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：
- 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。
- Claude Desktop：编辑
claude_desktop_config.json，STDIO 命令 ["uv", "--directory", "/path/to/TrendRadar", "run", "python", "-m", "mcp_server.server"]。
- Cursor：项目级
.cursor/mcp.json，HTTP 模式 url: "http://localhost:3333/mcp" 或 STDIO。
- Cline/Continue (VSCode)：
~/.continue/config.json，添加 stdio/http transport。
- 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
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。