。项目默认监控 11 个主流平台，如知乎、抖音、B 站、华尔街见闻和财联社等，用户可扩展至 35 个平台，通过 newsnow API 获取实时热点。集成 MCP 后，AI 分析模块提供 13 种工具，例如趋势追踪工具可记录新闻从首次出现到高峰的完整生命周期，情感分析工具则评估公众对特定话题的正面或负面倾向。相似检索功能允许用户快速找到历史相关新闻，形成深度洞察链条。这些工具基于自然语言交互，用户只需提问如“分析最近一周 AI 热度的情感趋势”，AI 即可生成报告。 证据显示，这种设计显著提升了分析效率。以趋势追踪为例，系统统计新闻在不同时间段的排名变化和出现频次，区分一次性热点与持续发酵话题，支持跨平台对比。情感分析则通过关键词共现和活跃度统计，量化舆情影响，避免主观判断偏差。项目实际部署中，用户反馈显示，MCP 集成后，查询响应时间缩短至秒级，支持多客户端如 Claude Desktop 和 Cursor，进一步验证了其实用性。 落地部署时，优先选择 Docker 方式，确保无代码门槛。步骤如下：首先，拉取官方镜像 `wantcat/trendradar:latest`，创建 config 目录并下载 config.yaml 和 frequency_words.txt 文件。配置 YAML 中的 report.mode 为 “daily” 以获取当日汇总，或 “incremental” 仅推送新增内容。启用 MCP 服务器，通过运行 `uv run python -m mcp_server.server` 启动 STDIO 模式，或使用 `start-http.sh` 开启 HTTP 服务于 localhost:3333。 推送通知配置是关键参数。支持企业微信（WEWORK_WEBHOOK_URL）、飞书（FEISHU_WEBHOOK_URL）、钉钉（DINGTALK_WEBHOOK_URL）、Telegram（BOT_TOKEN 和 CHAT_ID）、邮件（EMAIL_FROM/TO/PASSWORD）和 ntfy（NTFY_TOPIC）。例如，企业微信只需在 GitHub Secrets 中设置 Webhook URL，即可实现 1 分钟手机通知。时间窗口控制可选启用：push_window.enabled: true，time_range.start: “09:00”，end: “18:00”，避免非工作时段干扰。关键词筛选在 frequency_words.txt 中定义，如 “AI +技术 !广告” 表示必须包含技术相关 AI 新闻，排除广告。热点算法权重可调：rank_weight: 0.6（排名优先）、frequency_weight: 0.3（频次）、hotness_weight: 0.1（热度），总和为 1.0。 监控与优化清单包括：1. 数据持久化：挂载 output 卷保存 HTML/TXT 报告；2. 环境变量覆盖：如 ENABLE_CRAWLER=true 确保爬虫运行；3. 风险阈值：若 API 限流，调整 CRON_SCHEDULE 为 “*/30 * * * *” 降低频率；4. AI 工具测试：使用 MCP Inspector 验证 13 工具连通性；5. 回滚策略：若 MCP 失败，fallback 到基础推送模式。初次运行需积累数据，建议先运行 24 小时观察效果。 通过这些参数，用户可构建个性化舆情系统。MCP 集成使 TrendRadar 从简单聚合器升级为智能分析平台，适用于投资者、自媒体人和企业公关。 资料来源：GitHub 项目仓库（https://github.com/sansan0/TrendRadar），基于 newsnow API 数据支持。 ## 同分类近期文章 ### [NVIDIA PersonaPlex 双重条件提示工程与全双工架构解析](/posts/2026/04/09/nvidia-personaplex-dual-conditioning-architecture/) - 日期: 2026-04-09T03:04:25+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 NVIDIA PersonaPlex 的双流架构设计、文本提示与语音提示的双重条件机制，以及如何在单模型中实现实时全双工对话与角色切换。 ### [ai-hedge-fund：多代理AI对冲基金的架构设计与信号聚合机制](/posts/2026/04/09/multi-agent-ai-hedge-fund-architecture/) - 日期: 2026-04-09T01:49:57+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析GitHub Trending项目ai-hedge-fund的多代理架构，探讨19个专业角色分工、信号生成管线与风控自动化的工程实现。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation-framework/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [LiteRT-LM C++ 推理运行时：边缘设备的量化、算子融合与内存管理实践](/posts/2026/04/08/litert-lm-cpp-inference-runtime-quantization-fusion-memory/) - 日期: 2026-04-08T21:52:31+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 LiteRT-LM 在边缘设备上的 C++ 推理运行时，聚焦量化策略配置、算子融合模式与内存管理的工程化实践参数。