编程 TrendRadar深度解析：55K Star的AI舆情监控神器，如何用30秒告别信息过载

2026-05-11 12:58:42 +0800 CST views 12

TrendRadar 深度解析：55K Star 的 AI 舆情监控神器，如何用 30 秒告别信息过载

你每天花多少时间在刷微博、盯抖音、看知乎热搜？

算下来，可能半小时起步。更要命的是，刷完了，脑子里留不下几件真正有价值的信息——算法喂给你的，永远是它想让你看的，而不是你需要知道的。

今天要聊的这个开源项目，就是来解决这个问题的。

TrendRadar，GitHub 55K+ Star，一款基于 MCP 架构的 AI 舆情监控工具。监控 35 个平台，自动筛选推送，手机通知直达。从被动刷屏到主动监控，30 秒完成部署。

一、信息过载的四个致命痛点

在聊 TrendRadar 之前，先承认一个问题：人工舆情监控天然有四个缺陷。

信息分散。 热点散落在微博、知乎、抖音、B 站、财联社、华尔街见闻……每个平台都要单独刷，等你切换一圈汇总完，热点已经过气了。

响应太慢。 人工监控只能定时刷新，等你发现一条重大舆情时，它往往已经发酵了好几个小时，最佳干预窗口早就错过了。

IP 容易被封。 批量抓取各平台数据，爬几百条就被封 IP，换 IP 后很快又被限，监控三天打鱼两天晒网。

成本太高。 企业级舆情监控工具（如清博、新榜）月费动不动几千上万，中小企业根本用不起。

这四个痛点，TrendRadar 用一套开源方案全部对上了。

二、TrendRadar 是什么

TrendRadar 是开发者 sansan（GitHub @sansan0）于 2025 年 4 月开源的一个热点新闻聚合与智能分析工具。GitHub 地址：

https://github.com/sansan0/TrendRadar

核心定位一句话：让用户从被动刷屏，转变为主动监控。

项目自 2025 年 11 月登顶 GitHub Trending 月榜第一，单月暴涨 24,645 个 Star，目前累计 Star 数已突破 55K，最新版本 v3.4.0，最近一次提交是 2026 年 5 月 7 日，社区仍在活跃维护中。

三、三层架构：爬取 → 筛选 → 推送

TrendRadar 的工作原理可以拆解为三层。

第一层：多平台热点聚合

TrendRadar 支持监控 35+ 个平台，覆盖以下类别：

类别	平台列表
社交媒体	微博、知乎、抖音、小红书、B 站
搜索引擎	百度热搜、百度贴吧、搜狗热搜
资讯媒体	今日头条、腾讯新闻、网易新闻、凤凰财经
财经金融	财联社、华尔街见闻、同花顺、东方财富
技术社区	GitHub Trending、稀土掘金、SegmentFault
其他	微信搜一搜、36氪、虎嗅等

每个平台的爬取策略独立配置，支持定时任务自动抓取，数据存本地 SQLite，支持 Docker 部署。

第二层：智能关键词筛选

这一层是 TrendRadar 最核心的差异化能力。用户在 config/frequency_words.txt 中配置关键词，系统支持四种过滤语法：

# 普通词：标题包含任意一个即匹配
人工智能
大模型
开源

# 必须词(+)：必须同时包含该词和组内其他普通词
+阿里云
+降价

# 过滤词(!)：包含该词则排除
广告
推广

# 数量限制：限制每个词组返回的新闻数量
人工智能:5
大模型:3

此外还支持：

词组管理：用 [] 将多个词组成词组
关键词排序：越靠前优先级越高，影响新闻展示顺序
热度权重：综合考虑排名、持续时间、排名质量三个维度重新整理热搜

这套语法看起来简单，但实际体验下来非常精准——配置好关键词后，推过来的每一条都是"我真正想看的"。

第三层：MCP AI 分析

TrendRadar 内置了一个基于 MCP（Model Context Protocol）的 AI 分析服务，提供 20 种分析工具，用户可以用自然语言对话的方式对热点新闻进行深度挖掘：

