# TrendRadar：基于MCP的多平台热点AI分析工具 > TrendRadar聚合35平台热点，利用MCP协议集成13种AI分析工具，实现趋势追踪、情感分析与相似检索，支持Docker部署与多渠道推送。 ## 元数据 - 路径: /posts/2025/11/28/trendradar-mcp-ai-analysis/ - 发布时间: 2025-11-28T00:34:45+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在信息爆炸时代，如何高效捕捉并深度分析全网热点？TrendRadar项目提供了一个优雅解决方案：通过MCP（Model Context Protocol）协议，将多平台热点数据转化为AI可交互工具，实现自然语言驱动的舆情分析。这不仅仅是聚合，更是智能挖掘，避免了传统爬虫的噪音干扰，让用户从被动接收转向主动洞察。 TrendRadar的核心在于其MCP AI分析模块。该模块基于本地积累的新闻数据，支持14种专业工具，覆盖从基础查询到高级洞察的全链路。例如，“get_latest_news”工具可即时拉取最新热点，“analyze_topic_trend”则追踪话题热度生命周期，包括爆火检测与趋势预测；“analyze_sentiment”进行情感分析，量化正面/负面倾向；“find_similar_news”实现相似检索，帮助发现隐性关联新闻。这些工具通过自然语言接口调用，如在Claude Desktop中输入“分析最近7天‘AI’话题的热度趋势”，MCP服务器即自动解析意图、调用工具并返回结构化结果。项目自带11月1-15日测试数据，快速验证效果；实际部署后，每日积累数据即可支持跨平台对比，如知乎 vs 微博的“比特币”关注度差异。 证据显示，该设计极大提升了分析效率。MCP协议标准化工具调用，避免了自定义API的兼容问题，支持Cherry Studio、Cursor、Cline等多客户端无缝接入。相比纯LLM提示工程，MCP工具减少幻觉风险，确保输出基于真实数据。例如，resolve_date_range工具优化自然语言日期解析（如“本周”“上月”），工具总数从13增至14，迭代迅速（v3.4.0后）。数据来源于newsnow API，覆盖35平台（默认11个，如抖音、知乎、B站、华尔街见闻），关键词筛选支持高级语法：普通词基础匹配、+必须词限定、!过滤词排除、@N数量限制。词组用空行分隔，独立统计，实现主题化监控。 落地部署以Docker为核心，参数化配置确保零门槛。核心清单如下： **1. Docker快速启动（一行命令）：** ``` docker run -d --name trendradar \ -v ./config:/app/config:ro \ -v ./output:/app/output \ -e FEISHU_WEBHOOK_URL="你的飞书Webhook" \ -e REPORT_MODE="incremental" \ wantcat/trendradar:latest ``` - 挂载config（关键词/模式）和output（数据持久化）。 - 环境变量覆盖：REPORT_MODE（daily/当前榜单/incremental增量）、ENABLE_CRAWLER=true、PUSH_WINDOW_ENABLED=true（推送时窗，如08:00-22:00）。 **2. MCP AI服务器部署（Cherry Studio推荐）：** - 运行setup-mac.sh（Mac）或setup-windows.bat（Win），安装uv依赖。 - STDIO模式：编辑claude_desktop_config.json，指定command: "uv run python -m mcp_server.server"。 - HTTP模式：./start-http.sh（端口3333），Cursor配置.url: "http://localhost:3333/mcp"。 - 测试：npx @modelcontextprotocol/inspector验证14工具列表。 **3. 推送管道配置（多渠道并行）：** | 渠道 | Secret/Env | 参数要点 | |------|------------|----------| | 企业微信 | WEWORK_WEBHOOK_URL | msg_type: markdown/text（个人微信） | | Telegram | TELEGRAM_BOT_TOKEN + CHAT_ID | 分批推送>4KB | | 邮件 | EMAIL_FROM/PASSWORD/TO | SMTP自动识别（QQ:465 SSL），多收件人逗号分隔 | | Slack/ntfy/Bark | SLACK_WEBHOOK_URL 等 | Bark iOS专用，ntfy自托管隐私优先 | 推送模式选型：增量（investor零重复）、当前榜单（creator实时）、当日汇总（manager全览）。热点权重：rank_weight:0.6（排名）、frequency_weight:0.3（频次）、hotness_weight:0.1，可调至1.0总和。 **监控与优化参数：** - 阈值：max_news_per_keyword:10（全局），@5关键词限。 - 排序：sort_by_position_first:true（配置优先）。 - 风险阈值：CRON_SCHEDULE="*/30 * * * *"（30min，避免API限流）；star newsnow项目防压力。 - 回滚：数据异常加类型检查（v3.1.1），ntfy编码修复（v3.4.0）。 - 性能：GitHub Pages网页报告（手机适配，一键图片分享）；output HTML/TXT持久化。 实际场景：投资者监控“特斯拉+涨跌!预测”，AI查询“情感倾向+相似历史”，Telegram增量推送，仅新热点警报。部署后1天数据积累，MCP即上线，30s Pages预览、1min手机通知。 总结，TrendRadar的MCP设计将热点数据工具化，参数清单确保可复现：Docker卷挂载+env覆盖+关键词语法。优于单一聚合，落地性强，适合舆情/投资/内容团队。 **资料来源：** - [TrendRadar GitHub](https://github.com/sansan0/TrendRadar)（核心文档、更新日志）。 - [newsnow数据源](https://github.com/ourongxing/newsnow)（平台API）。 （正文约1250字） ## 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。