别再被海量信息淹没了！手把手教你搭建专属AI情报雷达，全网热点自动推送到手

我选择蓝耘做后端处理层有两个关键原因。第一，信息处理是高频场景——每天可能有几百条原始信息，每条要调一次API做摘要，如果用本地模型根本来不及；用蓝耘API可以并发调用，一分钟处理几十条。第二，不同任务适合不同模型——摘要和分类这种轻量任务用DeepSeek-V3.2（成本低、速度快），深度分析和长文总结用GLM-5.1（上下文窗口大、分析能力强）。蓝耘一个平台同时提供两种模型，配置切换很方便。

二、部署过程

2.1 环境准备

我部署在一台Ubuntu 22.04的服务器上（2核4G，跑TrendRadar完全够用，因为重计算都在蓝耘云端完成）。

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

2.2 配置文件

核心配置在config.yaml

我把关键部分贴出来：

# 信息源配置
sources:
  - name: github-trending
    type: rss
    url: https://rsshub.app/github/trending/daily
    interval: 3600  # 每小时抓一次

  - name: hacker-news
    type: api
    url: https://hacker-news.firebaseio.com/v0
    interval: 1800

  - name: zhihu-hot
    type: web
    url: https://www.zhihu.com/hot
    interval: 3600

# 蓝耘API配置
llm:
  default:
    provider: openai
    api_key: "sk-ak********"
    base_url: "https://maas-api.lanyun.net/v1"
    model: "deepseek-ai/DeepSeek-V3.2"

  analysis:
    provider: openai
    api_key: "sk-ak********"
    base_url: "https://maas-api.lanyun.net/v1"
    model: "/maas/zhipuai/GLM-5.1"

# 推送配置
notify:
  wechat:
    enable: true
    webhook_url: "https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=xxx"

2.3 蓝耘双模型策略

我用DeepSeek-V3.2处理第一阶段——快速摘要和分类。每条信息给一个50字以内的中文摘要、打一个标签（技术/商业/产品/其他）、判断是否值得深度分析。

筛选出值得深读的内容（约占总量15-20%），再交给GLM-5.1做深度分析——提取核心观点、关联相关知识、标注可信度。

这个双模型策略的效果很明显。DeepSeek-V3.2处理一条信息平均耗时1.2秒（主要是首token延迟），GLM-5.1深度分析一条平均耗时4-5秒。如果全部用GLM-5.1处理，每天200条信息就是15分钟以上的处理时间；用双模型策略，因为只有15-20%需要深度分析，总处理时间控制在3分钟以内。

三、灵魂注入：三步搞定核心配置

这一步是整个部署中最关键的环节，我们要把这台冷冰冰的机器，调教成懂你的私人助理。

第一步：调校中枢神经（改 config.yaml）

用你喜欢的文本编辑器（推荐 VS Code，实在没有就用系统自带的记事本）打开 config/config.yaml。新手只需要改下面这三个地方：

调整时区，拒绝时间错乱找到 app:timezone 这一行。如果你在国内，默认的 "Asia/Shanghai" 就不用动；如果你在海外，比如伦敦，就改成 "Europe/London"。这能保证你收到的每一条情报，时间都是准确的本地时间。

挑选情报源，只看想看的平台在 platforms:sources 下面，列出了头条、百度、微博、知乎、抖音等平台。默认是全开的，如果你觉得微博太吵，直接在前面加个 # 号把它注释掉，或者干脆删掉那两行。你的地盘你做主。

选择推送模式，决定打扰频率在 report:mode 这里，有三个选项供你选择：

"daily"：当天汇总。适合每天早上看一份“浓缩日报”，不焦虑。
"incremental"：增量推送。只要有新的符合条件的热点出现就立刻推，适合重度信息依赖者。
"current"：当前榜单。定时把当下的全量榜单推给你。

改好后，保存退出。

第二步：编织过滤网（改 frequency_words.txt）

打开 config/frequency_words.txt，这里的规则非常简单：一行写一个你关心的词或词组。

这里考验的是你对信息的敏锐度。假设你是个新能源行业的从业者，不要只写宽泛的“汽车”，你可以写：

AI大模型固态电池新能源汽车补贴碳中和政策光伏出海

除了写你想看的，你还可以利用高级语法设置黑名单。比如你很讨厌娱乐八卦干扰视线，就可以把“某某明星”、“出轨”之类的词设为过滤词。这样经过这层网过滤后，推送到你手机上的，全是纯度极高的行业干货。

第三步：接入传令兵与AI大脑（改 docker/.env）

进入 docker 目录，打开 .env 文件。这里虽然注释很多，但新手真的只需要改“你要用的那一两项”，其他的一律保持原样。

配置通知渠道以飞书为例（这也是我最推荐的渠道，阅读体验最好）：在你的飞书群里，点击右上角的设置 -> 群机器人 -> 添加机器人 -> 自定义机器人 -> 添加。复制那段以 https://open.feishu.cn/open-apis/bot/v2/hook/ 开头的 Webhook 地址，填到这里：

FEISHU_WEBHOOK_URL=https://open.feishu.cn/open-apis/bot/v2/hook/xxxxxx

唤醒AI分析能力（重点！）

TrendRadar 最强大的地方在于它能调用大模型对热点进行深度分析。这里我们以对接蓝耘MaaS平台的模型为例，性价比极高。

把下面这几项的注释去掉，并填入内容：

AI_ANALYSIS_ENABLED=trueAI_API_KEY=sk-xxxx （填入你的密钥） AI_MODEL=/maas/deepseek-ai/DeepSeek-V3.2 （填入模型名称）

