TrendRadar 本地部署指南：构建个人 AI 热点情报系统

在大数据算法横行的时代，我们每天被平台'投喂'大量信息，不仅容易陷入信息茧房，还浪费了大量时间筛选有效资讯。我们需要一个个人定制化的新闻推送服务，能够按周期追踪特定领域的趋势和热点，并支持 AI 深度分析。

TrendRadar 项目通过 Docker 本地部署，接入免费的 NVIDIA 模型接口，实现零成本的深度热点分析与趋势追踪。它支持定期推送到飞书、钉钉等即时通讯软件，并通过 Model Context Protocol (MCP) 协议，让 AI 工具（如 Cherry Studio）直接读取新闻数据库，进行深度对话分析。

环境准备

在开始之前，请确保你拥有以下基础环境：

操作系统：Ubuntu 22.04（实体机或 VMware 虚拟机均可）。
网络环境：需要能够通畅访问 GitHub 和 Docker Hub。
基础工具：Git, Docker, Docker Compose。
AI 资源：大模型 API Key（推荐申请 NVIDIA 的免费 API，或者使用 DeepSeek、OpenAI）。
客户端工具：Cherry Studio（用于通过 MCP 与 AI 对话）。

部署实战

1. 拉取代码

将项目代码克隆到本地：

git clone https://github.com/sansan0/TrendRadar.git

2. 启动容器

官方文档中容易忽略的一点是，必须进入 docker 子目录才能执行 compose 命令。

cd TrendRadar/docker
docker compose pull
docker compose up -d

关键配置调整

默认配置通常只适合本机测试，为了在局域网访问以及更符合个人习惯，我们需要修改配置文件。

开放局域网访问

默认情况下，Web Server 仅监听 127.0.0.1，导致局域网其他设备无法查看生成的 AI 新闻报告。我们需要修改 docker/docker-compose.yml，去掉 IP 限制，直接暴露端口。

# docker/docker-compose.yml
services:
  trendradar:
    ports:
      - "${WEBSERVER_PORT:-8080}:${WEBSERVER_PORT:-8080}"
      - "3333:3333"

同时，在 docker/.env 中确保开启了 Web 服务：

ENABLE_WEBSERVER=true

配置 AI 模型与新闻源

修改 config/config.yaml 来指定 AI 模型和抓取平台。

配置 AI 模型（以 NVIDIA 免费 API 为例）： NVIDIA 提供了许多免费的 API 端点，兼容 OpenAI 格式。注意 model 参数添加『openai/』头部。

# config/config.yaml
ai:
  model: "openai/minimaxai/minimax-m2.5"
  api_key: "nvapi-your_custom_api_key..."
  api_base: "https://integrate.api.nvidia.com/v1"
  timeout: 120
  temperature: 1.0
  max_tokens: 131072

定制新闻源：根据自己的兴趣保留或删除平台。例如只看 GitHub、掘金或华尔街见闻。

platforms:
  enabled: true
sources:
  - id: "toutiao"
    name: "今日头条"
  - id: "juejin"
    name: "掘金"
  - id: "wallstreetcn-hot"
    name: "华尔街见闻"

优化关键词匹配

修改 config/frequency_words.txt 建议使用正则表达式进行精准匹配，避免误报。

[WORD_GROUPS]
# AI 相关
/ai\b/i => AI
/\bDeepSeek\b/ => DeepSeek
/\bOpenAI\b|\bChatGPT\b/i => OpenAI

# 企业与品牌
/英伟达 | 黄仁勋 | \bNVIDIA\b/i => 英伟达
/苏姿丰 | \bAMD\b/i => AMD

推送配置

在 config/config.yaml 中配置通知渠道。开启调度系统后，此项仍为总开关。

notification:
  enabled: true
  channels:
    feishu:
      webhook_url: "https://open.feishu.cn/open-apis/bot/v2/hook/xxx***xxx"

全局配置可在 .env 文件中调整运行模式和时间表。

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

避坑指南：解决飞书推送 Markdown 不渲染问题

这是本次部署中最大的坑。默认代码在推送飞书消息时，使用的是 text 类型，导致飞书无法渲染 Markdown 语法（如加粗、链接），体验极差。

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

修复方案：我们需要修改 Python 源码。如果你使用 Docker 映射了代码目录，可以直接修改；否则需要进入容器修改。

修正 1：`trendradar/notification/senders.py`

找到 send_to_feishu 函数，将原来的 text 类型 payload 替换为 interactive 卡片类型。

# 修改前
payload = {
    "msg_type": "text",
    "content": {"text": batch_content},
}

# 修改后
if is_flow_webhook:
    # 兼容飞书捷径/自动化流程的 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}}]
        }
    }

注意：同样的逻辑也需要应用到 trendradar/notification/dispatcher.py 和 mcp_server/tools/notification.py 中，确保所有推送入口都能正确渲染 Markdown。

修正 2：Docker 挂载

在 docker/docker-compose.yml 的 volumes 中添加代码目录映射，以便修改生效。

volumes:
  - ../config:/app/config:ro
  - ../output:/app/output
  - ../trendradar:/app/trendradar

进阶玩法：接入 Cherry Studio 进行 AI 对话

部署了 MCP 服务后，TrendRadar 就不再只是一个单向的推送工具，而是可以对话的知识库。

Server 端配置：确保在步骤 4.1 中已经开放了 3333 端口，且 docker-compose.yml 中包含了 trendradar-mcp 服务。局域网地址示例：http://192.168.1.100:3333
Cherry Studio 客户端配置：
- 添加模型服务：在设置中添加 NVIDIA 或其他兼容 OpenAI 的服务商，填入 API Key。
- 添加 MCP 服务器：名称设为 TrendRadar MCP，类型为可流式传输的 HTTP (streamableHttp)，URL 指向你的部署机器 IP。

连接成功后，你可以在 Cherry Studio 中直接在这个 MCP 频道下提问，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 将会自动调用 TrendRadar 的数据库，生成包含图表数据的专业分析报告。

总结

通过本次本地部署，我们成功实现了数据自主存储、体验升级（修复飞书推送 bug）、智能加持（利用免费大模型）以及深度交互（MCP + Cherry Studio）。如果你也厌倦了被算法支配，不妨动手试试这套方案。

参考项目：TrendRadar GitHub 仓库