趋势追踪：某话题在不同时间段的热度变化
情感分析：正/负面情绪占比
相似检索：找出与当前新闻相似的其他报道
话题扩散分析：话题从哪个平台起源、如何在全网扩散
关联人物/事件：新闻中涉及的关键人物和事件的关联图谱
时间线重建：还原事件的完整时间线
对比分析：两个话题在同一时间段的热度对比

所有工具通过 MCP 协议接入，不绑定具体 LLM 提供商，支持 DeepSeek、Qwen、OpenAI 等多种模型自由切换。

四、部署：30 秒，不需要会编程

TrendRadar 的安装体验在开源工具里属于顶级。

Windows 用户

下载项目后，双击运行 setup-windows.bat，会自动安装 Python 环境、配置依赖、启动服务。全程不需要敲一行代码。

Mac / Linux 用户

# 方式一：pip 安装
pip install trend-radar

# 方式二：Docker 一键启动
docker run -d -p 8000:8000 \
  -v $(pwd)/config:/app/config \
  -v $(pwd)/data:/app/data \
  sansan0/trendradar

GitHub Actions 自动更新

如果不想自己维护服务器，TrendRadar 支持 GitHub Actions Cron 定时任务，可以把抓取和推送全放在 GitHub 的服务器上跑，完全零成本。

# .github/workflows/trend-radar.yml
name: TrendRadar Auto Update
on:
  schedule:
    - cron: '0 */4 * * *'  # 每4小时运行一次
  workflow_dispatch:
jobs:
  update:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: Run TrendRadar
        run: docker run --rm -v ${{ github.workspace }}/config:/app/config sansan0/trendradar

五、推送：微信、飞书、钉钉，1 分钟到手机

抓到新闻只是第一步，推送不及时等于没用。TrendRadar 支持 9 种推送渠道，总有一款适合你：

推送渠道	适用场景
企业微信	企业团队协作，舆情通报
个人微信	个人用户，通过第三方回调
飞书	互联网公司，团队通知
钉钉	阿里系企业
Telegram	开发者、技术人群
邮件	正式报告，定时汇总
Slack	国际化团队
ntfy	开源自托管通知
Bark	iOS 用户，超低延迟

推送内容的格式也支持自定义，可以选择纯文本摘要、AI 分析简报、或者完整新闻卡片。

六、技术栈与源码架构

TrendRadar 的技术栈非常简洁，适合作为学习参考：

语言：Python 3
数据库：SQLite（轻量，数据本地存储）
Web 服务：FastAPI（可选，用于 API 访问）
AI 分析：MCP 协议 + OpenAI/DeepSeek 等兼容 API
部署：Docker（跨平台一键部署）
调度：GitHub Actions / 本地 Cron

源码目录结构：

TrendRadar/
├── config/              # 关键词配置、推送配置
│   ├── frequency_words.txt
│   └── push_config.json
├── data/                # SQLite 数据库存储
├── mcp_server/          # MCP AI 分析服务
│   ├── tools/           # 20种分析工具
│   └── mcp.py
├── crawlers/            # 各平台爬虫（每个平台独立模块）
├── docker/
├── _image/              # 部署截图资源
└── main.py              # 入口

爬虫模块采用插件化设计，新增一个平台只需在 crawlers/ 下新增一个 Python 文件，定义好接口即可。代码量不大，5000+ 行左右，适合通读学习。

七、适用人群

TrendRadar 不是万能的，以下场景特别适合：

✅ 强烈推荐

媒体从业者：监控热点，第一时间获取选题线索
市场运营：追踪品牌舆情，发现负面苗头
产品经理：监控竞品动态和行业趋势
投资人/创业者：追踪赛道热点，把握行业风向
自媒体创作者：找选题、追热点、蹭流量

