Projektüberblick

Quelldateien

Diese Seite wurde aus den folgenden Quelldateien erstellt:

• README.md
• README-EN.md
• config/config.yaml
• trendradar/init.py
• mcp_server/tools/analytics.py
• trendradar/context.py
• trendradar/main.py
• trendradar/utils/time.py
• mcp_server/tools/system.py
• trendradar/ai/init.py

TrendRadar ist eine leichtgewichtige Open-Source-Lösung zur automatisierten Aggregation und Analyse von Nachrichten aus verschiedenen Plattformen. Das Projekt verfolgt das Ziel, innerhalb von 30 Sekunden deploybar zu sein und Nutzern durch personalisierte Filterung nur die wirklich relevanten Nachrichten zu liefern (README-EN.md:7-8). Die Kernphilosophie liegt in der Einfachheit: Ein Fork genügt, um das System in Betrieb zu nehmen, ohne komplexe Infrastruktur aufbauen zu müssen (README.md:47-49).

Projektziel und Vision

TrendRadar adressiert das Problem der Informationsüberflutung durch intelligente Filterung und KI-gestützte Analyse. Anstatt endlos durch verschiedene Nachrichtenseiten zu scrollen, konsolidiert das System Daten aus mehr als 10 chinesischen Plattformen – darunter 今日头条, 百度热搜, 澎湃新闻 und Bilibili – in einer einheitlichen Oberfläche (config/config.yaml:55-66).

Die Vision umfasst drei Kernaspekte:

1. Automatisierung: GitHub Actions übernimmt das regelmäßige Abrufen von Daten ohne manuellen Eingriff (README.md:31-37)
2. Personalisierung: KI-basierte Filterung nach individuellen Interessen statt starrer Keywords
3. Flexibilität: Unterstützung für 9+ Benachrichtigungskanäle inklusive WeChat, Telegram, Feishu, DingTalk, Slack und E-Mail (README-EN.md:11-28)

Technologie-Stack und Integrationen

Die technische Architektur basiert auf modernen Cloud-Native-Technologien mit Fokus auf einfache Wartbarkeit und Erweiterbarkeit.

Die Integration des Model Context Protocol (MCP) ermöglicht es KI-Assistenten wie Claude, direkt auf die aggregierten Daten zuzugreifen und Analysen durchzuführen (README.md:31-37). Mit der Version MCP v4.0.0 können KI-generierte Inhalte direkt an alle konfigurierten Kanäle gesendet werden, wobei Markdown-Formatierung automatisch an die jeweiligen Plattformanforderungen angepasst wird (README.md:257-264).

Systemarchitektur und Modulstruktur

Die folgende Grafik zeigt die Hauptkomponenten von TrendRadar und deren Abhängigkeiten:

正在加载图表渲染器...

Erklärung der Architekturkomponenten:

• Datenquellen-Schicht: Das System bezieht Daten primär über die newsnow API, die Zugriff auf mehr als 10 chinesische Plattformen bietet. Zusätzlich können beliebige RSS-Feeds eingebunden werden (config/config.yaml:55-66).
• Core-Verarbeitung: Der Scheduler steuert zeitbasierte Ausführungen basierend auf konfigurierten Presets. Die Filter Engine unterstützt sowohl klassische Keyword-Filterung als auch KI-basierte Interessenanalyse (config/config.yaml:28-44).
• Ausgabe-Kanäle: Verarbeitete Daten werden als HTML-Reports auf GitHub Pages veröffentlicht und über konfigurierte Push-Kanäle verteilt. Der MCP Server ermöglicht KI-Assistenten den direkten Datenzugriff.
• Konfiguration: YAML-basierte deklarative Konfiguration mit Unterstützung für Preset-Templates und benutzerdefinierte Anpassungen.

Kernfunktionen im Überblick

KI-gestützte intelligente Filterung

Die Version v6.5.0 führt ein revolutionäres Filterungssystem ein, das natürliche Sprache zur Interessenbeschreibung verwendet. Anstatt statische Keywords zu definieren, beschreiben Nutzer ihre Interessen in ai_interests.txt in natürlicher Sprache – beispielsweise "Ich möchte Nachrichten über KI und erneuerbare Energien sehen" (README.md:243-254). Das System extrahiert automatisch relevante Tags und bewertet jede Nachricht mit einem Relevanz-Score.

Fehlerbehandlung und Fallback: Sollte die KI-Filterung fehlschlagen, wechselt das System automatisch auf klassische Keyword-Filterung, um die Nachrichtenübermittlung nicht zu unterbrechen.

