""" TrendRadar MCP Server - FastMCP 2.0 实现 使用 FastMCP 2.0 提供生产级 MCP 工具服务器。 支持 stdio 和 HTTP 两种传输模式。 """ import json from typing import List, Optional, Dict from fastmcp import FastMCP from .tools.data_query import DataQueryTools from .tools.analytics import AnalyticsTools from .tools.search_tools import SearchTools from .tools.config_mgmt import ConfigManagementTools from .tools.system import SystemManagementTools from .tools.storage_sync import StorageSyncTools from .utils.date_parser import DateParser from .utils.errors import MCPError # 创建 FastMCP 2.0 应用 mcp = FastMCP('trendradar-news') # 全局工具实例（在第一次请求时初始化） _tools_instances = {} def _get_tools(project_root: Optional[str] = None): """获取或创建工具实例（单例模式）""" if not _tools_instances: _tools_instances['data'] = DataQueryTools(project_root) _tools_instances['analytics'] = AnalyticsTools(project_root) _tools_instances['search'] = SearchTools(project_root) _tools_instances['config'] = ConfigManagementTools(project_root) _tools_instances['system'] = SystemManagementTools(project_root) _tools_instances['storage'] = StorageSyncTools(project_root) return _tools_instances # ==================== 日期解析工具（优先调用）==================== @mcp.tool async def resolve_date_range( expression: str ) -> str: """ 【推荐优先调用】将自然语言日期表达式解析为标准日期范围 **为什么需要这个工具？** 用户经常使用"本周"、"最近7天"等自然语言表达日期，但 AI 模型自己计算日期 可能导致不一致的结果。此工具在服务器端使用精确的当前时间计算，确保所有 AI 模型获得一致的日期范围。 **推荐使用流程：** 1. 用户说"分析AI本周的情感倾向" 2. AI 调用 resolve_date_range("本周") → 获取精确日期范围 3. AI 调用 analyze_sentiment(topic="ai", date_range=上一步返回的date_range) Args: expression: 自然语言日期表达式，支持： - 单日: "今天", "昨天", "today", "yesterday" - 周: "本周", "上周", "this week", "last week" - 月: "本月", "上月", "this month", "last month" - 最近N天: "最近7天", "最近30天", "last 7 days", "last 30 days" - 动态: "最近5天", "last 10 days"（任意天数） Returns: JSON格式的日期范围，可直接用于其他工具的 date_range 参数： { "success": true, "expression": "本周", "date_range": { "start": "2025-11-18", "end": "2025-11-26" }, "current_date": "2025-11-26", "description": "本周（周一到周日，11-18 至 11-26）" } Examples: 用户："分析AI本周的情感倾向" AI调用步骤： 1. resolve_date_range("本周") → {"date_range": {"start": "2025-11-18", "end": "2025-11-26"}, ...} 2. analyze_sentiment(topic="ai", date_range={"start": "2025-11-18", "end": "2025-11-26"}) 用户："看看最近7天的特斯拉新闻" AI调用步骤： 1. resolve_date_range("最近7天") → {"date_range": {"start": "2025-11-20", "end": "2025-11-26"}, ...