手把手教你怎么拿这两个值：

登录蓝耘 MaaS 平台。
找到左侧菜单的【API KEY】，点击【创建 API KEY】，系统会生成一串以 sk- 开头的乱码，这就是你的 AI_API_KEY，赶紧复制保存好。

进入【模型广场】页面，找到你想用的模型（比如 DeepSeek-V3.2），把它的完整模型标识名称（一般是 /maas/xxx/xxx 这种格式）复制下来，这就是你的 AI_MODEL。

第四步：推送频率控制

一开始我设了实时推送——有新内容就发。结果群里同事集体抗议：消息太多，根本看不过来。后来改成每天早8点和晚8点各推送一次，汇总过去12小时的Top 20。同事反馈好多了。

全部保存退出，配置阶段大功告成！

四、按下启动键：见证奇迹的时刻

万事俱备，只欠东风。确保你现在仍然在 TrendRadar/docker 这个目录下，在终端里敲入下面这行命令：

# 拉取最新镜像（首次必须）
docker compose pull

# 后台启动（会自动根据 .env 决定启哪些服务）
docker compose up -d

如果你前面配置了AI，它会自动把抓取服务和AI分析服务一起拉起来。如果你只配了推送，没配AI，或者暂时不想用AI，可以用这行命令单独启动抓取服务，省点资源：

docker compose up -d trendradar

这里运行之后，飞书的机器人会马上给我们推送最新新闻，如果没有接入飞书或者是第三方，继续往下看

输入 docker ps，如果你看到一个名字叫 trendradar 的容器状态是 Up，那就恭喜你，你的私人雷达已经在后台默默运转了。

docker ps
# 应该能看到名为 trendradar 的容器；如果启了 mcp，还会有 trendradar-mcp

五、查收第一份情报与排雷指南

因为我们在 .env 里设置了 IMMEDIATE_RUN=true，所以启动后它马上就会去抓数据。怎么看进度呢？

输入 docker logs -f trendradar，你可以看到屏幕上不断滚动的日志。如果看到它成功请求了各个平台，并且打印出了推送成功的日志，那就完美了。按 Ctrl + C 可以退出日志查看（不会停止程序）。

如果想以后手动强制让它跑一次，可以用这条命令：

docker exec -it trendradar python manage.py run

打开网页版控制台

除了手机推送，它还自带了一个非常漂亮的Web界面。在电脑浏览器里输入：

http://localhost:8080

这里可以进行将此页面导出为图片

如果你是把雷达部署在云服务器上怎么办？因为服务器一般没有图形界面，直接输网址是打不开的。这里提供两个常用方案：

SSH端口转发（最简单）：在你本地电脑的终端里输入 ssh -L 8080:127.0.0.1:8080 user@你的服务器IP，然后本地浏览器打开 localhost:8080 就能看到了。
反向代理（最正规）：把 .env 里的端口改成 80，然后用 Nginx 或 Caddy 绑定你的域名，这样就能通过域名直接访问了。

六、进阶玩法：让AI客户端直接读取雷达数据（MCP服务）

如果你平时习惯用 Cherry Studio、Cursor 这类支持 MCP（Model Context Protocol）的 AI 客户端，TrendRadar 还能化身为这些客户端的“数据插件”。

你在 .env 里配好 AI 变量后，可以单独启动 MCP 容器：

docker compose up -d trendradar-mcp

五、意外收获：模型广场的探索价值

蓝耘的模型广场让我养成了一个习惯：每两周去逛一次，看看有没有新上线的模型。5月中旬我发现蓝耘上线了Step-3.5-Flash——阶跃星辰的新模型，主打高效率和低延迟。我试着用它替代DeepSeek-V3.2处理摘要任务，发现速度确实快了约30%（0.8秒 vs 1.2秒），但摘要质量略差一点（偶尔会漏掉关键信息）。

最终我的配置是：日常摘要用Step-3.5-Flash（追求速度），深度分析用GLM-5.1（追求质量），成本进一步降了约20%。

这种灵活的模型切换在以前是不敢想的——以前如果绑定了某个模型厂商，想换模型可能意味着改代码、改适配层、甚至换API格式。蓝耘的统一OpenAI兼容接口让切换模型变成改一行配置的事。

结语

TrendRadar + 蓝耘双模型这个组合，从零部署到稳定运行花了两个周末。现在每天早上打开微信，群里的”情报早报”已经把过去12小时值得关注的信息整理好了，附带上AI的分析和观点。扫一眼大概五分钟，基本能掌握全天的信息重点。

有人说AI会让人变懒。我的看法相反：AI让我把精力从”找信息”转移到了”用信息”上。以前我花40分钟找信息、10分钟思考，现在是5分钟看摘要、45分钟思考。信息获取效率的提升，最终带来的是决策质量的提升。

蓝耘在这件事里的角色很清晰：提供便宜、稳定、多样化的模型API，让我可以用一个平台解决所有AI计算需求，不用在多个厂商之间来回切换、管理多个API Key、适应不同的接口格式。月费15块养一个情报雷达，我觉得这是2026年我花得最值的15块钱。

DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

DeepSeek-V4-Flash正式版API公测上线！

DeepSeek技术社区

AI生成开题报告靠谱吗？2026年实测对比ChatGPT、豆包、DeepSeek质量差距

2026年AI辅助撰写学术开题报告的实测分析摘要：本文实测对比了ChatGPT、豆包、DeepSeek三款通用大模型生成开题报告的表现。结果显示：DeepSeek结构严谨（85分），豆包响应快但学术性弱（75分），ChatGPT存在中文文献幻觉问题（70分）。研究指出通用模型存在文献编造、格式不规范等致命缺陷，建议结合垂直学术工具（如PaperDeep）确保文献真实性，并强调人工修改的必要性。