# TrendRadar MCP AI 新闻分析管道：多平台热点聚合与 14 工具深度挖掘 > 基于 MCP 的 TrendRadar AI 分析管道：热点聚合、趋势情感相似检索工具配置与落地参数。 ## 元数据 - 路径: /posts/2025/11/29/trendradar-mcp-ai-news-analysis-pipeline/ - 发布时间: 2025-11-29T18:03:39+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在信息爆炸时代，TrendRadar 项目通过 MCP（Model Context Protocol）协议构建的 AI 新闻分析管道，提供了一种高效的多平台热点聚合与深度挖掘方案。该管道不依赖单一模型，而是以标准化协议连接本地新闻数据，支持自然语言驱动的 14 种工具调用，实现趋势追踪、情感分析、相似检索等功能，避免了传统爬虫的碎片化与手动分析的低效。相较纯推送工具，其独特在于 MCP 工具链的可扩展性，能无缝集成 Claude Desktop、Cherry Studio 等客户端，形成闭环分析流程。 管道的核心是热点聚合与 MCP 分析的双层架构。首先，聚合层从 35 个平台（如知乎、抖音、B 站、华尔街见闻）采集数据，默认启用 11 个主流源，依赖 newsnow API 实现实时抓取。“本项目使用 newsnow 项目的 API 获取多平台数据”，该层支持三种推送模式：daily（当日汇总，适合全面回顾）、current（当前榜单，追踪实时热度）、incremental（增量监控，仅新内容，避免重复）。其次，MCP 分析层将聚合数据转化为工具上下文，支持 14 种工具，包括 get_latest_news（最新新闻查询）、analyze_topic_trend（趋势分析）、analyze_sentiment（情感分析）、find_similar_news（相似检索）等。最近更新（2025/11/26 mcp-v1.0.3）新增 resolve_date_range 工具，提升日期解析精度，支持“本周”“上月”等自然语言表达式。 证据显示，该管道在工程实践中的鲁棒性突出。GitHub Actions 或 Docker 部署后，数据持久化至 output 目录，自带 11 月 1-15 日测试数据，确保 AI 立即可用。MCP 服务以 STDIO 或 HTTP 模式运行，STDIO 适合持久连接（Cherry Studio 一键配置），HTTP（默认端口 3333）便于多客户端访问。实际调用中，工具参数标准化：如 analyze_topic_trend(keyword="AI", days=7) 返回热度曲线与预测；search_related_news_history(topic="比特币", top_k=5) 挖掘历史关联。项目日志显示，v3.4.0 后兼容 Slack、Bark 推送，分批处理长消息，避免平台限长问题。 落地参数配置需注重精准与稳定性。关键词筛选在 frequency_words.txt 中定义，支持四种语法：普通词（基础匹配）、+必须词（限定范围，如 +发布）、!过滤词（排除干扰，如 !广告）、@数量（@10 限 10 条）。全局参数在 config.yaml：report.max_news_per_keyword=10（默认限制）、sort_by_position_first=false（热度优先）。推送模式设 report.mode="incremental"，时间窗口 notification.push_window.enabled=true，time_range: {start: "09:00", end: "18:00"}。热点权重 weight: {rank_weight: 0.6, frequency_weight: 0.3, hotness_weight: 0.1}，可调为实时型（rank_weight=0.8）或深度型（frequency_weight=0.5）。MCP 工具阈值：日期查询用 YYYY-MM-DD，top_k=20 平衡召回与速度；情感分析工具 analyze_sentiment 支持平台过滤，如 platform="zhihu"。 部署清单如下，确保零门槛上线： 1. **Fork 项目**：GitHub 一键 Fork sansan0/TrendRadar。 2. **Secrets 配置**：Settings > Secrets > Actions，新建 WEWORK_WEBHOOK_URL（企业微信机器人地址）、FEISHU_WEBHOOK_URL 等。 3. **关键词编辑**：config/frequency_words.txt 添加主题组，如： ``` AI ChatGPT +模型 A股 上证 +涨跌 !预测 ``` 4. **Docker 启动**（推荐）：mkdir config output；下载 config.yaml 与 frequency_words.txt；docker run -d --name trendradar -v ./config:/app/config -v ./output:/app/output -e WEWORK_WEBHOOK_URL=xxx wantcat/trendradar:latest。 5. **MCP 服务**：运行 setup-windows.bat（Win）或 ./setup-mac.sh（Mac），启动 python -m mcp_server.server --transport http --port 3333。 6. **客户端集成**：Cherry Studio 添加 STDIO 命令 uv --directory /path/TrendRadar run python -m mcp_server.server；测试查询“查询昨天知乎热点”。 监控要点包括：API 频率 ≤30min/次，避免 newsnow 压力；数据积累 ≥1 天后启用 AI；MCP 日志检查工具调用率，异常时 fallback 到基础查询。风险阈值：推送失败率 >5% 切换 incremental 模式；MCP 连接超时设 30s，回滚至本地 TXT 报告。 回滚策略：若 MCP 失效，降级为纯聚合推送；数据源中断，预载测试数据维持分析。该管道参数化强，适用于舆情监控、自媒体选题、投资信号挖掘，年省手动筛选时间数百小时。 **资料来源**： - [GitHub - sansan0/TrendRadar](https://github.com/sansan0/TrendRadar) - GitHub 日榜与搜索结果（2025/11） feat(blog): TrendRadar MCP AI 新闻分析管道：多平台热点聚合与 14 工具深度挖掘 ## 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。