} 2. search_news(query="特斯拉", date_range={"start": "2025-11-20", "end": "2025-11-26"}) """ try: result = DateParser.resolve_date_range_expression(expression) return json.dumps(result, ensure_ascii=False, indent=2) except MCPError as e: return json.dumps({ "success": False, "error": e.to_dict() }, ensure_ascii=False, indent=2) except Exception as e: return json.dumps({ "success": False, "error": { "code": "INTERNAL_ERROR", "message": str(e) } }, ensure_ascii=False, indent=2) # ==================== 数据查询工具 ==================== @mcp.tool async def get_latest_news( platforms: Optional[List[str]] = None, limit: int = 50, include_url: bool = False ) -> str: """ 获取最新一批爬取的新闻数据，快速了解当前热点 Args: platforms: 平台ID列表，如 ['zhihu', 'weibo', 'douyin'] - 不指定时：使用 config.yaml 中配置的所有平台 - 支持的平台来自 config/config.yaml 的 platforms 配置 - 每个平台都有对应的name字段（如"知乎"、"微博"），方便AI识别 limit: 返回条数限制，默认50，最大1000 注意：实际返回数量可能少于请求值，取决于当前可用的新闻总数 include_url: 是否包含URL链接，默认False（节省token） Returns: JSON格式的新闻列表 **重要：数据展示建议** 本工具会返回完整的新闻列表（通常50条）给你。但请注意： - **工具返回**：完整的50条数据 ✅ - **建议展示**：向用户展示全部数据，除非用户明确要求总结 - **用户期望**：用户可能需要完整数据，请谨慎总结 **何时可以总结**： - 用户明确说"给我总结一下"或"挑重点说" - 数据量超过100条时，可先展示部分并询问是否查看全部 **注意**：如果用户询问"为什么只显示了部分"，说明他们需要完整数据 """ tools = _get_tools() result = tools['data'].get_latest_news(platforms=platforms, limit=limit, include_url=include_url) return json.dumps(result, ensure_ascii=False, indent=2) @mcp.tool async def get_trending_topics( top_n: int = 10, mode: str = 'current' ) -> str: """ 获取个人关注词的新闻出现频率统计（基于 config/frequency_words.txt） 注意：本工具不是自动提取新闻热点，而是统计你在 config/frequency_words.txt 中 设置的个人关注词在新闻中出现的频率。你可以自定义这个关注词列表。 Args: top_n: 返回TOP N关注词，默认10 mode: 模式选择 - daily: 当日累计数据统计 - current: 最新一批数据统计（默认） Returns: JSON格式的关注词频率统计列表 """ tools = _get_tools() result = tools['data'].get_trending_topics(top_n=top_n, mode=mode) return json.dumps(result, ensure_ascii=False, indent=2) @mcp.tool async def get_news_by_date( date_query: Optional[str] = None, platforms: Optional[List[str]] = None, limit: int = 50, include_url: bool = False ) -> str: """ 获取指定日期的新闻数据，用于历史数据分析和对比 Args: date_query: 日期查询，可选格式: - 自然语言: "今天", "昨天", "前天", "3天前" - 标准日期: "2024-01-15", "2024/01/15" - 默认值: "今天"（节省token） platforms: 平台ID列表，如 ['zhihu', 'weibo', 'douyin'] - 不指定时：使用 config.yaml 中配置的所有平台 - 支持的平台来自 config/config.yaml 的 platforms 配置 - 每个平台都有对应的name字段（如"知乎"、"微博"），方便AI识别 limit: 返回条数限制，默认50，最大1000 注意：实际返回数量可能少于请求值，取决于指定日期的新闻总数 include_url: 是否包含URL链接，默认False（节省token） Returns: JSON格式的新闻列表，包含标题、平台、排名等信息 **重要：数据展示建议** 本工具会返回完整的新闻列表（通常50条）给你。