在信息爆炸时代,多平台热点监控已成为刚需,但传统工具往往停留在简单聚合层面,缺乏深度分析能力。TrendRadar 项目巧妙结合多平台热点采集与 MCP(Model Context Protocol)协议的 AI 分析服务器,提供 13 种专用工具,实现从数据采集到智能洞察的全链路工程化。该方案的核心优势在于零编程部署(30 秒 GitHub Pages 或 Docker)、多渠道推送(企业微信、ntfy 等),并通过 MCP 标准化接口让 AI 客户端(如 Claude Desktop、Cursor)自然语言访问本地新闻数据,避免了外部 API 依赖与隐私风险。
TrendRadar 的 MCP AI 模块是工程亮点,它将采集的热点数据(默认 11 平台:抖音、知乎、B 站、微博等,可扩展至 35 个)持久化存储于本地 output 目录,支持对话式查询与 13 种工具调用。这些工具覆盖基础查询、智能检索、趋势分析、情感洞察等领域,按需加载,避免全量上下文膨胀。核心事实是:AI 分析基于本地新闻数据,自带 11 月 1-15 日测试集,生产环境运行 1 天即可积累实时数据。“项目自带 11 月 1-15 日测试数据,可立即体验”,无需额外准备即可验证效果。
聚焦 MCP 13 工具的工程落地,首先分类参数化配置。工具集分为四类:基础查询(get_latest_news、get_news_by_date、get_trending_topics):参数包括日期范围(YYYY-MM-DD,默认最近 7 天)、平台 ID(zhihu、weibo 等)、top_k(默认 10,阈值上限 50,避免数据爆炸)。智能检索(search_news、search_related_news_history):支持关键词模糊匹配,相似度阈值 0.8(可调 0.6-0.95),返回 top 20 条 + 置信分数。高级分析(analyze_topic_trend、analyze_data_insights、analyze_sentiment):趋势工具参数周期(1-30 天,默认 7 天)、预测窗口(未来 3 天);情感分析输出 JSON {sentiment: -1~1, reason: str},阈值 >0.5 为正面,<-0.5 为负面;数据洞察支持跨平台对比(活跃度统计、关键词共现),采样率 0.1(10% 数据加速)。系统管理(get_current_config、get_system_status、trigger_crawl):状态查询返回数据量、覆盖日期、错误率(<1% 正常)。
部署阈值与监控点需严格把控,确保稳定。Docker 部署命令: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。关键阈值:推送频率 30 分钟(CRON_SCHEDULE,避免 >15min 压力过大);关键词文件 frequency_words.txt 语法(+必须词、!过滤词、@N 数量限 N≤20);热点权重(rank_weight:0.6, frequency_weight:0.3, hotness_weight:0.1,总和=1.0)。监控清单:1. 数据源 health(newsnow API,star 支持原项目);2. MCP 服务端口 3333 可用性(curl http://localhost:3333/mcp);3. 输出目录增长率(>1MB/天 正常);4. 推送成功率(>95%,日志 docker logs trend-radar);5. AI 查询延迟(<5s,超时回滚默认工具)。风险限:MCP 需本地数据,无数据时 fallback 基础查询;Docker 环境变量覆盖 config.yaml 优先级高。
实际清单落地:1. Fork 项目,Secrets 配置 WEWORK_WEBHOOK_URL 等;2. config.yaml 设 platforms(默认 11 个)、report.mode=incremental、push_window(09:00-18:00);3. frequency_words.txt 示例:AI +技术 !广告 @10;4. MCP 启动:uv run python -m mcp_server.server --transport http --port 3333;5. Cursor 配置 .cursor/mcp.json:{"mcpServers":{"trendradar":{"url":"http://localhost:3333/mcp"}}};6. 查询示例:“分析昨天知乎 AI 热点趋势”(调用 analyze_topic_trend,输出热度曲线、生命周期)。回滚策略:推送失败降级 HTML 输出;AI 异常用 get_latest_news 兜底。
该方案参数化强、可观测性高,适用于舆情监控、自媒体选题、投资信号。相比通用 RAG,MCP 工具专为新闻优化,召回率提升 30%,部署成本 <1 元/月(本地运行)。来源:https://github.com/sansan0/TrendRadar(v3.2.0,2025/11/23)。