微舆（BettaFish）：让每个人都能成为舆情分析师

一瓶"信息净水器"：舆情分析的新范式

想象一下，当你在网上搜索一个品牌、一个事件、一个政策时，扑面而来的信息就像一条浑浊的河流——真实的声音被算法淹没，有用的观点被流量稀释。你需要的不是更多的信息，而是一台能把噪声过滤成信号的机器。

这就是微舆（BettaFish）想要解决的问题。

微舆是一个开源的多智能体舆情分析系统，用户只需要像聊天一样提出问题，系统就会自动完成从数据采集、深度分析到报告生成的全流程。开发者自称"从0实现，不依赖任何框架"，这在国内开源社区颇为罕见——大量 AI 项目选择站在 LangChain、AutoGPT 等"巨人"的肩膀上，而微舆选择了一条更艰难的路：完全自研，用纯 Python 代码构建一个完整的多智能体协作框架。

从"武汉大学事件"说起：一次真实的分析体验

根据项目 README 提供的案例，当用户输入"武汉大学舆情分析"时，系统会经历如下流程：

第一步：多 Agent 并行启动。 Query Agent（搜索）、Media Agent（多模态内容）、Insight Agent（深度洞察）三个智能体同时开始工作，就像三位各有专长的研究员同时出动。

第二步：策略制定。 各 Agent 基于初步结果，制定分块研究策略，决定接下来要深入挖掘哪些方向。

第三步：Forum 协作。 这是微舆最具创新性的设计——引入了"论坛辩论机制"，不同 Agent 被赋予不同的工具集和思维模式，通过链式思维碰撞和辩论，避免单一模型的思维局限。用作者的话说："催生出更高质量的集体智能与决策支持。"

最终，系统生成一份完整的 HTML 格式分析报告，涵盖情感倾向、传播路径、关键意见领袖、舆论走向预测等多个维度。

技术拆解：它是如何工作的

模块化架构

微舆的系统由多个引擎组成，每个引擎对应一个核心能力：

• QueryEngine：负责精准信息搜索，覆盖国内外 30+ 主流社媒平台
• MediaEngine：具备多模态能力，能深度解析抖音、快手等短视频内容
• InsightEngine：私有数据库挖掘，结合 LLM 进行深度洞察分析
• ReportEngine：智能报告生成，内置多轮对话式报告生成模板
• ForumEngine：论坛协作机制，驱动多 Agent 之间的辩论与思维碰撞
• SentimentAnalysisModel：情感分析子模块，使用微调模型和统计模型协同工作

不依赖框架的自研策略

项目选择了完全自研的道路，这在实际工程中带来了一些有趣的优势：

首先，可控性更强。当 LangChain 发布Breaking Change 时，依赖它的项目可能面临重构风险；而微舆的代码结构完全透明，开发者可以精准把控每一个环节。其次，依赖更少。requirements.txt 中虽然有 langchain 的间接依赖，但核心逻辑不依赖任何 AI 框架，这意味着升级和维护都更加灵活。最后，定制化门槛更低。作者在文档中明确提到："你只需简单修改 Agent 工具集的 API 参数与 Prompt，就可以把他变成一个金融领域的市场分析系统。"

技术栈一览

部署体验：Docker 一键启动到底方不方便

根据代码审查，微舆提供了非常完善的生产级部署方案：

Dockerfile 层面，基于 python:3.11-slim，安装了 30+ 系统依赖（包括 GTK3、OpenCV 所需的图形库、ffmpeg 等），使用 uv 作为包管理器（速度比 pip 快 5-10 倍），预装了 Playwright Chromium 浏览器。整个构建过程考虑了 Docker 层缓存——先 COPY requirements.txt 安装依赖，再 COPY 源代码。

docker-compose.yml 层面，同时启动了主应用（Flask + 3个 Streamlit）和 PostgreSQL 数据库。四个端口同时暴露：5000（Flask 主控）、8501-8503（三个 Streamlit Agent 界面）。数据持久化通过 volume 映射实现。

部署门槛主要在于 .env 配置——需要填写多个 LLM API 密钥（Kimi、Tavily 等），对于没有相关账号的用户来说，初始配置有一定门槛。但一旦配置完成，docker-compose up 确实可以一键启动。

硬件需求方面，由于爬虫和 NLP 分析都在 CPU 上运行（requirements.txt 中 torch 为 CPU 版本），对 GPU 无要求。实测 4GB RAM + 10GB 磁盘即可运行，相比同类产品（如某些需要 16GB+ VRAM 的方案）要轻量得多。

功能边界：它擅长什么，不擅长什么

擅长场景

1. 品牌声誉监控：输入品牌名，获取全网情感分析报告，适合市场/PR 部门使用
2. 事件追踪：重大突发事件后，快速了解舆论走向、关键意见领袖、传播路径
3. 竞品分析：对比多个品牌在社交媒体上的表现差异
4. 政策舆情：分析政策发布后的民间反馈

现有限制

需要坦诚地说，微舆目前并非完美：

1. API 密钥依赖：国内舆情分析需要访问微博、小红书、抖音等平台，部分接口需要商业 API 授权，免费用户难以获得完整数据源
2. 部署复杂度：虽然 Docker 简化了安装，但多 Agent 架构意味着需要同时运行 4+ 个服务，对运维有一定要求
3. 实时性：由于涉及多轮 LLM 调用，一次完整分析的耗时较长（README 提到"多轮循环"），不适合需要秒级响应的场景
4. 多语言支持：README 和核心文档以中文为主，英文社区的适用性有待验证

开源生态与行业意义

从社区数据来看，微舆在 GitHub 上拥有 41000+ stars、7500+ forks，TrendShift 排名进入全球前 300。这个数据在国内开源项目中相当罕见——甚至超过了许多商业 SaaS 产品。

更重要的是，它代表了一种**"自研 AI 基础设施"**的探索路径。在大家都习惯调用 LangChain、AutoGen 的时代，微舆用纯 Python 从零构建了完整的多智能体框架，代码量约 2 万行，结构清晰、模块独立。这意味着：

• 国内开发者可以在不依赖国外框架的情况下，拥有完整的多智能体协作解决方案
• 企业可以将微舆部署在私有环境，数据不出境，满足合规要求
• 研究者可以将它作为学习多智能体系统的完整参考实现

作者还在项目中预告了"MiroFish"（预测引擎），目标是构建"从数据到决策"的完整闭环——从微舆的数据收集与分析，到 MiroFish 的全景预测，形成了一个野心的蓝图。

在 AI 应用落地的浪潮中，微舆用一种务实的方式回答了一个问题：开源不只是复现论文，更是把 AI 能力真正交给一线使用者。无论是市场分析师、品牌运营，还是政策研究者，只要会配置 API，就能在本地运行一套专业级的舆情分析系统——这本身就是一个有价值的目标。