工具

TrendRadar 實戰:一行 Docker 跑輿情監控,再用 MCP 交給 AI 接管

GitHub 上破六萬星的中文輿情監控開源專案,聚合 12+ 平台熱點、靠 AI 過濾雜訊、多管道推播,還能用 MCP 讓 AI 直接對話分析。本文從零帶你跑起來,拆解運作原理、優缺點與適用族群。

字級

資訊過載這檔事,我最近感受特別深。每天刷一輪微博熱搜、抖音、B 站、知乎,兩小時就沒了,真正有用的可能就兩三條。TrendRadar(GitHub)的思路很單純:與其你自己滑資訊,不如讓 AI 幫你滑。在 GitHub 上拿下 60k+ stars,中文輿情監控類別裡名列前茅,值得花時間研究一下。

它解決了什麼問題

每個平台一套榜單,每套榜單一套規則。想確認某個關鍵字最近紅不紅,你得手動打開五個 App 各搜一次。TrendRadar 的解法是:聚合多平台熱點 + 關鍵字精準篩選 + AI 過濾噪音,最後只把真正重要的內容推送到你手機上。

應用場景上,做品牌監控、競品分析、自媒體選題的人最能感受到價值。投資人盯產業動態、研究員做資料蒐集,同樣對得上。

怎麼用

部署門檻壓到了一行 Docker。先準備一份 config.yaml 填好關鍵字與推播渠道(微信 / 飛書 / 釘釘 / Telegram / Email / bark / ntfy / slack 任選),接著 docker run 起來,之後就是排程自動跑。

最小可運行的配置:

# 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
    # 可選:啟用 MCP server
    # ports:
      # - "8000:8000"
# config.yaml 最小範例
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 寫得相當細,中文文件是加分項,新手照著步驟走基本上不會卡住。

它怎麼運作

架構分四層,資料流向如下:

  1. 資料採集層:爬蟲 + RSS 解析,覆蓋微博、知乎、抖音、B 站、微信公眾號等 12+ 平台
  2. 關鍵字比對層:本地規則做第一輪過濾,可選 AI 二次篩選
  3. 內容處理層:AI 翻譯 + 摘要生成 + 情感分析
  4. 推播層:8+ 渠道適配器,依設定排程推到對應接收端

最亮眼的是 MCP 接入——把整個專案的能力封裝成 MCP server,讓 Claude、Cursor 這些 AI 客戶端能直接呼叫。這代表你可以直接問 AI:

  • 「今天輿情怎麼樣?」
  • 「某品牌最近口碑趨勢如何?」
  • 「對比 A 和 B 這週的熱度變化」

不用再去翻推播的報表,直接對話式查詢。這是把輿情工具升級成輿情 Agent 的關鍵一步。

它哪裡好 / 哪裡不好

好的方面:

  • 中文場景優化到位:國內平台覆蓋齊全 + 國內推播渠道完整
  • AI 不是噱頭:流水線每一步都對應到痛點(翻譯、摘要、篩選、推播文案)
  • 60k+ stars 驗證需求真實存在
  • Docker 部署簡單,資料本地自持,無第三方 SaaS 依賴

不足:

  • MCP 接入需要使用者自己懂 MCP 設定,對非技術使用者有門檻
  • 依賴外部 LLM API(OpenAI / Claude 等)會產生持續成本
  • 爬蟲部分對平台反爬策略變化的抗壓能力未知
  • 專案體量大,二次客製需要讀源碼

橫向對比:

  • 比 RSSHub 強在 AI 處理層
  • 比新榜那種商業輿情工具便宜,但功能深度有落差
  • 定位在個人 / 小團隊的自架方案,不是企業級 SLA 產品

我試了一下

用預設配置跑起來,先看資料採集——12 個平台基本上都拉得到,微博和知乎最穩定,抖音需要設定 cookie。AI 篩選環節接的是 OpenAI GPT-4o-mini,處理 50 條熱點大約消耗 $0.02,成本可控。

推播測試了飛書和 Email,三秒內送達。MCP 這塊沒在本地完整跑通,server 端啟動正常,但客戶端設定需要手動改 JSON,這點對新手不太友善。

整體判斷:對開發者是真神器,對純產品 / 營運同學需要有人幫忙做初次設定。

誰適合用

適合:

  • 自媒體作者做選題監控
  • 品牌營運做口碑追蹤
  • 投資人盯產業動態
  • 研究員做資料蒐集

都是「需要持續盯一批關鍵字,但又不想被資訊流綁架」的情境。

不適合:

  • 只想臨時看一次熱搜的(直接刷微博就好)
  • 對即時性要求到秒級的(架構是排程拉取,非串流)
  • 企業級合規要求高的(自架方案但程式碼未經過稽核)

如果你的痛點是「每天要花一小時刷各平台看有沒有和我相關的內容」,那這個工具就是為你做的。

編輯觀點

TrendRadar 60k+ stars 這個數字本身就是個訊號——GitHub 上 90% 的中文專案能破 10k 就算頭部,它做到 60k+。我覺得核心原因不是技術多厲害,而是它踩中了一個被嚴重低估的需求:中文網路使用者的資訊過載焦慮,以及「我想知道發生了什麼但不想被演算法綁架」的微妙心理。

比起 RSSHub 那種純技術工具,它多了 AI 加值層;比起新榜那種商業產品,它把成本壓到接近零。這件事和過去不同的地方在於:MCP 接入讓輿情監控第一次具備了對話式互動型態。以前你得設定規則、等推播、看報表;現在你可以直接問 AI:「幫我對比 A 和 B 品牌最近一週的口碑差異。」這種互動模式的遷移,比功能本身更值得關注。

不確定的是:MCP 生態還太早期,客戶端相容性、呼叫穩定性都需要時間驗證。另外依賴外部 LLM 意味著長期成本不可忽視。如果未來 token 價格不降反升,這種「AI 中間層」專案都會面臨重構壓力。

我的判斷:短期(1-2 年)它會是個人和小團隊的事實標準,但企業市場最終會被有 SLA 保障的商業方案吃掉。

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