TrendRadar
sansan0/TrendRadar加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
一句话总结：告别无效刷屏，TrendRadar 用 AI 帮你从海量信息中筛选真正值得关注的热点，聚合多平台热点 + RSS 订阅 + 智能推送，一站式搞定。
凌晨两点，你刷完微博刷知乎，刷完知乎刷小红书，关掉手机却发现——脑子里空空如也，真正重要的信息反而被淹没在了噪声里。
这几乎是每一个信息工作者都经历过的困境。据《2024年数字注意力报告》统计，普通用户每天接触的新闻资讯超过 200 条，但有效利用率不足 5%。信息过载已经成为知识工作者的"隐形税"。
TrendRadar 正是为解决这个问题而生。它不只是一个 RSS 聚合器，而是一个真正理解你需求的 AI 舆情监控系统。你告诉它关注哪些关键词，它自动帮你追踪全网热点，筛选过滤，翻译摘要，最后推送到你指定的设备上。整个过程无需人工干预，结果精准可控。
这个项目在 2025 年 11 月创下日增 2103 star 的记录，一举冲上 GitHub Trending 全榜，被小众软件、LinuxDo 社区、阮一峰周刊等知名平台联合推荐。截至目前已斩获 58,000+ star，是中文开源社区近年来最具影响力的舆情监控工具之一。
图1：AI 筛选效果示意 — 左边是未筛选的信息洪流，右边是 TrendRadar 提炼后的精准推送
TrendRadar 采用清晰的分层架构，将爬虫、AI 分析、通知推送三个核心环节解耦，便于独立扩展和维护。
核心技术栈：
trendradar/crawler/）：基于 requests + feedparser，支持多平台热榜 API 抓取和 RSS 订阅源解析。数据来源集成 newsnow 项目 API，覆盖微博、知乎、哔哩哔哩、抖音等主流中文平台。trendradar/ai/）：使用 litellm 作为统一 LLM 调用接口，支持 OpenAI、Claude、Gemini、DeepSeek 等多模型。通过自定义 Prompt 实现智能新闻筛选、AI 翻译和内容摘要生成。trendradar/notification/）：模块化推送架构，支持飞书、钉钉、企业微信、个人微信、Telegram、邮件、ntfy、Bark、Slack 等十余种渠道，每个渠道独立配置。mcp_server/）：基于 FastMCP 2.0 实现，提供了 DataQueryTools、AnalyticsTools、SearchTools 等 8 大工具类，支持自然语言对话式数据查询，让 AI 助手直接访问你的舆情数据库。trendradar/storage/）：支持本地 JSON 文件存储和 S3 兼容云存储，数据自主可控。trendradar/
├── ai/ # AI 分析（筛选/翻译/摘要）
├── core/ # 核心调度（配置/定时/频率过滤）
├── crawler/ # 数据爬取（热榜 + RSS）
├── notification/ # 通知推送（多渠道分发）
├── storage/ # 存储抽象（本地 + S3）
└── mcp_server/ # MCP 服务端（8 类工具）
图2：MCP Server 提供的能力矩阵 — 从数据查询到系统管理全覆盖
TrendRadar 内置支持 20+ 平台的数据源，涵盖中文热榜（微博、知乎、哔哩哔哩、抖音、微信公众号、百度、今日头条、即刻等）、英文热榜（Hacker News、Reddit、Twitter/X）以及技术新闻（GitHub Trending、Google News）。用户通过配置文件定义关注的平台和关键词，系统定时抓取并按相关度排序。
这是 TrendRadar 的核心竞争力。相比传统 RSS 工具的关键词过滤，TrendRadar 使用大模型理解新闻语义，实现真正的"智能筛选"：兴趣匹配（不只是匹配关键词，而是理解文章主题与用户兴趣的语义关联）、去重与优先级（自动合并相似报道，按影响力排序）、多语言翻译（自动将英文资讯翻译为中文，打破语言壁垒）、摘要生成（为每条新闻生成 100-200 字的中文简报，便于快速浏览）。
图3：AI 分析 — 从原始新闻到结构化摘要的转化过程
TrendRadar 支持几乎所有主流通知渠道：飞书（团队协作）、钉钉（企业内部）、企业微信（国内企业办公）、个人微信（个人即时通知）、Telegram（私密性要求高的用户）、ntfy/Bark（极客用户的自托管方案）、邮件（归档留痕）。
图4：飞书与企业微信推送效果 — 格式化卡片展示关键信息
TrendRadar v3.0+ 引入了完整的 MCP（Model Context Protocol）支持，使其从一个独立的监控工具进化为 AI 助手的数据引擎：数据查询（用自然语言查询历史舆情数据）、分析工具（趋势分析、关键词统计、平台对比）、文章阅读（获取原文完整内容）、配置管理（运行时修改订阅源和关键词）、系统管理（健康检查、日志查看、版本更新）。可接入 Claude Desktop、Cursor、Cherry Studio 等支持 MCP 的 AI 应用。
TrendRadar 的设计目标之一就是"轻量易部署"。Docker 部署（推荐）：git clone → cd docker → cp .env.template .env → 填入 API Key → docker-compose up -d，整个过程不超过 10 分钟。镜像发布至 Docker Hub（wantcat/trendradar），支持 amd64 和 arm64 双架构。也支持 pip install 后直接运行，要求 Python >= 3.12。硬件需求极低，无需 GPU，普通设备即可流畅运行，内存约 1GB，磁盘 500MB。
尽管表现出色，也存在值得关注的局限：API 依赖风险（核心数据来源依赖 newsnow 项目的 API，免费但不保证稳定性）、AI 成本（智能筛选和摘要依赖 LLM API，调用量与成本直接挂钩）、中文平台覆盖强但英文相对弱、多语言文档和提示词仍有改进空间、数据时效性受平台反爬限制，实时性约 5-30 分钟。
TrendRadar 的成功折射了一个更大的趋势——在 AI 时代，"信息筛选"正在成为与"信息获取"同等重要的基础设施能力。项目作者一年内将产品从 0 做到 58K star，精准切入中文开发者群体 → 快速迭代响应反馈 → MCP 架构扩展生态 → 社区传播形成飞轮。从技术角度看，TrendRadar 示范了一种"胶水型 AI 应用"的典型范式：不做底层模型，而是将成熟的爬虫 + LLM API + 通知服务有机组合，创造出独立的用户价值。
项目速览