在信息爆炸的时代，监控多平台热点已成为企业舆情分析和个人资讯获取的核心需求。TrendRadar 项目通过集成 MCP（Model Context Protocol）AI 协议，将传统的热点聚合工具升级为智能分析系统，支持语义检索、情感分析等 13 种自然语言处理工具，覆盖抖音、Bilibili 等 35 个平台。这种集成不仅实现了自动化通知，还通过 Docker 部署简化了运维，让用户能高效落地舆情监控方案。不同于简单的新闻爬取，MCP 的引入允许用户以自然语言对话方式深度挖掘数据，提供趋势预测和跨平台对比等高级功能，从而帮助用户从海量信息中提炼价值。
MCP 协议的核心在于其标准化工具调用机制，TrendRadar 利用此协议构建了 AI 分析服务器，支持 13 种专用工具，涵盖基础查询、智能检索、高级分析和系统管理。这些工具基于本地积累的新闻数据运行，避免了实时网络依赖，确保分析的稳定性和隐私性。例如，语义检索工具“search_news”允许用户输入自然语言查询，如“查询昨天知乎的 AI 热点”，系统会返回相关新闻列表并标注热度变化；情感分析工具“analyze_sentiment”则能评估新闻标题的情感倾向，正面、中性或负面，帮助用户快速判断舆情走向。项目文档中提到，“基于 MCP 的 AI 对话分析系统，让你用自然语言深度挖掘新闻数据”。此外，趋势追踪工具“analyze_topic_trend”支持热度生命周期分析，包括爆火检测和趋势预测，用户可通过参数指定时间范围，如最近 7 天，输出可视化报告。
证据显示，这种 MCP 集成显著提升了分析深度。以相似新闻查找工具“find_similar_news”为例，它使用嵌入式语义匹配算法，从历史数据中检索相关事件，支持参数如相似度阈值（默认 0.8）和最大返回条数（默认 10），这在多平台监控中特别实用，能快速关联抖音短视频与 Bilibili 长视频的热点讨论。另一个工具“generate_summary_report”自动生成摘要报告，包含关键词共现和平台对比统计，用户只需指定日期和关键词，即可获得结构化输出。项目支持多客户端接入，如 Claude Desktop 和 Cursor，这些工具的实现依赖于 Python MCP 服务器，通过 STDIO 或 HTTP 模式运行，确保低延迟响应。实际测试中，使用测试数据（2025 年 11 月 1-15 日新闻），AI 工具能在数秒内处理数百条记录，提供准确的情感分布图和趋势曲线。
要落地 TrendRadar 的 MCP AI 分析，首先需准备 Docker 环境，确保系统安装 Docker 和 Docker Compose。部署步骤如下：1. 创建项目目录并下载配置文件，包括 config.yaml 和 frequency_words.txt；2. 编辑 .env 文件，设置环境变量如 ENABLE_CRAWLER=true、REPORT_MODE=incremental、FEISHU_WEBHOOK_URL=你的 webhook；3. 运行 docker-compose up -d 启动服务；4. 验证状态，通过 docker exec -it trend-radar python manage.py status 检查。关键参数包括 CRON_SCHEDULE="*/30 * * * *"（每 30 分钟爬取一次），避免过度频繁以防 API 限流；推送窗口 PUSH_WINDOW_START="08:00" 和 PUSH_WINDOW_END="22:00"，限制工作时间通知。
对于 MCP AI 部分，需额外安装依赖：运行 setup-mac.sh（Mac/Linux）或 setup-windows.bat（Windows），这会使用 uv 工具管理 Python 环境。启动 AI 服务器：uv run python -m mcp_server.server --transport http --port 3333。然后，在客户端如 Cursor 中配置 mcp.json 文件，指定命令路径和项目目录。工具清单包括：get_latest_news（最新新闻，参数：platform="zhihu", limit=10）；search_related_news_history（历史相关，参数：keyword="AI", days=7）；analyze_data_insights（数据洞察，参数：platforms=["douyin", "bilibili"]）；这些参数可通过自然语言间接调用，系统自动解析。监控点：观察日志中 MCP 调用次数，若超过 100 次/小时，考虑优化查询频率；回滚策略：若 AI 分析出错，fallback 到基本推送模式，禁用 MCP 服务器。
多平台监控的配置在 config.yaml 中定义 platforms 列表，默认包括 toutiao、baidu、wallstreetcn-hot 等 11 个，可扩展至 35 个如 douyin、bilibili，通过 id 和 name 指定。关键词筛选使用 frequency_words.txt，支持 +必须词和 !过滤词语法，例如第一组：AI +技术 !广告，确保精准匹配。权重算法参数：rank_weight=0.6（排名权重）、frequency_weight=0.3（频次权重）、hotness_weight=0.1（热度权重），用户可调整以偏好实时性或深度。自动化通知支持 6 种渠道：企业微信需 WEWORK_WEBHOOK_URL；飞书 FEISHU_WEBHOOK_URL；ntfy 通过 NTFY_TOPIC（推荐自托管以防隐私泄露）。推送模式选择：incremental 模式下，仅新热点触发通知，参数 NEW_ONLY=true；结合时间窗口，避免夜间打扰。
潜在风险包括 API 依赖 newsnow 的服务器压力，建议控制 CRON 频率不超过每 15 分钟，并点星支持源项目；数据隐私方面，MCP 分析本地运行，但推送渠道如 Telegram 需注意 token 安全，使用 GitHub Secrets 存储。优化策略：定期清理 output 目录旧数据（保留 30 天），设置数据保留参数 retention_days=30；监控系统状态，通过 get_system_status 工具检查磁盘使用率，若超 80%，触发警报。总体而言，TrendRadar 的 MCP 集成提供了一个可扩展的 AI 舆情框架，适用于企业监控和个人研究。
资料来源：https://github.com/sansan0/TrendRadar；https://github.com/ourongxing/newsnow。