Flexible Zeitplan-Konfiguration

Das System bietet fünf vorkonfigurierte Preset-Templates für verschiedene Nutzungsszenarien (config/config.yaml:28-44):

Multi-Plattform-Datenaggregation

Das System aggregiert standardmäßig Daten von folgenden Plattformen:

• Nachrichtenportale: 今日头条, 百度热搜, 澎湃新闻, 华尔街见闻
• Soziale Medien: Bilibili, Weibo, Douyin
• Technologie: GitHub Trending, Hacker News, ProductHunt
• RSS-Feeds: Beliebige externe Quellen konfigurierbar

(config/config.yaml:55-66)

MCP-Integration für KI-Assistenten

Der MCP Server (Model Context Protocol) ermöglicht KI-Assistenten wie Claude den direkten Zugriff auf TrendRadar-Funktionen. Mit Version v4.0.0 können KI-generierte Analysen direkt an alle konfigurierten Kanäle gesendet werden (README.md:257-264). Das System bietet:

• 21 asynchrone Tools für Datenabfrage und -analyse
• Automatische Formatanpassung für verschiedene Plattformen (Feishu 30KB, DingTalk 20KB Limits)
• Intelligente Batch-Verarbeitung für lange Nachrichten

Datenfluss und Verarbeitungsprozess

Der folgende Ablauf zeigt den typischen Datenverarbeitungsprozess von der Erfassung bis zur Auslieferung:

正在加载图表渲染器...

Erklärung der Prozessschritte:

1. Trigger: GitHub Actions startet basierend auf konfiguriertem Cron-Schedule
2. Zeitfenster-Prüfung: Der Scheduler validiert, ob das aktuelle Zeitfenster für Push/Analyse aktiv ist
3. Datenabruf: Der Fetcher ruft Daten von der newsnow API und konfigurierten RSS-Feeds ab
4. Filterung: Die Filter Engine wendet Keyword- oder KI-basierte Filterung an
5. KI-Analyse: Optional werden Trend-Analysen durch LiteLLM durchgeführt
6. Versand: Der Push Service verteilt an alle konfigurierten Kanäle mit plattformspezifischer Formatierung

Verzeichnisstruktur

TrendRadar/
├── config/
│   ├── config.yaml           # Hauptkonfiguration
│   ├── timeline.yaml         # Zeitplan-Definitionen
│   ├── frequency_words.txt   # Keyword-Filter
│   ├── ai_interests.txt      # KI-Interessen-Beschreibung
│   └── custom/               # Benutzerdefinierte Konfigurationen
│       ├── keyword/          # Eigene Keyword-Dateien
│       └── ai/               # Eigene KI-Interessen-Dateien
├── trendradar/
│   ├── __init__.py           # Paket-Initialisierung
│   ├── __main__.py           # CLI-Einstiegspunkt
│   ├── context.py            # Anwendungskontext
│   ├── ai/                   # KI-Integration
│   └── utils/                # Hilfsfunktionen
│       └── time.py           # Zeit-Utilities
├── mcp_server/
│   └── tools/
│       ├── analytics.py      # Analyse-Tools
│       └── system.py         # System-Tools
└── README.md                 # Dokumentation

Versionshistorie und Meilensteine

Das Projekt durchläuft eine kontinuierliche Weiterentwicklung mit regelmäßigen Feature-Releases:

(README.md:243-254, README.md:257-264, README-EN.md:14-16)

Wichtige Breaking Changes:

• v6.0.0: Konfigurationsdatei-Upgrade auf config.yaml 2.0.0 – alte push_window und analysis_window Konfigurationen sind nicht kompatibel
• v5.3.0: Entfernung von ai.provider Feld, Migration zu model: "provider/model_name" Format

Quantifizierte Projektkennzahlen

(README-EN.md:14-16)

Anwendungsszenarien

TrendRadar eignet sich für diverse Anwendungsfälle im Bereich der Nachrichtenüberwachung und Trendanalyse:

1. Medienbeobachtung: Journalisten und Content-Creators können relevante Themen frühzeitig identifizieren
2. Marktanalyse: Unternehmen überwachen branchenrelevante Trends und Wettbewerberaktivitäten
3. Personalisiertes News-Feed: Individuelle Filterung nach persönlichen Interessen ohne manuelle Kuratierung
4. KI-gestützte Recherche: Integration mit Claude für tiefergehende Analysen via MCP-Protokoll
5. Team-Benachrichtigung: Verteilung relevanter Nachrichten an Teams über verschiedene Kanäle

Berichts-Leseführung

Die folgende Grafik zeigt die empfohlene Lesereihenfolge für die technische Dokumentation:

正在加载图表渲染器...

Empfohlener Lernpfad:

1. Projektüberblick (aktuelle Seite): Grundlegendes Verständnis von Zielen und Fähigkeiten
2. Architektur & Datenfluss: Tiefgehende Einblicke in die technische Implementierung
3. Konfigurations-Referenz: Detaillierte Erklärung aller Konfigurationsoptionen
4. MCP-Server Integration: Anleitung zur KI-Assistenten-Integration
5. Deployment-Anleitung: Schritt-für-Schritt-Setup für verschiedene Umgebungen