⚠️ 不适合

需要全量数据而不是热点的场景（爬虫策略基于热搜，不是全量抓取）
需要精准舆情量化分析的正式商业报告（建议使用清博、新榜等企业级工具）

八、20 种 AI 分析工具详解

这是 TrendRadar 最硬核的部分。以下是 MCP Server 提供的全部 20 种分析工具，按用途分类：

热点追踪类

get_trending_news - 获取当前各平台热搜
get_news_by_keyword - 按关键词搜索新闻
get_news_by_platform - 按平台获取新闻
get_news_by_time_range - 按时间范围查询

分析推理类

analyze_trend - 话题热度趋势分析
analyze_sentiment - 情感分析（正/负/中性）
analyze_similarity - 相似新闻检索
analyze_topic_diffusion - 话题扩散路径分析
analyze_correlation - 人物/事件关联分析
analyze_timeline - 事件时间线重建
analyze_comparison - 两个话题热度对比
analyze_contrast - 同一话题不同平台对比
analyze_evolution - 话题演变分析

信息获取类

get_hot_comments - 获取热门评论
get_related_events - 获取相关联事件
get_platform_distribution - 平台分布分析
get_event_summary - 事件摘要生成

高级工具

analyze_causality - 因果分析（话题A是否导致话题B）
analyze_forecast - 热度预测
analyze_potential_risk - 潜在风险识别

使用方式也很简单，以 analyze_sentiment 为例：

# 通过 MCP 调用情感分析
result = mcp.analyze_sentiment(
    topic="小米汽车 SU7",
    time_range="7d",
    platforms=["微博", "知乎", "抖音"]
)
# 返回：正面 62%、负面 21%、中性 17%

九、MCP 架构：为什么选 MCP 而不是直接调 API

你可能会问：直接调 LLM API 不就行了，为什么还要套一层 MCP？

答案是解耦和扩展性。

MCP 的核心价值在于：

协议标准化：TrendRadar 的 AI 分析能力不绑定具体 LLM。换模型、换 API 提供商，只需改配置，不动代码。
工具注册机制：20 种分析工具通过 MCP 的 tools/list 和 tools/call 协议注册和调用，LLM 可以自然语言调用任意工具，不需要手动写调用代码。
上下文管理：MCP Server 维护长期记忆，可以跨对话追踪话题演变。
生态共享：TrendRadar 的 MCP Server 可以被其他 MCP 客户端（如 Claude Desktop、Cursor）直接调用。

换句话说，TrendRadar 不只是一个舆情工具，它还是一个以舆情数据为核心的 MCP 工具库，可以被任何支持 MCP 的 AI 应用接入使用。

十、常见问题

Q：会被平台封 IP 吗？
A：TrendRadar 的爬虫默认只抓各平台的公开热搜榜，不做深度抓取，风险较低。企业用户建议配合代理池使用。

Q：数据存在哪里？
A：本地 SQLite 数据库（data/ 目录），也可以配置连接远程 MySQL/PostgreSQL。

Q：微信推送需要服务器吗？
A：个人微信推送需要一台低配服务器运行回调服务（约 50 元/月）。企业微信/飞书/钉钉推送只需配置 Webhook URL，纯静态部署即可。

Q：和 RSS 有什么区别？
A：RSS 是"有人更新我就推"，TrendRadar 是"符合我关键词的才推"。后者信息密度高得多。

Q：数据准确吗？
A：TrendRadar 的数据源是各平台的公开热搜榜，准确性取决于平台本身的热搜算法。对比测试下来，知乎、微博、百度热搜的覆盖率最高。

结语

TrendRadar 解决的不是技术问题，而是信息获取方式的问题。

它把"我去找信息"变成了"信息来找我"。配合关键词精准过滤和 MCP AI 分析，你每天收到的推送不再是噪音，而是真正值得你花时间关注的内容。

更重要的是，这一切是开源的、免费的、可自托管的。

对于不想被算法喂垃圾、又不想花大钱买企业舆情工具的人来说，TrendRadar 几乎是当前最优解。

项目地址：https://github.com/sansan0/TrendRadar
Star 数：55K+
最新版本：v3.4.0
作者：@sansan0
许可证：MIT
适用人群：媒体/运营/产品/投资人/个人知识管理