TrendRadar：MCP驱动的多平台热点聚合与AI分析实践

在信息爆炸时代，多平台热点分散导致用户难以高效捕捉关键舆情，TrendRadar 项目通过 MCP（Model Context Protocol）协议构建统一聚合管道与 AI 分析层，实现智能筛选与深度挖掘，成为工程化舆情监控的优选方案。该方案的核心优势在于零编程门槛的 Docker 部署、多渠道推送适配，以及 13 种 AI 工具的自然语言交互，支持从数据采集到洞察输出的全链路自动化。

TrendRadar 聚合 35 + 平台（如抖音、知乎、B 站、华尔街见闻、财联社、微博等）的热点数据，默认监控 11 个主流源，用户可通过 config.yaml 的 platforms 字段扩展，例如添加 “- id: 'toutiao' name: ' 今日头条 '”。数据源统一依赖 newsnow API（https://newsnow.busiyi.world/api/s?id=xxx&latest），内置 DataFetcher 类支持代理、重试机制，避免率限。智能筛选依赖 frequency_words.txt 的三级语法：普通词基础匹配、必须词（+）限定范围、过滤词（!）排除噪音。例如配置 “AI + 大模型！广告” 可精准捕获技术热点。权重算法为排名 60%、频次 30%、热度 10%，通过 config.yaml 的 weight 字段微调，确保个性化排序。

MCP 协议是 TrendRadar AI 分析的核心，v3.0 + 版本通过 FastMCP 搭建 trendradar-news 服务器，对 output 目录历史数据暴露 13 种工具：趋势追踪（热度时间轴）、情感分析、相似检索、跨平台对比、摘要生成等。用户在 Cursor/Claude 等 MCP 客户端输入 “分析比特币最近热度趋势”，系统自动调用工具生成报告，支持对话式迭代。MCP 的优势在于模型无关性，兼容 Gemini/Claude 等多 LLM，部署只需运行 start-http.bat（Windows）或 start-http.sh（Linux），5 分钟内接入。

Docker 一键部署是生产落地的关键，官方镜像 wantcat/trendradar:latest（~500MB）支持多架构（amd64/arm64）。核心命令：

mkdir -p config output
wget https://raw.githubusercontent.com/sansan0/TrendRadar/master/config/config.yaml -P config/
wget https://raw.githubusercontent.com/sansan0/TrendRadar/master/config/frequency_words.txt -P config/
docker run -d --name trend-radar \
  -v ./config:/app/config:ro \
  -v ./output:/app/output \
  -e WEWORK_WEBHOOK_URL="企业微信Webhook" \
  -e FEISHU_WEBHOOK_URL="飞书Webhook" \
  -e CRON_SCHEDULE="*/30 * * * *" \
  -e IMMEDIATE_RUN="true" \
  wantcat/trendradar:latest

环境变量优先级高于 config.yaml，支持覆盖 report.mode（daily / 当前汇总 /current/ 实时榜单 /incremental/ 增量）、notification.push_window（时间窗 08:00-22:00）。推送渠道包括企业微信、飞书、钉钉、Telegram、邮件、ntfy，配置 Secrets 或.env 文件即可并行。

生产监控要点：

Cron 调度：CRON_SCHEDULE="0 */2 * * *"（2 小时抓取），避免 API 滥用。
数据持久：output 目录挂载 HTML/TXT 报告，支持 GitHub Pages 自动发布。
阈值参数：report.rank_threshold=5，仅推送 Top5；crawler.request_interval=1000ms 防封。
回滚策略：若 API 失效，fallback 到缓存数据；代理配置 use_proxy=true。
资源监控：Docker stats 观察 CPU<20%、内存 < 500MB；日志 tail -f output/*.log 追踪错误。

风险控制：外部 API 依赖需备用源，关键词过多导致召回率低（建议 < 50 词 / 组）；国内部署加代理绕墙。实际案例中，自媒体用 incremental 模式每日节省 80% 刷屏时间，企业公关通过情感分析预警负面舆情。

落地清单：

下载模板配置，编辑关键词 / 平台。
配置 Webhook（企业微信群机器人 @生成）。
Docker run 启动，IMMEDIATE_RUN=true 即时验证。
启动 MCP 服务器，Cursor 测试 “抖音 AI 热点情感分布”。
监控 output，优化 weight（rank:0.5, frequency:0.4, hotness:0.1）。

TrendRadar 将舆情从被动刷取转为主动智能，MCP 驱动下 AI 工具链显著提升分析效率，Docker 化确保可复现部署，是 AI 系统工程的典范实践。

资料来源：

GitHub 仓库：https://github.com/sansan0/TrendRadar “TrendRadar 是一个 AI 驱动的舆情分析工具，能聚合 35 个平台热点并用自然语言深度解读。”
Docker 部署指南：https://www.cnblogs.com/sourcecodebeat/p/19255853/trendradar-docker