Skip to main content
Glama
trend-radar-mcp

trend-radar-mcp

by ngwddd

trend-radar-mcp

ci

v0.4.4 · Python ≥ 3.10 · 零第三方依赖 · MIT

把 trend-radar 那个 skill 的确定性部分拆出来,做成一个有状态、可并发、按需读取的 MCP 工具。

原版 skill 保留不动,作为「判断协议 + 采集引擎」的历史版本;这个仓库是分支重写版。

一句话:原版让模型照着 1,800 行说明书跑八个阶段;这一版把取数、打分、分桶、记忆交给工具, 模型只负责判断与写作——两次调用完成一份简报。


事实清单(v0.4.4,逐项对过代码)

项目

值

出处

版本

0.4.4

pyproject.toml / trend_radar_mcp/__init__.py

MCP 工具

4 个:radar_scan / radar_pack / radar_check / radar_potential

tools.py 的 TOOLS(4 个 schema)与 HANDLERS(4 个 handler)

源总数

注册表 42 个(status 全为 OK);默认 deep=false 会跳过唯一慢源 arxiv-ai(kind: atom)→ 一次 broad 实际请求 41 个、skipped_slow=1,deep=true 才是 42

registry.py 的 SOURCES + scan.py

源 · 按 stream

authority 16 / social 22 / trend 4

同上,class 字段

源 · 按 domain 标签

social 14 / ai 23 / science 22(一个源可带多个 domain,故合计 59 > 42)

同上,domains 字段

已知死路

13 条(列在 radar://registry 的 blocked)

registry.py 的 BLOCKED

闸门

CREDIBILITY_THRESHOLD = 0.6;独立印证加成 +0.12(上限 1.0)

registry.py

源权重覆盖

42 个源全部显式登记权重,没有落到 SOURCE_WEIGHT.get(k, 0.50) 兜底的源(test_every_source_has_a_weight 守着)

registry.py / test_core.py

borderline 带

truth 或 comm 与 0.6 的差 ≤ 0.05 → 即 0.55–0.65

scan.py

单测

38 个(Ran 38 tests,全离线,不联网)

python -m unittest discover -s tests

受控文件

32 个(其中 .py 21 个)

git ls-files

并发 / 限速

16 线程;单源超时封顶 10 s;主机间隔 arXiv 3 s、Crossref 0.35 s

scan.py / config.py

缓存

源级 300 s(SOFT_TTL),没有后台刷新

scan.py

响应预算

radar_scan ≤ 8000 字节(超了先削分桶、再削 picks/briefs)

tools._fit

CI

Python 3.10 / 3.11 / 3.12 / 3.13

.github/workflows/ci.yml


Related MCP server: CTC Monitor MCP

v0.4.4(2026-10-21)· 潜力新闻(opt-in 支路)

v0.4.0 加这个工具;v0.4.1「凌晨自动补潜力」;v0.4.2 去掉凌晨时间限制(任何时间没热点就补); v0.4.3 AI / science 候选按主题命中过滤;v0.4.4 清掉本机绝对路径、测试数 33 → 38。 默认路径不变:radar_scan / radar_pack / radar_check 的参数、返回、耗时都不动。 新增第 4 个工具 radar_potential:

  • 复用同一个 scan() 与 300 s 缓存;5 分钟内有同 scope、同 days 的 run 就直接读它(0 网络)

  • 不建新表:每个事件的“新增独立源”从已有 runs/*.json 的差集算

  • 只做数值预排:新增源速度、突发率、源层级 → 默认 8 条、上限 12 条候选(同一主源最多 2 条)

  • 语义判断交给模型;candidates 独立命名空间,永不与 core/watch 混排

  • 异常只降级:无历史按层级+新鲜度(封顶 60 分)、富集超 1.5 s 回退、try/except 不外溢

热度还没起来(凌晨,或一整天都没热点)时用它;它不是“已确认新闻”,每条都带 caveat: 潜力(未验证)。

自动触发(任何时间):只要 radar_scan 的 notice 提示 core 为空、或 core 里只有论文/单源硬证据,就说明今天没有热点新闻,模型会自动补一次 radar_potential,不需要用户开口。有明确热点时不调用。

完整设计说明:docs/design-v0.4.md


v0.3(2026-10-19)· 两轮完成

改动

之前

现在

模型轮次(典型)

判类 → scan → entries → 写(4 轮)

scan → 写(2 轮)

工具数

6

3(scan / pack / check;v0.4 起多一个 radar_potential,共 4 个)

判 scope

模型先判,判不了才 broad

工具内自动判;判不进/跨类 → broad

摘要

单独再调一次 entries

scan 内联 briefs(默认共 3 条,core 优先、再 watch)

