new-term-radar
zhuyansen/new-term-radar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。
图：new-term-radar 项目图标（来自项目仓库 docs 目录）
你想做一个 AI 图片检测工具。打开 Ahrefs、Semrush，搜索「ai image detector」——月搜索量 2537，早就被大公司占满，SEO 之路基本堵死。
但同一周，一个叫 SynthID Detector 的新产品刚出现，名字搜索量还很小，但它背后的那件事（ai image detector）正在起量。
如果你早两周知道这件事，结论会完全不同：不要去抢「ai image detector」，而是等一个更早的窗口，或者干脆去做另一件事。
new-term-radar 干的就是这件事：在关键词工具收录之前，把正在冒头的新词抓出来。
官方描述很直白："Daily radar for new AI terms: names of new models, products and repos, caught on X, Hugging Face, GitHub and sitemaps before keyword tools list them."
作者 Jason Zhu 的目标非常具体："Catch the names AI people are about to search for, the day they appear, before keyword tools list them."
项目在 PyPI 发布，MIT 协议，Python 3.10+，核心只依赖标准库（dependencies = []，markdown 与 mcp 都是可选 extras）。首日 700+ star，三天破千。
常规 SEO 工具是地震记录——告诉你「这个月 ai image detector 搜了 2537 次」，数据准确但已经晚了。
new-term-radar 是地震预警：在震级还没被记录下来之前，先告诉你「某个地方开始有感了」。它的全部价值在于「早」——早到关键词表还没更新，早到 SEO 工具的数据还没反映。
这个「早」还体现在一个巧妙的机制上：它不只报名字，还报名字背后的通用需求词。「SynthID Detector」是 Google 的，但「ai image detector」不是——后者才是能长期做的关键词。报告里这两者并排列出，并标注「⚠」提醒你「photoshop alternative」这类词的需求挂在竞品品牌上，用不用别人品牌是你的判断。
项目追踪 12 个来源，每个都标注了成本（价格是 AIsa 在 2026 年 10 月的实价）：
| 信号 | 抓什么 | 成本 |
|---|---|---|
| ① X | 你列表里的账号 60 天内首次提到的名字 | 约 $0.003/账号/次 |
| ① Hugging Face | 新进入 trending top 50 的模型与 Space | 免费 |
| ② GitHub breakout | 14 天内的新仓库日均 200+ star，或较昨日 +400 | 免费 |
| ③ Sitemaps | 某站点多个新 URL 共享、而老 URL 罕见的词 | 免费 |
| ③ New sites | 90 天内注册并首次收录、已排名 20+ 关键词的域名 | 约 $0.13/次/周 |
| ⑥ Revenue | TrustMRR 验证收入：30 天内增长最快的（$500+）与最新上架 | 免费，6 次请求/周 |
| ⑦ Asks | Reddit 上人们提出的需求（「有没有个 AI 工具能……」，12 种问法） | 约 $0.12/周 |
| ⑧ Sellers | 刚挂出首个支付链接的站点（Stripe、Polar、Lemon Squeezy、Gumroad、Creem） | 约 $0.40/周 |
| ④ Search Console | 你的站点首次获得曝光的查询词（你自己的 Google token） | 免费 |
| ⑤ Review | 每个线索 14 天后对照自身基线做 Google Trends 复核 | $0.0012/变体 |
| Keyword table | 新名字背后的通用需求词、量级、首页竞争检查、决策 | 约 $0.18/天/5 个名字 |
| Name judge | 小模型判断每个词是「专有名词」还是「通用词」 | 几分之一美分/次 |
配置示例（35 个 X 账号每天读三次 + 每天 5 个名字的关键词表）月成本约 15 美元。
