TrendRadar 深度研究报告
项目概览
TrendRadar 是一个 AI 驱动的舆情监控与热点趋势追踪工具，旨在解决信息过载问题，帮助用户只看真正关心的新闻资讯。- 作者: sansan0
- GitHub: https://github.com/sansan0/TrendRadar
- Stars: 50k+ ⭐
- Forks: 22.8k
- 当前版本: v6.6.0
- 首次发布: 2025年7月
核心定位
┌─────────────────────────────────────────────────────────────────┐
│ TrendRadar 定位 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ 最快 30 秒部署的热点助手 │ │ ──────────────────────── │ │ │ │ 告别无效刷屏，只看真正关心的新闻资讯 │ │ │ │ 聚合多平台热点 + RSS 订阅 │ │ ↓ │ │ AI 智能筛选新闻 + AI 翻译 │ │ ↓ │ │ AI 分析简报 → 直推手机 │ │ │ └─────────────────────────────────────────────────────────────────┘
核心功能
1. 多平台热点聚合
支持平台:- 知乎、微博、百度、抖音、B站
- GitHub、HackerNews、ProductHunt
- RSS 订阅源
- 自定义数据源
2. AI 智能筛选
┌─────────────────────────────────────────────────────────────┐
│ AI 筛选流程 │ ├─────────────────────────────────────────────────────────────┤ │ │ │ 原始数据 │ │ ↓ │ │ ┌──────────────┐ │ │ │ 关键词过滤 │ ← 用户配置关键词 │ │ └──────┬───────┘ │ │ ↓ │ │ ┌──────────────┐ │ │ │ AI 相关性 │ ← LLM 评估相关性 │ │ │ 评估 │ │ │ └──────┬───────┘ │ │ ↓ │ │ ┌──────────────┐ │ │ │ AI 智能打分 │ ← 多维度评分 │ │ │ - 时效性 │ │ │ │ - 重要性 │ │ │ │ - 用户兴趣 │ │ │ └──────┬───────┘ │ │ ↓ │ │ 筛选后的高价值内容 │ │ │ └─────────────────────────────────────────────────────────────┘
3. AI 分析与简报生成
AI 能力:- 内容摘要生成
- 情感分析
- 趋势预测
- 多语言翻译
- 简报直推
4. 多渠道推送
支持渠道:| 渠道 | 类型 | 说明 | |------|------|------| | 企业微信 | 即时通讯 | 企业级推送 | | 个人微信 | 即时通讯 | 个人使用 | | 钉钉 | 即时通讯 | 办公场景 | | 飞书 | 即时通讯 | 协同办公 | | Telegram | 即时通讯 | 国际用户 | | 邮件 | 异步通讯 | 详细报告 | | ntfy | 推送服务 | 跨平台 | | Bark | iOS推送 | iPhone用户 | | Slack | 团队协作 | 开发者 | | Webhook | 通用接口 | 自定义集成 |
5. MCP 架构支持
MCP (Model Context Protocol) 集成:- 支持 AI 自然语言对话分析
- 情感洞察
- 趋势预测
- AI 对话内容直推多渠道
技术架构
系统架构图
┌─────────────────────────────────────────────────────────────────┐
│ TrendRadar 系统架构 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ ┌───────────────────────────────────────────────────────────┐ │ │ │ 数据层 │ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ │ │ 知乎热榜 │ │ 微博热搜 │ │ GitHub │ │ RSS订阅 │ │ │ │ │ │ 百度热搜 │ │ 抖音热榜 │ │ HN │ │ 自定义 │ │ │ │ │ └────┬─────┘ └────┬─────┘ └────┬─────┘ └────┬─────┘ │ │ │ │ └────────────┴────────────┴────────────┘ │ │ │ └───────────────────────────┬───────────────────────────────┘ │ │ ↓ │ │ ┌───────────────────────────────────────────────────────────┐ │ │ │ 处理层 │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ 调度系统 │ │ │ │ │ │ timeline.yaml - 统一时间线调度 │ │ │ │ │ └────────────────────┬────────────────────────────────┘ │ │ │ │ ↓ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ AI 处理引擎 │ │ │ │ │ │ • 智能筛选 (ai_filter/) │ │ │ │ │ │ • 内容分析 (ai_analysis_prompt.txt) │ │ │ │ │ │ • 翻译处理 (ai_translation_prompt.txt) │ │ │ │ │ │ • 兴趣匹配 (ai_interests.txt) │ │ │ │ │ └────────────────────┬────────────────────────────────┘ │ │ │ └────────────────────────┼───────────────────────────────────┘ │ │ ↓ │ │ ┌───────────────────────────────────────────────────────────┐ │ │ │ 输出层 │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ 推送系统 │ │ │ │ │ │ 微信/钉钉/飞书/Telegram/邮件/Slack/... │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ MCP 服务 │ │ │ │ │ │ 自然语言对话 / 情感分析 / 趋势预测 │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ │ │ │ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ │ │ 报告生成 │ │ │ │ │ │ HTML 报告 / Markdown / JSON │ │ │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ └───────────────────────────────────────────────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────────┘