传播分

按独立源数量阶梯

按独立源质量加权(低质转载不抬分)

真值分

corroboration 同时加 truth 和 comm

只加 comm(去掉双重计数)

边界样本

0.59 / 0.61 处置相反

borderline 带(0.55–0.65)标出来

arXiv API

每轮都抓(18 s 量级)

默认跳过,deep=true 才抓

v0.3 实测(2026-10-19):单类冷启 5–9 s(墙钟 = 最慢的源)、broad 冷启 ~13 s、缓存命中 0.07 s;扫描响应 5.9–7.3 KB(含 3 条摘要)。 这几个是当时的读数,现在以代码里的硬约束为准:响应 ≤8000 字节、缓存 300 s、单源超时封顶 10 s(v0.3.1 加的 TIMEOUT_CAP)——冷启的实际墙钟取决于当天有几个源在超时边缘。 没有后台任务:缓存只在请求路径上读写,超过 300 s 就重新抓;不做定时刷新、不做启动预热。

完整设计说明:docs/design-v0.3.md · 上一版:docs/design-v0.2.md


架构

pipeline

radar_scan(query)
        │
        ├─ 自动判 scope(三类 / broad)· 选源(跳过 dead / 空源 / 慢源)
        ├─ 16 线程并发 + 按主机限速(arXiv 3s / Crossref 0.35s)+ 单源超时封顶 10s
        ├─ 源级缓存 300s(SOFT_TTL)→ 命中即返回(无后台刷新)
        ├─ 归一化 → 时间窗 → 事件级去重 → 勘误过滤
        ├─ SQLite:first_seen / times_seen / source_health
        ├─ truth = 0.4·源权重 + 0.6·证据权重
        │          (社会域换 0.30·平台 + 0.70·证据形式;热度榜硬压 0.45;
        │            无正文封顶 0.50;导购标题 −0.25 / 正文 −0.10)
        │  comm  = 独立源质量加权 → 0.6 闸门 → 5 桶(borderline = 与 0.6 相差 ≤0.05)
        └─ digest ≤8000 字节 + 内联 briefs(默认 3 条,core 优先、再 watch)

状态与缓存都在 ~/.trend-radar/(可用 TREND_RADAR_HOME 覆盖):

~/.trend-radar/
├── state.db           # items(first_seen/times_seen) + runs + source_health
├── runs/<run_id>.json # 一次扫描的全部条目与统计(radar_pack / 潜力支路读这里)
├── cache/             # HTTP 响应(<hash>.bin)+ 源级解析结果(src-<hash>.json)
└── trace.jsonl        # 逐阶段 trace,默认开(TREND_RADAR_TRACE=0 关),8 MB 轮换成 trace.1.jsonl

工具(4 个)+ 资源

工具

作用

硬限制

radar_scan

自动判 scope + 采集 + 评分 + 分桶 + digest + 内联摘要

响应 ≤8000 字节;briefs ≤8;top ≤10/桶

radar_pack

按 id / bucket 取正文与细节

ids ≤12;limit ≤20;摘要 ≤600 字

radar_check

发布前关联度 + 补搜条目打分

条目 ≤30;关键词 ≤8;补搜 ≤10

radar_potential

潜力预排:新增源速度 / 突发 / 层级 → 默认 8 条、上限 12 条未验证候选

top ≤12(默认 8);复用 5 分钟内的同 scope run

资源:radar://registry、radar://history、radar://runs、radar://runs/{run_id}、radar://runs/{run_id}/entries。

分桶语义(写简报前必须看)

bucket

含义

怎么用

core

双项达标,或单源硬证据(peer-reviewed)

可作结论主体;单源必须标出来

watch

可信但还没传开

不是噪声,往往是刚出来的论文

suspect

传得广但不可信

必须标出来,不许当事实

calibration

热榜

只校准传播度/发现遗漏,永不作内容源

discarded

双项未达标

可查,不作依据


安装

默认零第三方依赖(pyproject.toml 的 dependencies = []),Python ≥ 3.10。 可选 certifi:系统 CA 库过期的环境会自动改用它的证书包,没装则回落到系统 SSL 库(config.py)。

git clone https://github.com/ngwddd/trend-radar-mcp.git
cd trend-radar-mcp
python -m unittest discover -s tests      # 38 tests, no network

接到 DeepSeek Harness

在 profile 的 cordis.patch.yml 里追加(和现有 MCP 服务同一写法):