输出的表包含：关键词、类型（name/generic）、背后是什么、新旧、日均搜索量估计、起量时间、峰值对比（vs GPTs）、峰值日期、近 7 天 vs 前 7 天（×6.0 这种倍率）、当前趋势、首页是否有位置、以及决策（prioritize / watch / skip）。
关键词的产生过程分三步：证据（X 上提及该名字的高赞帖子、仓库 README）→ 短语（模型读证据后写出普通人会怎么搜，每条附一句佐证引用）→ 量级与首页检查（可选 GoAnyAPI 拿 Google Trends 相关查询）。
命令行、三个 Agent Skills、MCP Server（new-term-radar-mcp），以及一个 pains 命令。
极轻。 核心零第三方依赖，Python 3.10+ 标准库即可跑：
pip install new-term-radar
new-term-radar
MCP 模式：pip install "new-term-radar[mcp]" 后运行 python -m radar.mcp_server（或 new-term-radar-mcp）。邮件报告需要 pip install "new-term-radar[mail]"。
配置走 config.example.json（有 config.json 示例）。免费部分（Hugging Face、GitHub breakout、Sitemaps、TrustMRR）不需要任何 key；其余需要 AIsa key、可选的 GoAnyAPI key、TrustMRR key 与你自己的 Google token。
无 Web UI：这是命令行 + Agent Skill + MCP 工具，另有 .claude-plugin/ 与 skills/ 目录接入 Agent 生态。docs/ 有 VitePress 风格的图示（含 radar.en.gif / radar.zh.gif 动图）。
硬件要求几乎为零：不需要 GPU，内存几百 MB，磁盘几十 MB。它是个抓取与统计工具，不做推理（除了用小模型做「name judge」）。
核心能力依赖付费第三方 API。 AIsa 是主要的 X 读取与关键词生成通道，GoAnyAPI 提供 Trends 相关查询。这意味着免费部分能用，完整功能要付费，而且成本随监控规模线性增长。
信号误报率未知。 项目自己设计了「⑤ Review」机制——14 天后用 Google Trends 对照基线复核——这恰恰说明作者承认信号会误报。但项目未公布各信号的命中率数据。
依赖外部平台的可达性与条款。 X 高级搜索、Hugging Face trending、TrustMRR 私有链接图，任何一家的 API 变更或封禁都会影响结果；抓取 X 内容还需遵守平台条款。
「新词」的定义偏营销。 判断「什么算值得关注的 AI 新词」本身带有作者的主观标准，报告里的 prioritize/watch/skip 决策是工具给出的建议，不是客观事实。
单作者项目。 1 位贡献者，代码在 radar/ 目录下，命名空间用 new_term_radar 包映射到 radar 目录（作者说明是因 PyPI 已有同名 radar 项目），这类细节说明维护者在意长期可持续性，但也意味着 bus factor 为 1。
项目迭代很快。 版本从 0.3 到 0.5 增加了收入、Reddit 需求、卖家、首页检查等多个能力，README 里的能力表还在持续变化。
这个项目站在一个有趣的交叉点上：AI 工具自增长 + SEO 工具的代际更替。
传统 SEO 工具（Ahrefs、Semrush、Google Trends）本质是「聚合历史数据」——它们告诉你什么已经火了。new-term-radar 做的是「领先一步的信号聚合」：GitHub star 突增、Reddit 的需求原话、首个支付链接、X 上的首次提及——每一个都是弱信号但早信号，组合起来就能形成先行指标。
这个思路可以推广到任何「变化先于数据」的场景：新品类命名、新的技术词汇、新的工具品类。项目还把这套方法做成了 MCP Server 和 Agent Skill，意味着Agent 可以自己每天跑一次雷达，把「新词 + 关键词表 + 决策」带进工作流——比如让内容 Agent 依据雷达结果自动排选题。
对一个被 AI 工具 SEO 红利困扰的独立开发者来说，它的价值非常直接：在关键词被写进工具报告之前的那几周，往往就是流量的窗口期。
MIT 协议、标准库零依赖、PyPI + MCP Registry + Cursor Directory + LobeHub + ClawHub + skills.sh 全平台分发——小工具做得很完整。