# 构建TrendRadar：多平台热点聚合与AI智能推送管道 > 基于开源TrendRadar，聚合35+平台热点，实现关键词智能筛选、趋势追踪与多渠道推送，支持Docker零编程部署的关键参数与工程实践。 ## 元数据 - 路径: /posts/2025/11/27/building-trendradar-multi-platform-hotspot-aggregation/ - 发布时间: 2025-11-27T01:32:55+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在信息爆炸时代，手动浏览多个平台热点已成为低效负担。TrendRadar提供了一个高效的多平台热点聚合管道，能从抖音、知乎、B站、微博等35个平台实时采集数据，通过AI智能筛选和趋势追踪机制，仅推送用户关心的内容，支持企业微信、Telegram等多渠道无编程推送，并兼容Docker部署。这种架构的核心在于数据聚合的稳定性和筛选推送的精准性，避免了信息过载，同时确保低延迟响应。 系统架构分为四个模块：数据采集、内容筛选、热点排序和通知推送。数据采集依赖newsnow API，默认监控11个主流平台（如知乎、抖音、B站、百度热搜、财联社），可扩展至35个。通过config.yaml中的platforms配置自定义，例如添加“toutiao”对应今日头条。采集频率建议控制在30分钟一次，避免API压力过大。TrendRadar不直接爬取网页，而是调用上游API，确保合规性和稳定性。 内容筛选是管道的核心智能环节，使用frequency_words.txt文件定义关键词，支持四种语法：普通词基础匹配、+必须词限定范围、!过滤词排除干扰、@N数量限制。词组以空行分隔，每个组独立统计，例如第一组“iPhone\n华为\n+发布”仅捕获手机品牌与发布相关的新闻；第二组“A股\n上证\n+涨跌\n!预测”聚焦股市实况而非预测。v3.2.0后新增高级配置：在config.yaml中设置sort_by_position_first: true，按配置顺序优先排序；max_news_per_keyword: 10，全局限制每组新闻条数，@N可覆盖全局。实际部署中，从宽泛关键词起步（如“AI”），迭代添加必须/过滤词，目标匹配率控制在20-30条/次推送。 热点排序采用自定义权重算法，默认rank_weight: 0.6（排名优先）、frequency_weight: 0.3（频次）、hotness_weight: 0.1（综合热度），总和为1.0。实时追踪新闻生命周期：首次出现时间、持续跨度、排名变化，用🆕标记新增，跨平台对比热度差异。推送模式有三种：daily（当日汇总，适合管理者查看全天趋势）；current（当前榜单，适合创作者追踪实时火爆话题）；incremental（增量监控，仅新内容，零重复，适合交易员）。推荐投资者用incremental+推送时间窗口（push_window.enabled: true, time_range: "09:00-18:00"），避免夜间干扰。 部署落地清单如下，确保零编程上手： 1. **GitHub Actions部署（30秒）**： - Fork仓库https://github.com/sansan0/TrendRadar。 - Settings > Secrets > Actions，添加webhook：WEWORK_WEBHOOK_URL（企业微信）、TELEGRAM_BOT_TOKEN+CHAT_ID（Telegram）、FEISHU_WEBHOOK_URL等。 - 编辑config/frequency_words.txt添加关键词，config.yaml选模式（report.mode: "incremental"）。 - Actions页Run workflow测试，启用GitHub Pages浏览网页报告。 2. **Docker部署（1分钟）**： ``` mkdir trendradar && cd trendradar wget https://raw.githubusercontent.com/sansan0/TrendRadar/master/config/config.yaml -P config/ wget https://raw.githubusercontent.com/sansan0/TrendRadar/master/config/frequency_words.txt -P config/ wget https://raw.githubusercontent.com/sansan0/TrendRadar/master/docker/docker-compose.yml wget https://raw.githubusercontent.com/sansan0/TrendRadar/master/docker/.env -P docker/ ``` 编辑docker/.env设置环境变量（如FEISHU_WEBHOOK_URL=your_url, CRON_SCHEDULE="*/30 * * * *"）。 docker-compose up -d。数据持久化至output/目录，支持HTML/TXT导出。 监控与优化参数： - **阈值**：高排名阈值rank_threshold: 5，前5名红色加粗；max_news_total: 50，总推送上限。 - **回滚**：若增量模式无推送，切换current验证数据流；API限流时降频至1小时。 - **风险限**：依赖newsnow，star支持上游；GitHub免费Actions每月2000min，超量自建Docker。 - **扩展**：v3.0+ MCP AI分析，14工具支持自然语言查询趋势/情感，Cherry Studio一键配置。 实际案例：监控“AI+ChatGPT”，incremental模式，每30min推送新增2-5条，包含平台、排名、频次。部署后首日积累数据，即可AI问“分析本周AI热度趋势”，输出生命周期图表。通过权重调优（rank_weight:0.8追实时），日推送时长降至5min，效率提升3倍。 资料来源：[TrendRadar GitHub仓库](https://github.com/sansan0/TrendRadar)，[newsnow数据源](https://github.com/ourongxing/newsnow)。 ## 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。