- insert:
    - id: trend-radar-mcp
      name: '@deepseek-ai/dsh-mcp-client'
      config:
        serverName: trend-radar
        transport: stdio
        command: 'python'
        args:
          - '-m'
          - 'trend_radar_mcp'
        env:
          PYTHONIOENCODING: utf-8
          PYTHONUNBUFFERED: '1'
          TREND_RADAR_HOME: 'C:\Users\<你的用户名>\.trend-radar'
        toolCallTimeoutMs: 180000
        failOnStartupError: false

radar_scan 首轮的量级是十几秒(v0.3 实测 5–13 s,看是否命中缓存),上限由单源 10 s 超时封顶决定;失败源会逐条报出来,不会静默。

接到 Claude Desktop / 其他 MCP 客户端

{
  "mcpServers": {
    "trend-radar": {
      "command": "python",
      "args": ["-m", "trend_radar_mcp"],
      "env": { "PYTHONIOENCODING": "utf-8" }
    }
  }
}

用法(模型侧契约)

  1. 直接调 radar_scan(query="用户原话")。不要先自己判类 —— 工具会判; 判不进会自动 broad(注册表 42 个源,默认跳过慢源 arxiv-ai 后请求 41 个,deep=true 才 42), 返回 scope_source 可审计。显式 domain 永远优先。

  2. radar_scan 已经内联 briefs(默认 3 条,core 优先、再 watch)。够写就直接写; 不够再用 radar_pack(ids≤12, fields=["summary"]) 补 —— 不要整桶拉。

  3. truth / comm 是引擎算的固定分,不要自己估,也不要把两个分合成一个。 borderline=true(0.55–0.65)必须复核后再引用。

  4. 分桶按上面那张表:calibration 只校准传播度,永不作内容源。 「新」看 new / first_seen,不要凭印象。

  5. 补搜条目走 radar_check(external=[...]) 打分;写完用 radar_check(bucket="core") 量关联度;<0.6 必须换角度重查,不许直接下结论。

  6. 写简报:每条必须有 URL 与日期;预印本不许写成已发表;厂商自述不算独立验证; 「本次覆盖」必须如实写失败源、降级流、跳过的空源。

  7. 预算:radar_scan ≈6–8 KB、radar_pack ≈3 KB。默认值够用就不要加参数。

  8. 没有热点就自动补潜力(任何时间,不要问用户):notice 提示「core 为空」或 「core 里只有论文/单源硬证据」时,直接再调 radar_potential(query=同一句, days=1, top=5), 在简报末尾单独加「潜力(未验证)」一节,并写一句「今天热点不够,补一组潜力候选」。 有明确热点时不要调用;用户明确要潜力时随时调用。

  9. 潜力候选永远标「未验证」:不写成已确认新闻,不混进 core/watch 的引用; 返回 degraded / 空就直说「今天信号还不够」,不要硬凑。

这九条同时写在 MCP initialize 的 instructions 里(server.py),客户端会自动拿到。


与 v1 的行为差异

只列有意的差异:

  • 自动判 scope:关键词分类器命中单一类且置信度 ≥0.7 才用,否则 broad。

  • 质量加权传播:两个低质站互转不再等于“两家印证”;单源起手 0.30(热度榜条目 0.35),都过不了 0.6 闸门。

  • 真值不再叠加印证加成:印证只影响传播分。

  • borderline 带:0.55–0.65 标出来,不再一刀切。

  • 默认跳过 arXiv API:deep=true 恢复(4 分类 × 3s 礼貌间隔)。

  • 状态:first_seen 写入 SQLite;is_new = 第一次见到,或首次见到发生在窗口内。

  • 空源:连续 3 次 0 条 → 12 小时跳过,恢复自动解除。

判据没有放松:0.6 闸门、单源硬证据通道、撤稿短路、热榜封顶、front-matter、 身份去重全部保留。


测试

python -m unittest discover -s tests -v   # 38 个,全离线
python tests/smoke_stdio.py               # 真启一个 stdio server,跑握手/工具/资源
python tools/verify_run.py [run_id]       # 复盘一次真扫描的不变量(不给 run_id 就取最近一次)

38 个用例的分布:test_core.py 14(权重与证据序、身份合并、front-matter、单源/双源闸门、 trend 封顶、digest 跨类别、关联度、质量加权传播分)、test_potential.py 9(潜力支路的评分 / run 复用 / 降级 / 同源封顶)、test_server.py 7(JSON-RPC 帧、tools/list、资源读取)、 test_contract.py 4(radar_scan 响应里不许出现 candidates、core 为空时给潜力提示)、 test_scan.py 4(fixture 替掉网络层,验证分桶、is_new、first_seen 稳定性、 broad 请求 41 源 + 跳过 1 个慢源、stream 兜底)。