技术栈
| 类别 | 技术 | |------|------| | 语言 | Python 3.12+ | | 包管理 | uv (现代Python包管理器) | | 部署 | Docker, GitHub Actions, GitHub Pages | | 协议 | MCP (Model Context Protocol) | | 前端 | HTML + CSS (报告展示) |
项目结构
TrendRadar/
├── .github/ # GitHub Actions 工作流 ├── _image/ # 图片资源 ├── config/ # 配置文件 │ ├── ai_filter/ # AI 筛选配置 │ ├── custom/ # 自定义配置 │ ├── ai_analysis_prompt.txt │ ├── ai_interests.txt │ ├── ai_translation_prompt.txt │ ├── config.yaml # 主配置 │ ├── frequency_words.txt │ └── timeline.yaml # 时间线调度 ├── docker/ # Docker 配置 ├── docs/ # 文档 ├── mcp_server/ # MCP 服务 ├── output/ # 输出目录 ├── trendradar/ # 核心代码 │ └── core.py ├── index.html # GitHub Pages 展示 ├── pyproject.toml # Python 项目配置 ├── requirements.txt # 依赖 └── setup-*.sh/bat # 安装脚本
部署方式
1. GitHub Actions 部署（推荐，30秒）
<h1>一键 fork 即可运行</h1>
<h1>自动定时任务</h1> <h1>数据保存在 GitHub Pages</h1>
- 零成本
- 自动运行
- 无需服务器
2. Docker 部署
<h1>本地/服务器部署</h1>
docker-compose up -d
<h1>数据自持</h1> <h1>完全控制</h1>
3. 本地部署
<h1>安装依赖</h1>
uv sync
<h1>运行</h1> python trendradar/core.py
配置详解
核心配置文件
config/config.yaml:<h1>数据源配置</h1>
sources: zhihu: true weibo: true github: true rss: - "https://example.com/feed.xml"
<h1>AI 配置</h1> ai: provider: openai api_key: "${API_KEY}" model: gpt-4o-mini
# 智能筛选 filter: enabled: true threshold: 0.7
# 分析配置 analysis: enabled: true prompt_file: "config/ai_analysis_prompt.txt"
# 翻译配置 translation: enabled: true target_languages: ["zh", "en"]
<h1>推送配置</h1> notifications: wechat: enabled: true webhook_url: "${WECHAT_WEBHOOK}" telegram: enabled: true bot_token: "${TG_BOT_TOKEN}" chat_id: "${TG_CHAT_ID}"
<h1>调度配置</h1> timeline: "config/timeline.yaml"
<h1>定义任务调度</h1>
schedule: - name: "morning_brief" cron: "0 8 <em> </em> *" # 每天8点 tasks: - fetch_hot_news - ai_filter - ai_analysis - push_notification
- name: "hourly_update" cron: "0 <em> </em> <em> </em>" # 每小时 tasks: - fetch_hot_news - ai_filter
MCP 架构集成
MCP (Model Context Protocol) 支持
┌─────────────────────────────────────────────────────────────┐
│ MCP 集成架构 │ ├─────────────────────────────────────────────────────────────┤ │ │ │ ┌──────────────┐ │ │ │ AI 客户端 │ ← Cherry Studio, Claude Desktop, etc │ │ │ (MCP Client)│ │ │ └──────┬───────┘ │ │ │ MCP 协议 │ │ ↓ │ │ ┌──────────────┐ │ │ │ TrendRadar │ │ │ │ MCP Server │ ← mcp_server/ │ │ └──────┬───────┘ │ │ │ │ │ ↓ │ │ ┌──────────────────────────────────────┐ │ │ │ 功能接口 │ │ │ │ • 自然语言查询热点 │ │ │ │ • 情感分析 │ │ │ │ • 趋势预测 │ │ │ │ • 对话式探索 │ │ │ └──────────────────────────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────┘
MCP 功能示例
<h1>AI 对话示例</h1>
用户: "最近 AI 领域有什么重要新闻？"
TrendRadar MCP: └── 查询热点数据库 └── AI 分析重要性 └── 生成简报 └── 返回结构化结果
响应: "根据最近 24 小时的数据，AI 领域有以下重要动态：
- OpenAI 发布 GPT-5 预览版 - 重要性: 9/10
- Google Gemini 2.0 更新 - 重要性: 8/10
- ..."
