TrendRadar

活跃
GitHub Python GPL-3.0

简介

AI 驱动的舆情监控与热点追踪工具,支持多平台热点聚合、RSS 订阅、关键词筛选、AI 智能分析与简报推送,集成微信、飞书、钉钉、Telegram 等多种通知渠道,并支持 MCP 架构接入。

核心特性

  • 多平台热点聚合 — 30+ 信息源实时抓取,涵盖科技、金融、社交等领域
  • AI 智能筛选与分析 — LLM 驱动的新闻摘要生成和智能筛选,自动过滤无关内容
  • 多渠道推送通知 — 支持企业微信、个人微信、Telegram、钉钉、飞书、Slack 等 10+ 通知渠道
  • MCP 架构支持 — 通过 Model Context Protocol 与 AI 助手集成,支持智能问答
  • Docker 一键部署 — 30 秒完成部署,支持 GitHub Actions 自动化和 GitHub Pages 静态托管
  • RSS 订阅源管理 — 自定义 RSS 源订阅,支持关键词过滤和定时更新

适用场景

💡 个人资讯助手:自动聚合和筛选感兴趣的新闻,每天定时推送到微信或 Telegram
💡 行业舆情监控:追踪特定行业或竞品的动态变化,及时获取关键信息
💡 技术趋势追踪:监控 GitHub Trending、Hacker News 等平台,把握技术发展方向
💡 企业内部情报:为企业团队定制信息聚合源,通过飞书或钉钉推送行业简报
💡 社交媒体监控:实时追踪社交媒体上的热门话题和舆论走向

优势与不足

优势

  • 活跃维护,近期持续更新
  • 社区热度高(62.1k stars)
  • Issue 响应及时,积压少

⚠️ 不足

  • 许可证限制较多(GPL-3.0)

快速开始

# 克隆项目
git clone https://github.com/sansan0/TrendRadar.git
cd TrendRadar

# 方式一:Docker 郸署
docker compose up -d

# 方式二:GitHub Actions (Fork 后在 Settings 中配置 Secrets)
# 配置完成后推送到 main 分支即可自动运行

# 本地运行
pip install -r requirements.txt
python main.py

相关项目

Unstract

7.2k · Python
活跃 A+

Unstract 是一个由 LLM 驱动的非结构化数据提取平台,专为 API 部署和 ETL 管道工作流而设计。支持从文档、PDF、图片等非结构化数据源中智能提取结构化信息,构建自动化数据处理管道。

data-processingragpython +3
  • · Prompt Studio 通过自然语言定义文档提取模式
  • · 支持 REST API 部署和 ETL 管道工作流
  • · MCP Server 集成,连接 Claude 等 AI Agent

OpenLLM

12.5k · Python
活跃 A+

OpenLLM 是一个开源 LLM 部署平台,可将 DeepSeek、Llama 等任意开源模型以 OpenAI 兼容的 API 端点形式部署到云端。支持模型微调、量化和分布式推理,简化生产环境中的大模型运维。

llmpythonapi +3
  • · 任意开源LLM支持:运行DeepSeek、Llama、Qwen等任意开源模型
  • · OpenAI兼容API:提供与OpenAI API兼容的端点,无缝集成现有应用
  • · 内置聊天UI:提供开箱即用的聊天界面

Instill Core

2.3k · Python
不活跃 C

Instill Core 是一个全栈 AI 基础设施平台,提供数据管理、模型编排和管道自动化。通过可视化管道编辑器,开发者可以快速构建从数据摄取、模型推理到结果输出的端到端 AI 工作流。

workflowpythonautomation +3
  • · 端到端 AI 平台,支持数据、管道和模型编排
  • · 可视化管道编辑器,构建多功能 AI 优先 API 和自动化工作流
  • · 非结构化数据处理,将文档、图像、音频和视频转换为 AI 就绪格式

Haystack

26.4k · Python
活跃 A+

Haystack 是企业级 RAG 与搜索应用框架,支持文档处理、检索、生成与评估全链路。

ragretrievalllm +1
  • · 模块化管道架构 — 通过有向无环图组合检索、路由、记忆和生成组件,支持条件分支与循环
  • · 模型与供应商无关 — 无缝切换 OpenAI、Anthropic、Cohere、Hugging Face、AWS Bedrock 等,无需重写系统
  • · 上下文工程控制 — 显式控制信息检索、排序、过滤、组合和路由,确保上下文质量和可追溯性