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。