TrendRadar 本地部署指南：构建个人 AI 热点情报系统

在 platforms 部分，可根据兴趣保留或删除平台（如只看 GitHub、掘金）。

3. 优化关键词匹配

编辑 config/frequency_words.txt，建议使用正则表达式进行精准匹配，避免误报。例如科技领域：

[WORD_GROUPS]
# AI 相关
/[\bai\b]/i => 人工智能 大模型 神经网络 机器学习
/[\bDeepSeek\b]/i => DeepSeek
/[\bOpenAI\b]/i => OpenAI

4. 全局调度配置

在 docker/.env 中设置运行模式和时间：

ENABLE_WEBSERVER=true
AI_ANALYSIS_ENABLED=true
CRON_SCHEDULE=30 8,20 * * *
RUN_MODE=cron
IMMEDIATE_RUN=true

避坑指南：修复飞书 Markdown 渲染问题

这是部署中最常见的坑。默认代码推送飞书消息时使用 text 类型，导致 Markdown 语法（如加粗、链接）无法渲染，显示为源码。

原因：飞书 API 要求 Markdown 内容必须通过 interactive（卡片）类型的 lark_md 标签发送。

解决方案：修改 Python 源码文件 trendradar/notification/senders.py 中的 send_to_feishu 函数。

# 修改后逻辑
if is_flow_webhook:
    payload = {"msg_type": "text", "content": {"text": batch_content}}
else:
    # 标准飞书机器人 Webhook，使用卡片渲染 Markdown
    payload = {
        "msg_type": "interactive",
        "card": {
            "header": {"title": {"tag": "plain_text", "content": "AI 热点推送"}, "template": "blue"},
            "elements": [{"tag": "div", "text": {"tag": "lark_md", "content": batch_content}}]
        }
    }

同样逻辑需应用到 trendradar/notification/dispatcher.py 和 mcp_server/tools/notification.py 中。

此外，需在 docker/docker-compose.yml 的 volumes 中添加代码映射，以便容器内修改生效：

volumes:
  - ../config:/app/config:ro
  - ../output:/app/output
  - ../trendradar:/app/trendradar  # 新增映射

进阶玩法：接入 Cherry Studio 进行 AI 对话

部署 MCP 服务后，TrendRadar 不仅是推送工具，更是可对话的知识库。

1. Server 端：确保 3333 端口已开放，且 trendradar-mcp 服务运行正常。
2. 客户端配置：在 Cherry Studio 中添加 MCP 服务器。
   • 名称：TrendRadar MCP
   • 类型：可流式传输的 HTTP (streamableHttp)
   • URL：http://<你的局域网 IP>:3333/mcp

连接成功后，你可以直接在 MCP 频道提问，例如：

"我想了解 'AI' 这个话题，请依次完成以下步骤：搜索今天的相关新闻，分析最近一周的热度趋势，对比各平台的关注度，分析最近一周的情感倾向。"

AI 会自动调用 TrendRadar 的数据库，生成包含图表数据的专业分析报告。

总结

通过本次部署，我们实现了数据自主存储、体验升级（修复了推送渲染 bug）、智能加持（零成本 AI 摘要）以及深度交互（MCP + Cherry Studio）。如果你也厌倦了被算法支配，这套方案值得尝试。

参考资料：

• TrendRadar GitHub 仓库
• 飞书自定义机器人开发文档