在信息爆炸时代，用户每天面对抖音、知乎、B 站、微博等平台的海量热点，却难以精准捕捉感兴趣内容。TrendRadar 作为一款开源 AI 新闻聚合器，通过集成 MCP（Model Context Protocol）协议，提供多平台热点监控、情感 / 趋势分析与相似检索等功能，帮助用户主动掌控信息流。该工具无需编程，30 秒 GitHub Pages 部署或 Docker 一键运行，支持企业微信、Telegram 等多渠道推送，实现从被动刷屏到智能筛选的转变。
TrendRadar 的核心优势在于其多平台数据聚合与智能筛选机制。它默认监控 11 个主流平台，包括知乎、抖音、Bilibili 热搜、华尔街见闻、百度热搜、财联社热门、澎湃新闻、凤凰网、今日头条、微博等，用户可在 config/config.yaml 中扩展至 35 个平台（如添加 “toutiao” 对应今日头条）。数据来源于 newsnow API，确保实时性。关键词筛选通过 config/frequency_words.txt 实现，支持三种语法：普通词（如 “AI”）、必须词（+AI 技术）、过滤词（! 广告）。词组以空行分隔独立统计，例如：
AI ChatGPT + 技术
A 股 上证 + 涨跌 ! 预测
这种机制优先匹配用户定义词组，避免无关干扰。热点排序采用个性化算法：排名权重 60%、频次权重 30%、热度权重 10%，可在 config.yaml 的 weight 字段调整，如 rank_weight: 0.8 偏重实时热点。证据显示，该算法有效追踪新闻生命周期：记录首次出现时间、持续跨度、排名变化及跨平台对比，用🆕标记新增热点，确保用户掌握演变轨迹。
MCP 协议集成是 TrendRadar v3.0 的亮点，提供 13 种 AI 分析工具，支持 Claude Desktop、Cursor、Cherry Studio 等客户端自然语言交互。用户无需实时网络数据，仅分析本地 output 目录积累的新闻（如自带 11 月 1-15 日测试数据）。典型工具包括：get_latest_news（查询最新新闻）、analyze_topic_trend（趋势追踪，如 “比特币热度变化”）、analyze_sentiment（情感分析）、find_similar_news（相似检索）、generate_summary_report（摘要生成）。例如，输入 “分析过去 7 天‘特斯拉’在知乎与微博的跨平台对比”，AI 返回活跃度统计、关键词共现及预测曲线。MCP Server 以 STDIO 或 HTTP 模式运行（./start-http.sh 启动http://localhost:3333/mcp），Cherry Studio GUI 配置仅需 5 分钟。相比传统 RAG，MCP 标准化接口提升兼容性，工具调用顺序优化避免幻觉，支持多模型如 Claude、GPT。
部署参数清单确保可落地：1. Fork 仓库，GitHub Pages 启用（Settings>Pages>GitHub Actions）；2. Secrets 配置推送，如 WEWORK_WEBHOOK_URL（企业微信机器人 Webhook）、TELEGRAM_BOT_TOKEN/CHAT_ID；3. Docker 部署：docker run -d --name trend-radar -v ./config:/app/config:ro -v ./output:/app/output -e CRON_SCHEDULE="*/30 * * * *" -e REPORT_MODE="incremental" wantcat/trendradar:latest（每 30 分钟增量监控）；4. 推送窗口：notification.push_window.enabled: true, time_range: {start: "09:00", end: "18:00"}，避免打扰。监控要点：日志检查 newsnow API 率限（合理频率 < 1min / 次）；output 数据积累 > 1 天再用 AI；回滚策略：若推送异常，设 enable_notification: false，仅生成 HTML 报告。
实际参数优化：投资者用 incremental + 高 rank_weight，追踪新热点；自媒体选 current 模式，每小时榜单推送。风险控制：依赖外部 API，建议自建镜像；MCP 需本地数据，避免空查询。TrendRadar stars 超 19k，证明其实用性，已被 CSDN、SegmentFault 等推荐。
资料来源：https://github.com/sansan0/TrendRadar README；Web 搜索确认 MCP 集成与部署案例。