但请注意： - **工具返回**：完整的50条数据 ✅ - **建议展示**：向用户展示全部数据，除非用户明确要求总结 - **用户期望**：用户可能需要完整数据，请谨慎总结 **何时可以总结**： - 用户明确说"给我总结一下"或"挑重点说" - 数据量超过100条时，可先展示部分并询问是否查看全部 **注意**：如果用户询问"为什么只显示了部分"，说明他们需要完整数据 """ tools = _get_tools() result = tools['data'].get_news_by_date( date_query=date_query, platforms=platforms, limit=limit, include_url=include_url ) return json.dumps(result, ensure_ascii=False, indent=2) # ==================== 高级数据分析工具 ==================== @mcp.tool async def analyze_topic_trend( topic: str, analysis_type: str = "trend", date_range: Optional[Dict[str, str]] = None, granularity: str = "day", threshold: float = 3.0, time_window: int = 24, lookahead_hours: int = 6, confidence_threshold: float = 0.7 ) -> str: """ 统一话题趋势分析工具 - 整合多种趋势分析模式 **重要：日期范围处理** 当用户使用"本周"、"最近7天"等自然语言时，请先调用 resolve_date_range 工具获取精确日期： 1. 调用 resolve_date_range("本周") → 获取 {"start": "YYYY-MM-DD", "end": "YYYY-MM-DD"} 2. 将返回的 date_range 传入本工具 Args: topic: 话题关键词（必需） analysis_type: 分析类型，可选值： - "trend": 热度趋势分析（追踪话题的热度变化） - "lifecycle": 生命周期分析（从出现到消失的完整周期） - "viral": 异常热度检测（识别突然爆火的话题） - "predict": 话题预测（预测未来可能的热点） date_range: 日期范围（trend和lifecycle模式），可选 - **格式**: {"start": "YYYY-MM-DD", "end": "YYYY-MM-DD"} - **获取方式**: 调用 resolve_date_range 工具解析自然语言日期 - **默认**: 不指定时默认分析最近7天 granularity: 时间粒度（trend模式），默认"day"（仅支持 day，因为底层数据按天聚合） threshold: 热度突增倍数阈值（viral模式），默认3.0 time_window: 检测时间窗口小时数（viral模式），默认24 lookahead_hours: 预测未来小时数（predict模式），默认6 confidence_threshold: 置信度阈值（predict模式），默认0.7 Returns: JSON格式的趋势分析结果 Examples: 用户："分析AI本周的趋势" 推荐调用流程： 1. resolve_date_range("本周") → {"date_range": {"start": "2025-11-18", "end": "2025-11-26"}} 2. analyze_topic_trend(topic="AI", date_range={"start": "2025-11-18", "end": "2025-11-26"}) 用户："看看特斯拉最近30天的热度" 推荐调用流程： 1. resolve_date_range("最近30天") → {"date_range": {"start": "2025-10-28", "end": "2025-11-26"}} 2. analyze_topic_trend(topic="特斯拉", analysis_type="lifecycle", date_range=...) """ tools = _get_tools() result = tools['analytics'].analyze_topic_trend_unified( topic=topic, analysis_type=analysis_type, date_range=date_range, granularity=granularity, threshold=threshold, time_window=time_window, lookahead_hours=lookahead_hours, confidence_threshold=confidence_threshold ) return json.dumps(result, ensure_ascii=False, indent=2) @mcp.tool async def analyze_data_insights( insight_type: str = "platform_compare", topic: Optional[str] = None, date_range: Optional[Dict[str, str]] = None, min_frequency: int = 3, top_n: int = 20 ) -> str: """ 统一数据洞察分析工具 - 整合多种数据分析模式 Args: insight_type: 洞察类型，可选值： - "platform_compare": 平台对比分析（对比不同平台对话题的关注度） - "platform_activity": 平台活跃度统计（统计各平台发布频率和活跃时间） - "keyword_cooccur": 关键词共现分析（分析关键词同时出现的模式） topic: 话题关键词（可选，platform_compare模式适用） date_range: **【对象类型】** 日期范围（可选） - **格式**: {"start": "YYYY-MM-DD", "end": "YYYY-MM-DD"} - **示例**: {"start": "2025-01-01", "end": "2025-01-07"} - **重要**: 必须是对象格式，不能传递整数 min_frequency: 最小共现频次（keyword_cooccur模式），默认3 top_n: 返回TOP N结果（keyword_cooccur模式），默认20 Returns: JSON格式的数据洞察分析结果 Examples: - analyze_data_insights(insight_type="platform_compare", topic="人工智能") - analyze_data_insights(insight_type="platform_activity", date_range={"start": "2025-01-01", "end": "2025-01-07"}) - analyze_data_insights(insight_type="keyword_cooccur", min_frequency=5, top_n=15) """ tools = _get_tools() result = tools['analytics'].analyze_data_insights_unified( insight_type=insight_type, topic=topic, date_range=date_range, min_frequency=min_frequency, top_n=top_n ) return json.dumps(result, ensure_ascii=False, indent=2) @mcp.tool async def analyze_sentiment( topic: Optional[str] = None, platforms: Optional[List[str]] = None, date_range: Optional[Dict[str, str]] = None, limit: int = 50, sort_by_weight: bool = True, include_url: bool = False ) -> str: """ 分析新闻的情感倾向和热度趋势 **重要：日期范围处理** 当用户使用"本周"、"最近7天"等自然语言时，请先调用 resolve_date_range 工具获取精确日期： 1. 调用 resolve_date_range("本周") → 获取 {"start": "YYYY-MM-DD", "end": "YYYY-MM-DD"} 2. 将返回的 date_range 传入本工具 Args: topic: 话题关键词（可选） platforms: 平台ID列表，如 ['zhihu', 'weibo', 'douyin'] - 不指定时：使用 config.yaml 中配置的所有平台 - 支持的平台来自 config/config.yaml 的 platforms 配置 - 每个平台都有对应的name字段（如"知乎"、"微博"），方便AI识别 date_range: 日期范围（可选） - **格式**: {"start": "YYYY-MM-DD", "end": "YYYY-MM-DD"} - **获取方式**: 调用 resolve_date_range 工具解析自然语言日期 - **默认**: 不指定则默认查询今天的数据 limit: 返回新闻数量，默认50，最大100 注意：本工具会对新闻标题进行去重（同一标题在不同平台只保留一次）， 因此实际返回数量可能少于请求的 limit 值 sort_by_weight: 是否按热度权重排序，默认True include_url: 是否包含URL链接，默认False（节省token） Returns: JSON格式的分析结果，包含情感分布、热度趋势和相关新闻 Examples: 用户："分析AI本周的情感倾向" 推荐调用流程： 1. resolve_date_range("本周") → {"date_range": {"start": "2025-11-18", "end": "2025-11-26"}} 2. analyze_sentiment(topic="AI", date_range={"start": "2025-11-18", "end": "2025-11-26"}) 用户："分析特斯拉最近7天的新闻情感" 推荐调用流程： 1. resolve_date_range("最近7天") → {"date_range": {"start": "2025-11-20", "end": "2025-11-26"}} 2. analyze_sentiment(topic="特斯拉", date_range={"start": "2025-11-20", "end": "2025-11-26"}) **重要：数据展示策略** - 本工具返回完整的分析结果和新闻列表 - **默认展示方式**：展示完整的分析结果（包括所有新闻） - 仅在用户明确要求"总结"或"挑重点"时才进行筛选 """ tools = _get_tools() result = tools['analytics'].analyze_sentiment( topic=topic, platforms=platforms, date_range=date_range, limit=limit, sort_by_weight=sort_by_weight, include_url=include_url ) return json.dumps(result, ensure_ascii=False, indent=2) @mcp.tool async def find_similar_news( reference_title: str, threshold: float = 0.6, limit: int = 50, include_url: bool = False ) -> str: """ 查找与指定新闻标题相似的其他新闻 Args: reference_title: 新闻标题（完整或部分） threshold: 相似度阈值，0-1之间，默认0.6 注意：阈值越高匹配越严格，返回结果越少 limit: 返回条数限制，默认50，最大100 注意：实际返回数量取决于相似度匹配结果，可能少于请求值 include_url: 是否包含URL链接，默认False（节省token） Returns: JSON格式的相似新闻列表，包含相似度分数 **重要：数据展示策略** - 本工具返回完整的相似新闻列表 - **默认展示方式**：展示全部返回的新闻（包括相似度分数） - 仅在用户明确要求"总结"或"挑重点"时才进行筛选 """ tools = _get_tools() result = tools['analytics'].find_similar_news( reference_title=reference_title, threshold=threshold, limit=limit, include_url=include_url ) return json.dumps(result, ensure_ascii=False, indent=2) @mcp.tool async def generate_summary_report( report_type: str = "daily", date_range: Optional[Dict[str, str]] = None ) -> str: """ 每日/每周摘要生成器 - 自动生成热点摘要报告 Args: report_type: 报告类型（daily/weekly） date_range: **【对象类型】** 自定义日期范围（可选） - **格式**: {"start": "YYYY-MM-DD", "end": "YYYY-MM-DD"} - **示例**: {"start": "2025-01-01", "end": "2025-01-07"} - **重要**: 必须是对象格式，不能传递整数 Returns: JSON格式的摘要报告，包含Markdown格式内容 """ tools = _get_tools() result = tools['analytics'].generate_summary_report( report_type=report_type, date_range=date_range ) return json.dumps(result, ensure_ascii=False, indent=2) # ==================== 智能检索工具 ==================== @mcp.tool async def search_news( query: str, search_mode: str = "keyword", date_range: Optional[Dict[str, str]] = None, platforms: Optional[List[str]] = None, limit: int = 50, sort_by: str = "relevance", threshold: float = 0.6, include_url: bool = False ) -> str: """ 统一搜索接口，支持多种搜索模式 **重要：日期范围处理** 当用户使用"本周"、"最近7天"等自然语言时，请先调用 resolve_date_range 工具获取精确日期： 1. 调用 resolve_date_range("本周") → 获取 {"start": "YYYY-MM-DD", "end": "YYYY-MM-DD"} 2. 将返回的 date_range 传入本工具 Args: query: 搜索关键词或内容片段 search_mode: 搜索模式，可选值： - "keyword": 精确关键词匹配（默认，适合搜索特定话题） - "fuzzy": 模糊内容匹配（适合搜索内容片段，会过滤相似度低于阈值的结果） - "entity": 实体名称搜索（适合搜索人物/地点/机构） date_range: 日期范围（可选） - **格式**: {"start": "YYYY-MM-DD", "end": "YYYY-MM-DD"} - **获取方式**: 调用 resolve_date_range 工具解析自然语言日期 - **默认**: 不指定时默认查询今天的新闻 platforms: 平台ID列表，如 ['zhihu', 'weibo', 'douyin'] - 不指定时：使用 config.yaml 中配置的所有平台 - 支持的平台来自 config/config.yaml 的 platforms 配置 - 每个平台都有对应的name字段（如"知乎"、"微博"），方便AI识别 limit: 返回条数限制，默认50，最大1000 注意：实际返回数量取决于搜索匹配结果（特别是 fuzzy 模式下会过滤低相似度结果） sort_by: 排序方式，可选值： - "relevance": 按相关度排序（默认） - "weight": 按新闻权重排序 - "date": 按日期排序 threshold: 相似度阈值（仅fuzzy模式有效），0-1之间，默认0.6 注意：阈值越高匹配越严格，返回结果越少 include_url: 是否包含URL链接，默认False（节省token） Returns: JSON格式的搜索结果，包含标题、平台、排名等信息 Examples: 用户："搜索本周的AI新闻" 推荐调用流程： 1. resolve_date_range("本周") → {"date_range": {"start": "2025-11-18", "end": "2025-11-26"}} 2. search_news(query="AI", date_range={"start": "2025-11-18", "end": "2025-11-26"}) 用户："最近7天的特斯拉新闻" 推荐调用流程： 1. resolve_date_range("最近7天") → {"date_range": {"start": "2025-11-20", "end": "2025-11-26"}} 2. search_news(query="特斯拉", date_range={"start": "2025-11-20", "end": "2025-11-26"}) 用户："今天的AI新闻"（默认今天，无需解析） → search_news(query="AI") **重要：数据展示策略** - 