CI 在 Python 3.10 / 3.11 / 3.12 / 3.13 上各跑一遍单测 + pip install . + import smoke。


路线

  • ETag / If-Modified-Since 条件请求

  • since_run 增量:只回上次之后的新事件

  • 同一 event_id 的演进时间线

  • 状态库样本 ≥20/源后,开 source 权重校准

  • 采集适配器拆成 sources/,每个 kind 一个文件

License

MIT · 与原版 skill 同作者、同许可。判据与权重的出处见源码注释。

Available Tools

4 tools
radar_checkA

发布前自检:关联度(方向性覆盖)+ 补搜条目打分,一次调用。 硬约束:量的是准备发布的条目(bucket=core 或显式 entries),不要传全池;关键词 ≤ 8;补搜条目 ≤ 10 且必须带 url;<0.6 必须重查后再写。

Inputs: query, bucket, domain, run_id, +3 more.

radar_packA

按 id / bucket 取正文与细节。只在 digest 不够写的时候用。 硬约束:ids ≤ 12;limit ≤ 20;默认只给 scores+flags,要正文必须显式 fields=['summary'];摘要默认 240 字。

Inputs: run_id (required), ids, limit, bucket, +3 more.

radar_potentialA

潜力新闻(opt-in):用现有扫描 + 历史 run 的「新增独立源」做数值预排,返回 8–12 条候选,交给模型判断谁最可能成为今天的爆点。

不传这个工具时 radar_scan 的返回完全不变;默认 5 分钟内直接复用上一次 run,不重复抓取。适合凌晨热度还没起来、按「已传播」排不出东西的时候。

返回 candidates(score/signals/why)与 meta(degraded/caveat)。caveat 固定为「未验证」,不要写成已确认新闻;不要与 core/watch 混排。

Inputs: query (required), top, days, domain, +4 more.

radar_scanA

采集 + 评分 + 分桶,一次调用给出可写简报的材料。

scope 自动判定:不给 domain 时按 query 判三类;判不进(或跨类)→ broad 全量 42 源。显式 domain 永远优先。返回 scope_source 说明是 auto / explicit / auto-broad。

返回 digest(每桶 top N:id/标题/truth·comm/来源/日期/new),并对 core、watch 的前 briefs 条内联摘要(默认 3 条 × 240 字)。多数情况下一次调用就够写;要更多正文再用 radar_pack。

硬约束:truth/comm 由引擎算,0.6 是闸门,禁止自己估;borderline=true 表示分数在 0.55–0.65,必须复核后再引用;calibration 桶只校准传播度,永不作内容源。

Inputs: query (required), top, days, deep, +9 more.

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    A3.9/5.0

    Scored across 4 tools

    Disambiguation4/5

    Each tool has a fairly distinct role: radar_scan collects and buckets, radar_pack fetches full text, radar_check validates pre-publish entries, and radar_potential ranks emerging candidates. The main overlap is between scan and potential, both returning candidate sets, but descriptions clarify the opt-in, pre-heat use case for potential.

    Naming Consistency5/5

    All four tools use a consistent radar_ prefix followed by a short snake_case token. The pattern is predictable and readable throughout.

    Tool Count4/5

    Four tools is slightly thin but well-scoped for a focused scan-pack-check-potential pipeline. Each tool has a clear job and there is no obvious bloat.

    Completeness4/5

    The surface covers the core workflow: scanning, deepening with full text, pre-publish validation, and opt-in potential detection. Minor gaps exist, such as no explicit history/run lookup or configuration tool, but agents can work around these.

    Maintenance

    ActivityNo data
    ResponsivenessOutdated data

    Related MCP Connectors

    Related MCP Servers

    • F
      license
      Not graded
      quality
      D
      maintenance
      Aggregates news from 7 APIs and unlimited RSS feeds with AI-powered bias removal and synthesis. Provides over 7,300 free daily requests with conversation-aware caching and 25 comprehensive news analysis tools.
      1
      -
    • A
      license
      A
      quality
      D
      maintenance
      Provides AI agents with global tech news from 500+ sources across regions, with translated titles, scoring, and clustering tools for real-time intelligence.
      8
      MIT
    • A
      license
      A
      quality
      C
      maintenance
      Enables AI assistants to monitor and analyze public opinion, trends, and news from multiple platforms, with support for RSS, keyword filtering, AI translation, sentiment analysis, and trend predictions via natural language conversation.
      27
      GPL 3.0
    • A
      license
      A
      quality
      C
      maintenance
      Enables AI clients to query and analyze aggregated multi-platform trending news through natural language, offering tools for trend tracking, sentiment analysis, similarity search, and other news intelligence tasks.
      27
      GPL 3.0