创新亮点
1. 统一时间线调度系统 (v6.0+)
问题: 多任务调度复杂，容易冲突 解决方案: timeline.yaml 统一调度<h1>所有任务在一个时间线中管理</h1>
schedule: - name: "data_collection" cron: "<em>/10 </em> <em> </em> *" # 每10分钟
- name: "ai_analysis" cron: "0 <em>/6 </em> <em> </em>" # 每6小时 depends_on: data_collection
2. AI 智能筛选系统 (v6.5+)
多维度评分:- 关键词匹配度
- AI 相关性评估
- 用户兴趣匹配
- 时效性权重
- 来源可信度
3. 容器化与 uv 迁移 (v6.0+)
现代化 Python 实践:- 使用
uv替代 pip (更快更可靠) - Docker 多阶段构建
- 健康检查端点
- 数据卷持久化
4. HTML 报告浏览器增强 (v6.6.0)
最新功能:- 暗色模式
- 浮动工具栏
- 一键复制
- 宽屏模式
- Tab 导航
与 Hermes 的关联
1. 功能互补
| Hermes | TrendRadar | 协同场景 | |--------|-----------|----------| | AI Agent 执行 | 热点监控 | Hermes 执行，TrendRadar 提供上下文 | | Skill 系统 | 数据源 | TrendRadar 数据作为 Skill 输入 | | Improvement Loop | AI 筛选 | 共同优化信息处理流程 | | Supervisor | 推送系统 | 监控结果通过 TrendRadar 推送 |
2. 集成可能性
场景 1: TrendRadar 作为 Hermes 的信息源
<h1>Hermes Skill 调用 TrendRadar</h1>
class TrendRadarSkill: def get_hot_topics(self, category="ai"): """获取 TrendRadar 热点数据""" data = trendradar_api.query( category=category, time_range="24h", min_score=0.8 ) return self.format_for_hermes(data)
场景 2: Hermes 分析 TrendRadar 数据
<h1>Hermes 分析热点趋势</h1>
class TrendAnalysisSkill: def analyze_trend(self, keyword): """深度分析某个趋势""" # 1. 从 TrendRadar 获取相关新闻 news = trendradar.search(keyword)
# 2. Hermes 进行深度分析 analysis = self.llm.analyze( context=news, task="分析趋势走向和影响" )
# 3. 生成报告并推送 return analysis
场景 3: 统一推送系统
Hermes 执行结果 ──┐
├──→ TrendRadar 推送系统 ──→ 多渠道推送 TrendRadar 热点 ──┘
3. 架构借鉴
借鉴 1: 统一调度系统
<h1>TrendRadar 的 timeline.yaml → Hermes 的 workflow</h1>
<h1>可以用类似的 YAML 定义 Skill 执行流程</h1>
借鉴 2: AI 筛选打分机制
<h1>TrendRadar 的多维度评分 → Hermes 的 Skill 选择</h1>
<h1>可以用类似机制选择最优 Skill</h1>
借鉴 3: 多渠道推送抽象
<h1>TrendRadar 的通知抽象层 → Hermes 的消息推送</h1>
<h1>统一不同平台的推送接口</h1>
用户评价与反馈
社区反馈
"30秒部署，小白也能用" —— 用户反馈
"解决了信息过载问题，只看关心的内容" —— 用户评价
"开源万岁，项目很棒" —— 社区支持
应用场景
- 个人用户: 追踪感兴趣领域的热点
- 产品经理: 监控竞品动态和行业趋势
- 投资人: 追踪市场热点和项目动态
- 研究人员: 追踪学术前沿和技术趋势
- 运营人员: 监控品牌舆情和热点话题
项目数据
GitHub 统计
- Stars: 50k+
- Forks: 22.8k
- Commits: 224+
- Releases: 58 tags
- Contributors: 持续增长
社区活跃度
- Issues: 26 (活跃维护)
- Pull Requests: 9
- 关注者: 快速增长
赞助商与支持
- 早期支持者: 73+ 位
- 资金支持: 通过赞赏码持续获得支持
资源链接
- GitHub: https://github.com/sansan0/TrendRadar
- GitHub Pages: https://sansan0.github.io/TrendRadar
- Docker Hub: https://hub.docker.com/r/wantcat/trendradar
- Trendshift: https://trendshift.io/repositories/14726
- MCP 文档: https://modelcontextprotocol.io/
总结
TrendRadar 的核心价值
- 解决信息过载: AI 智能筛选，只看重要内容
- 低门槛部署: 30秒 GitHub Actions 部署
- 多平台聚合: 一站式监控多平台热点
- AI 增强: 智能分析、翻译、简报生成
- 多渠道推送: 支持几乎所有主流通知渠道
- MCP 集成: 与 AI 工作流深度集成
对 Hermes 的启示
- 用户友好: 简单易用，30秒部署
- 配置驱动: YAML 配置，无需编码
- 统一抽象: 多渠道推送的统一接口
- AI 优先: 全流程 AI 增强
- 社区驱动: 开源精神，持续迭代
研究日期: 2026-03-30 TrendRadar 版本: v6.6.0