Hotdry.
归档
ai-systems

TrendRadar MCP AI 分析工具链：13种舆情深度挖掘工具工程实践

基于 MCP 协议的 13 种 AI 工具，支持自然语言舆情分析：趋势追踪、情感分析、相似检索等。Docker 部署参数与 Claude/Cursor 集成要点。

在工程化舆情监控系统中，多平台热点聚合已成标配，但浅层统计难以支撑决策深度。TrendRadar 的 MCP AI 分析工具链，提供 13 种标准化工具，通过自然语言接口实现舆情深度挖掘：从趋势预测到情感量化，支持 Claude Desktop、Cursor 等客户端无缝集成。该工具链不依赖特定模型，基于 Model Context Protocol (MCP) 协议，确保跨客户端兼容性与可扩展性。

核心优势在于工具的分类设计与参数化调用，避免了传统 API 的碎片化。工具分为 5 类：基础查询（3 种）、智能检索（2 种）、高级分析（5 种）、数据洞察（2 种）、系统管理（1 种）。例如，get_latest_news 可快速拉取最新热点，参数包括 platforms（可选平台列表，如 ["zhihu", "weibo"]）、limit（默认 50）、include_url（是否含链接）。证据显示，该工具直接访问本地 output 目录积累数据，支持 11 月测试数据集即时验证。

实际部署以 Docker 为核心，30 秒内完成。命令示例：

docker run -d --name trendradar-mcp \
  -v ./config:/app/config:ro \
  -v ./output:/app/output \
  -e CRON_SCHEDULE="*/30 * * * *" \
  wantcat/trendradar:latest

环境变量覆盖配置优先级最高：ENABLE_CRAWLER=true 开启爬虫、REPORT_MODE=incremental 设增量模式。MCP 服务启动用 uv run python -m mcp_server.server --transport http --port 3333，暴露 http://localhost:3333/mcp 接口。风险控制：端口冲突时改 --port 33333；数据不足用自带 11/1-15 日测试集。

集成清单按客户端分层：

  1. Cherry Studio (GUI，推荐新手)：一键 STDIO 模式，5 分钟部署。配置 MCP Server 为项目路径，回复公众号 "mcp" 获图文教程。
  2. Claude Desktop：编辑 claude_desktop_config.json，STDIO 命令 ["uv", "--directory", "/path/to/TrendRadar", "run", "python", "-m", "mcp_server.server"]。
  3. Cursor：项目级 .cursor/mcp.json，HTTP 模式 url: "http://localhost:3333/mcp" 或 STDIO。
  4. Cline/Continue (VSCode)：~/.continue/config.json，添加 stdio/http transport。
  5. Claude Code CLI：claude mcp add --transport http trendradar http://localhost:3333/mcp。

工程参数优化：

  • 阈值设置：analyze_topic_trend 的 threshold=3.0（热度阈值，默认过滤低频话题）、confidence_threshold=0.7（预测置信度）。
  • 时间窗口：time_window=24（小时，分析周期）、lookahead_hours=6（趋势预测前瞻）。
  • 检索模式：search_news 的 search_mode="keyword" 或 "semantic"，threshold=0.6 控制相似度。
  • 监控点：日志 docker logs trend-radar，检查 output 数据日期范围；MCP Inspector 测试工具列表（须见 13 工具）。
  • 回滚策略：STDIO 失败切 HTTP；数据异常用 get_system_status 诊断。

实战案例：舆情预警系统集成。配置关键词 "AI + 开源！广告"，用 search_related_news_history 追踪历史关联（参数 query="TrendRadar", limit=20），情感分析 analyze_sentiment 输出正 / 负 / 中性比例。批量调用脚本：

import asyncio
from mcp_client import MCPClient  # 伪码示例

async def batch_analyze():
    client = MCPClient("http://localhost:3333/mcp")
    trends = await client.call("analyze_topic_trend", {"topic": "比特币", "date_range": {"start": "2025-11-20", "end": "2025-11-26"}})
    sentiment = await client.call("analyze_sentiment", {"query": "AI热点"})
    print(trends, sentiment)

输出 JSON 结构化，便于 Dashboard 渲染。生产阈值：max_news_per_keyword=10 限长推送，sort_by_position_first=true 优先配置顺序。

扩展风险：依赖 newsnow API，star 支持上游；高频查询设 granularity="day" 降负载。监控：trigger_crawl 手动刷新数据。

该工具链落地参数清单：

参数 默认值 工程建议 场景
limit 50 20 实时查询
threshold 0.6 0.7 相似检索
granularity day hour 精细趋势
lookahead_hours 6 12 长预测
confidence_threshold 0.7 0.8 高可靠

通过以上配置，舆情系统从聚合到洞察全链路自动化，决策响应时间降至分钟级。

资料来源： [1] TrendRadar GitHub README：监控 35 个平台，提供基于 MCP 的 AI 分析（13 种工具）。 [2] 项目更新日志 v3.0.0：新增 MCP 模块，支持 Cherry Studio 等客户端。

查看归档