在信息爆炸的时代，用户常常被海量新闻淹没，无法高效捕捉关键热点。TrendRadar 作为一个开源的多平台热点聚合工具，通过集成 MCP（Multi-Chain Protocol）协议的 AI 分析能力，帮助用户构建个性化的舆情监控系统。它不仅支持从 35 个主流平台（如今日头条、微博、抖音、知乎、B 站等）实时采集热点数据，还能进行智能筛选和深度分析，实现从数据聚合到洞察生成的闭环流程。这种架构的核心优势在于其低门槛部署和高度可定制性，适用于投资者追踪市场动态、自媒体人挖掘选题、企业公关监控品牌舆情等场景。
TrendRadar 的核心功能围绕数据采集、筛选、推送和 AI 分析展开。首先，在数据采集层面，项目使用 Python 编写的爬虫模块，默认监控 11 个平台，包括百度热搜、华尔街见闻、澎湃新闻等，用户可通过配置文件扩展至 35 个平台。采集过程基于 GitHub Actions 自动化运行，每周期（默认 30 分钟）抓取热点榜单和相关新闻，支持实时性和历史回溯。根据 GitHub 仓库描述，这种多源聚合避免了单一平台算法的偏差，提供更全面的热点视图。例如，在监控 “AI” 关键词时，它能从微博热搜中提取突发事件，从知乎热榜中拉取深度讨论，确保覆盖社交、新闻和短视频等多维度。
其次，智能筛选机制是 TrendRadar 的亮点之一。用户通过 frequency_words.txt 文件定义关键词列表，如 “新能源、政策补贴”，系统会计算关键词出现频率，并结合必须词（must_words）和过滤词（filter_words）进行三层过滤。这不仅过滤无关噪音，还能生成关键词频率报告，追踪热点从爆发到消退的生命周期。证据显示，在实际部署中，这种机制可将推送内容精简至用户真正关心的部分，减少 90% 以上的无效信息。MCP 协议的集成进一步提升了分析深度，它提供 13 种 AI 工具，包括趋势追踪、情感分析、相似检索等，用户可通过自然语言查询如 “分析比特币最近热度趋势”，系统调用 LiteLLM 兼容的多模型 API（如 OpenAI、Claude）进行处理。这种 AI 增强让 TrendRadar 从单纯聚合工具升级为智能舆情助手。
在推送和部署方面，TrendRadar 强调开箱即用。支持三种模式：daily（当日汇总，适合日报总结）、current（当前榜单，实时追踪）和 incremental（增量监控，避免重复）。推送渠道包括企业微信、飞书、钉钉、Telegram 和邮件，配置 Webhook 后即可实现 1 分钟手机通知。部署路径多样：GitHub Pages 提供 30 秒网页版，无需服务器；Actions 结合 Secrets 设置推送密钥；Docker 镜像支持本地私有化运行，命令如 docker-compose up -d 即可启动。实际参数配置中，crawler.yml 文件控制采集频率（推荐 30-60 分钟，避免 API 限流），config.yaml 定义推送时机和通知模板，如 {"message_type": "text", "content": {"text": "{{热点标题}} 来自 {{平台}}，热度 {{排名}}"}}。监控点包括日志检查采集成功率、AI 响应延迟（阈值 < 5s）和推送准确率（>95%），若异常可回滚至默认模式。
为确保系统稳定，用户需注意风险管理。首先，平台 API 变化可能导致采集中断，建议设置备用源并监控 GitHub Issues。其次，AI 分析依赖模型 API 密钥，私有部署时使用本地 Ollama 避免隐私泄露。优化清单如下：1. 关键词设置：初始 10-20 个，定期审视频率报告调整；2. 频率阈值：热点出现 > 3 次才推送，情感分析阈值中性以上；3. 回滚策略：若 MCP 工具失败，fallback 至纯关键词匹配；4. 性能参数：Docker 内存分配 > 2GB，Actions 并发限 1；5. 扩展：自定义平台需添加 crawler 模块，测试采集率 > 80%。
TrendRadar 的实际落地价值在于其平衡了简易性和强大性。以投资者为例，通过 incremental 模式监控 “股市” 关键词，结合 MCP 的情感分析工具，可及早捕捉负面舆情信号，避免损失。自媒体人则利用 current 模式生成每日热点报告，节省选题时间。总体而言，这个系统让用户从被动刷屏转向主动掌控信息流，推动 AI 在舆情领域的工程化应用。
资料来源：GitHub 仓库 https://github.com/sansan0/TrendRadar；相关介绍 https://www.360doc.cn/article/81422493_1161583978.html。