Hotdry.
归档
ai-systems

TrendRadar：多平台热点采集与 MCP 驱动的 AI 舆情分析

集成35平台实时热点采集、语义去重，通过MCP工具链驱动AI舆情分析，支持企业微信/Telegram零代码推送。详解工程参数、部署清单与监控要点。

TrendRadar 项目提供了一个高效的多平台热点监控系统，通过集成 newsnow API 采集 35 个平台的实时热搜数据（如知乎、抖音、B 站、华尔街见闻、财联社等），实现语义去重和智能推送，最终结合 MCP（Model Context Protocol）协议驱动 AI 进行深度舆情分析。这种架构特别适合企业公关、投资者和自媒体人，用于零代码部署的实时舆情追踪，避免信息过载。

核心价值在于其多源聚合与 AI 增强的双轮驱动。首先，热点采集模块支持自定义平台配置，默认监控 11 个主流平台，可扩展至更多。通过个性化热点算法（排名权重 60%、频次 30%、热度 10%），系统重新排序全网热搜，确保高相关性输出。“本项目使用 newsnow 项目的 API 获取多平台数据”，这依赖外部免费服务，用户需点 Star 支持以维持稳定性。语义去重则通过关键词筛选实现：普通词基础匹配、+ 必须词限定范围、! 过滤词排除干扰、@数字控制数量（如 @10 限制 10 条）。三种推送模式进一步优化体验：daily（当日汇总，适合管理者查看全天趋势）、current（当前榜单，追踪实时热度变化）、incremental（增量监控，仅新内容推送，避免重复）。这些参数在 config/config.yaml 中配置，例如 report.mode: incremental，notification.push_window.enabled: true 可设置推送时间窗（如 09:00-18:00），防止非工作时段干扰。

MCP 工具链是 AI 分析的关键创新，支持 14 种工具（如趋势追踪、情感分析、相似检索、跨平台对比），允许自然语言查询本地积累的新闻数据（如 “分析比特币最近热度趋势”）。不同于传统 RAG，MCP 标准化协议无缝集成 Claude Desktop、Cursor、Cline 等客户端，实现对话式深度挖掘。部署 MCP 服务只需运行 python -m mcp_server.server，支持 STDIO 或 HTTP 模式（默认端口 3333）。工具包括 get_latest_news（最新新闻）、analyze_topic_trend（话题趋势）、analyze_sentiment（情感分析）等，参数如日期范围（resolve_date_range 支持 “本周、上月” 自然语言）。本地数据存储在 output 目录，自带 11 月测试数据，生产环境运行爬虫 1 天即可积累实时语料。风险点：AI 仅分析本地数据，无法实时网络查询；依赖项目路径无中文，避免路径解析错误。

落地部署清单简明高效，零编程门槛：

  1. GitHub 云端部署（推荐 30 秒上手）：

    • Fork https://github.com/sansan0/TrendRadar。
    • Settings > Secrets 添加 webhook：WEWORK_WEBHOOK_URL（企业微信）、TELEGRAM_BOT_TOKEN + TELEGRAM_CHAT_ID（Telegram）、FEISHU_WEBHOOK_URL 等。
    • 编辑 config/frequency_words.txt 添加关键词组（如 “AI\nChatGPT\n + 技术 \n! 广告”）。
    • Actions 页 Run workflow 测试，手动触发后 1 分钟手机通知。
    • 启用 GitHub Pages 获网页报告，支持一键保存图片分享。

  2. Docker 本地部署（1 分钟通知）：

    mkdir trendradar && cd trendradar
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=your_url wantcat/trendradar:latest
    • 环境变量覆盖 config.yaml（如 REPORT_MODE=incremental）。
    • docker logs -f trend-radar 监控日志。

  3. MCP AI 集成：

    • 运行 setup-windows.bat（Windows）或 ./setup-mac.sh 安装依赖。
    • STDIO 模式：在 Cursor 等配置 {"command": "uv", "args": ["--directory", "/path/to/TrendRadar", "run", "python", "-m", "mcp_server.server"]}。
    • HTTP 模式：start-http.bat，访问 http://localhost:3333/mcp 测试。
    • 示例查询：Cursor 中 “查询昨天知乎热点，分析情感倾向”。

监控要点与优化参数：

  • 阈值调优：rank_weight: 0.8（实时热点追逐）、frequency_weight: 0.5（深度话题）。
  • 频率控制：.github/workflows/crawler.yml cron: '*/30 * * * *'（30 分一轮），勿过频防 API 限流。
  • 回滚策略：小版本升级仅替换 main.py，大版本重新 Fork。ntfy/Bark 等备用推送防单点故障。
  • 扩展实践：自定义平台（platforms: [{id: "custom", name: "X 平台"}]）；MCP 新工具开发，继承基类添加 resolve_date_range 等。
  • 性能指标：推送分批（Slack mrkdwn 4KB / 批），数据持久化 output/HTML/TXT。

实际案例：投资者配置 “特斯拉 \n 马斯克 \n@5”，incremental 模式，每日获 5 条新热点 + AI 趋势预测；公关团队监控 “品牌危机 \n! 广告”，cross-platform 对比知乎 / 微博舆情。相比 LightRAG/Memori 等内存 RAG，TrendRadar 聚焦跨源采集 + MCP 标准化，工程化更强。

资料来源：

查看归档