工具

TrendRadar 实战:从一行 Docker 到 MCP 接入,把舆情监控交给 AI

60k+ stars 的中文舆情监控开源项目,聚合 12+ 平台热点 + AI 过滤 + 多渠道推送,还支持 MCP 让 AI 对话式分析。本文带你从 0 跑起来,聊聊它怎么工作、好在哪、谁该用。

字号

信息过载这事我最近体会很深。每天刷一遍微博热搜、抖音、B站、知乎,两个小时没了,真正有用的可能就两三条。TrendRadar (GitHub) 思路很简单:与其你刷信息,不如让 AI 替你刷。GitHub 上 60k+ stars,中文舆情监控类目里数一数二,值得花时间搞清楚。

它解决什么问题

每个平台一套榜单,每个榜单一套规则。想看一个关键词最近火不火,你得手动打开 5 个 App 搜 5 次。TrendRadar 的解法是:聚合多平台热点 + 关键词精准筛选 + AI 过滤噪音,最后只把真正重要的内容推到你手机上。

场景上,做品牌监控、竞品分析、自媒体选题的人最能感受到价值。投资人盯行业动态、研究员做数据采集,同样对得上。

怎么用

部署门槛压到了一行 Docker。先准备一个 config.yaml 填好关键词和推送渠道(微信 / 飞书 / 钉钉 / Telegram / 邮件 / bark / ntfy / slack 任意选),然后 docker run 起来,后面就是定时跑。

最小可运行的配置:

# docker-compose.yml
version: "3"
services:
  trendradar:
    image: sansan0/trendradar:latest
    container_name: trendradar
    restart: unless-stopped
    volumes:
      - ./config/config.yaml:/app/config/config.yaml
      - ./config/regex.yaml:/app/config/regex.yaml
      - ./data:/app/data
    environment:
      - TZ=Asia/Shanghai
    # 可选:启用 MCP server
    # ports:
      # - "8000:8000"
# config.yaml 最小示例
platforms:
  - weibo
  - zhihu
  - bilibili
keywords:
  - "AI Agent"
  - "大模型"
push:
  feishu:
    webhook: "https://open.feishu.cn/..."
ai:
  enabled: true
  provider: openai
  model: gpt-4o-mini

README 写得相当细,中文文档是加分项,新手按步骤走基本不会卡住。

它怎么工作

架构分四层,数据流向是这样的:

  1. 数据采集层:爬虫 + RSS 解析,覆盖微博、知乎、抖音、B站、微信公众号等 12+ 平台
  2. 关键词匹配层:本地规则做第一轮过滤,可选 AI 二次筛选
  3. 内容处理层:AI 翻译 + 摘要生成 + 情感分析
  4. 推送层:8+ 渠道适配器,按配置定时推到对应接收端

最亮眼的是 MCP 接入——把整个项目的能力封装成 MCP server,让 Claude、Cursor 这些 AI 客户端能直接调用。这意味着你可以直接问 AI:

  • "今天舆情怎么样?"
  • "某品牌最近口碑趋势如何?"
  • "对比 A 和 B 这周的热度变化"

不需要去翻推送的报表,直接对话式查询。这是把舆情工具升级成舆情 Agent 的关键一步。

它哪里好 / 哪里不好

好的方面:

  • 中文场景优化到位:国内平台覆盖全 + 国内推送渠道齐全
  • AI 不是噱头:流水线每一步都有对应痛点(翻译、摘要、筛选、推送文案)
  • 60k+ stars 验证需求真实
  • Docker 部署简单,数据本地自持,无第三方 SaaS 依赖

不足:

  • MCP 接入需要用户自己懂 MCP 配置,对非技术用户有门槛
  • 依赖外部 LLM API(OpenAI / Claude 等)有持续成本
  • 爬虫部分对平台反爬策略变化的抗压能力未知
  • 项目体量大,二次定制需要读源码

横向对比:

  • 比 RSSHub 强在 AI 处理层
  • 比新榜那种商业舆情工具便宜,但功能深度有差距
  • 定位在个人 / 小团队的自托管方案,不是企业级 SLA 产品

我试了下

用默认配置跑起来,先看数据采集——12 个平台基本都能拉到,微博和知乎最稳定,抖音需要配置 cookie。AI 筛选环节接的是 OpenAI GPT-4o-mini,处理 50 条热点大概消耗 $0.02,成本可控。

推送测试了飞书和邮件,3 秒内到达。MCP 这块没在本地完整跑通,服务端启动正常,但客户端配置需要手动改 JSON,这点对小白不太友好。

整体判断:对开发者是真神器,对纯产品 / 运营同学需要有人帮一把做初次配置。

谁该用

适合:

  • 自媒体作者做选题监控
  • 品牌运营做口碑跟踪
  • 投资人盯行业动态
  • 研究员做数据采集

都是"需要持续盯一批关键词但又不想被信息流绑架"的场景。

不适合:

  • 只想临时看一次热搜的(直接刷微博就行)
  • 对实时性要求秒级的(架构是定时拉取,不是流式)
  • 企业级合规要求高的(自托管方案但代码未经过审计)

如果你的痛点是"每天要花 1 小时刷各个平台看有没有和我相关的内容",那这个工具就是为你做的。

编辑思考

TrendRadar 60k+ stars 这个数字本身就是个信号——GitHub 上 90% 的中文项目能过 10k 都算头部,它做到了 60k+。我觉得核心原因不是技术多牛,而是它踩中了一个被严重低估的需求:中文互联网用户的信息过载焦虑,以及"我想知道发生了什么但不想被算法绑架"的微妙心理。

比起 RSSHub 那种纯技术工具,它多了 AI 加工层;比起新榜那种商业产品,它把成本压到了接近零。这件事和过去不同的地方在于:MCP 接入让舆情监控第一次具备了对话式交互形态。以前你得配置规则、等推送、看报表。现在你可以直接问 AI:"帮我对比 A 和 B 品牌最近一周的口碑差异。"这种交互范式的迁移,比功能本身更值得关注。

不确定的是:MCP 生态还太早期,客户端兼容性、调用稳定性都需要时间验证。另外依赖外部 LLM 意味着长期成本不可忽视。如果未来 token 价格不降反升,这种 "AI 中间层" 项目都会面临重构压力。

我的判断:短期(1-2 年)它会是个人和小团队的事实标准,但企业市场最终会被有 SLA 保障的商业方案吃掉。

来源: https://github.com/sansan0/TrendRadar