# TrendRadar：多平台热点聚合 + MCP AI 的13种舆情分析工具工程化落地 > TrendRadar 多平台热点聚合与 MCP AI 13 分析工具的工程参数、部署阈值、监控策略与落地清单。 ## 元数据 - 路径: /posts/2025/11/23/trendradar-mcp-ai-hotspot-analysis-engineering/ - 发布时间: 2025-11-23T10:08:01+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在信息爆炸时代，多平台热点监控已成为刚需，但传统工具往往停留在简单聚合层面，缺乏深度分析能力。TrendRadar 项目巧妙结合多平台热点采集与 MCP（Model Context Protocol）协议的 AI 分析服务器，提供 13 种专用工具，实现从数据采集到智能洞察的全链路工程化。该方案的核心优势在于零编程部署（30 秒 GitHub Pages 或 Docker）、多渠道推送（企业微信、ntfy 等），并通过 MCP 标准化接口让 AI 客户端（如 Claude Desktop、Cursor）自然语言访问本地新闻数据，避免了外部 API 依赖与隐私风险。 TrendRadar 的 MCP AI 模块是工程亮点，它将采集的热点数据（默认 11 平台：抖音、知乎、B 站、微博等，可扩展至 35 个）持久化存储于本地 output 目录，支持对话式查询与 13 种工具调用。这些工具覆盖基础查询、智能检索、趋势分析、情感洞察等领域，按需加载，避免全量上下文膨胀。核心事实是：AI 分析基于本地新闻数据，自带 11 月 1-15 日测试集，生产环境运行 1 天即可积累实时数据。“项目自带 11 月 1-15 日测试数据，可立即体验”，无需额外准备即可验证效果。 聚焦 MCP 13 工具的工程落地，首先分类参数化配置。工具集分为四类：基础查询（get_latest_news、get_news_by_date、get_trending_topics）：参数包括日期范围（YYYY-MM-DD，默认最近 7 天）、平台 ID（zhihu、weibo 等）、top_k（默认 10，阈值上限 50，避免数据爆炸）。智能检索（search_news、search_related_news_history）：支持关键词模糊匹配，相似度阈值 0.8（可调 0.6-0.95），返回 top 20 条 + 置信分数。高级分析（analyze_topic_trend、analyze_data_insights、analyze_sentiment）：趋势工具参数周期（1-30 天，默认 7 天）、预测窗口（未来 3 天）；情感分析输出 JSON {sentiment: -1~1, reason: str}，阈值 >0.5 为正面，<-0.5 为负面；数据洞察支持跨平台对比（活跃度统计、关键词共现），采样率 0.1（10% 数据加速）。系统管理（get_current_config、get_system_status、trigger_crawl）：状态查询返回数据量、覆盖日期、错误率（<1% 正常）。 部署阈值与监控点需严格把控，确保稳定。Docker 部署命令：docker run -d --name trend-radar -v ./config:/app/config:ro -v ./output:/app/output -e CRON_SCHEDULE="*/30 * * * *" -e REPORT_MODE="incremental" wantcat/trendradar:latest。关键阈值：推送频率 30 分钟（CRON_SCHEDULE，避免 >15min 压力过大）；关键词文件 frequency_words.txt 语法（+必须词、!过滤词、@N 数量限 N≤20）；热点权重（rank_weight:0.6, frequency_weight:0.3, hotness_weight:0.1，总和=1.0）。监控清单：1. 数据源 health（newsnow API，star 支持原项目）；2. MCP 服务端口 3333 可用性（curl http://localhost:3333/mcp）；3. 输出目录增长率（>1MB/天 正常）；4. 推送成功率（>95%，日志 docker logs trend-radar）；5. AI 查询延迟（<5s，超时回滚默认工具）。风险限：MCP 需本地数据，无数据时 fallback 基础查询；Docker 环境变量覆盖 config.yaml 优先级高。 实际清单落地：1. Fork 项目，Secrets 配置 WEWORK_WEBHOOK_URL 等；2. config.yaml 设 platforms（默认 11 个）、report.mode=incremental、push_window（09:00-18:00）；3. frequency_words.txt 示例：AI +技术 !广告 @10；4. MCP 启动：uv run python -m mcp_server.server --transport http --port 3333；5. Cursor 配置 .cursor/mcp.json：{"mcpServers":{"trendradar":{"url":"http://localhost:3333/mcp"}}}；6. 查询示例：“分析昨天知乎 AI 热点趋势”（调用 analyze_topic_trend，输出热度曲线、生命周期）。回滚策略：推送失败降级 HTML 输出；AI 异常用 get_latest_news 兜底。 该方案参数化强、可观测性高，适用于舆情监控、自媒体选题、投资信号。相比通用 RAG，MCP 工具专为新闻优化，召回率提升 30%，部署成本 <1 元/月（本地运行）。来源：https://github.com/sansan0/TrendRadar（v3.2.0，2025/11/23）。 ## 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。