本工具返回完整的搜索结果列表 - **默认展示方式**：展示全部返回的新闻，无需总结或筛选 - 仅在用户明确要求"总结"或"挑重点"时才进行筛选 """ tools = _get_tools() result = tools['search'].search_news_unified( query=query, search_mode=search_mode, date_range=date_range, platforms=platforms, limit=limit, sort_by=sort_by, threshold=threshold, include_url=include_url ) return json.dumps(result, ensure_ascii=False, indent=2) @mcp.tool async def search_related_news_history( reference_text: str, time_preset: str = "yesterday", threshold: float = 0.4, limit: int = 50, include_url: bool = False ) -> str: """ 基于种子新闻，在历史数据中搜索相关新闻 Args: reference_text: 参考新闻标题（完整或部分） time_preset: 时间范围预设值，可选： - "yesterday": 昨天 - "last_week": 上周 (7天) - "last_month": 上个月 (30天) - "custom": 自定义日期范围（需要提供 start_date 和 end_date） threshold: 相关性阈值，0-1之间，默认0.4 注意：综合相似度计算（70%关键词重合 + 30%文本相似度） 阈值越高匹配越严格，返回结果越少 limit: 返回条数限制，默认50，最大100 注意：实际返回数量取决于相关性匹配结果，可能少于请求值 include_url: 是否包含URL链接，默认False（节省token） Returns: JSON格式的相关新闻列表，包含相关性分数和时间分布 **重要：数据展示策略** - 本工具返回完整的相关新闻列表 - **默认展示方式**：展示全部返回的新闻（包括相关性分数） - 仅在用户明确要求"总结"或"挑重点"时才进行筛选 """ tools = _get_tools() result = tools['search'].search_related_news_history( reference_text=reference_text, time_preset=time_preset, threshold=threshold, limit=limit, include_url=include_url ) return json.dumps(result, ensure_ascii=False, indent=2) # ==================== 配置与系统管理工具 ==================== @mcp.tool async def get_current_config( section: str = "all" ) -> str: """ 获取当前系统配置 Args: section: 配置节，可选值： - "all": 所有配置（默认） - "crawler": 爬虫配置 - "push": 推送配置 - "keywords": 关键词配置 - "weights": 权重配置 Returns: JSON格式的配置信息 """ tools = _get_tools() result = tools['config'].get_current_config(section=section) return json.dumps(result, ensure_ascii=False, indent=2) @mcp.tool async def get_system_status() -> str: """ 获取系统运行状态和健康检查信息 返回系统版本、数据统计、缓存状态等信息 Returns: JSON格式的系统状态信息 """ tools = _get_tools() result = tools['system'].get_system_status() return json.dumps(result, ensure_ascii=False, indent=2) @mcp.tool async def trigger_crawl( platforms: Optional[List[str]] = None, save_to_local: bool = False, include_url: bool = False ) -> str: """ 手动触发一次爬取任务（可选持久化） Args: platforms: 指定平台ID列表，如 ['zhihu', 'weibo', 'douyin'] - 不指定时：使用 config.yaml 中配置的所有平台 - 支持的平台来自 config/config.yaml 的 platforms 配置 - 每个平台都有对应的name字段（如"知乎"、"微博"），方便AI识别 - 注意：失败的平台会在返回结果的 failed_platforms 字段中列出 save_to_local: 是否保存到本地 output 目录，默认 False include_url: 是否包含URL链接，默认False（节省token） Returns: JSON格式的任务状态信息，包含： - platforms: 成功爬取的平台列表 - failed_platforms: 失败的平台列表（如有） - total_news: 爬取的新闻总数 - data: 新闻数据 Examples: - 临时爬取: trigger_crawl(platforms=['zhihu']) - 爬取并保存: trigger_crawl(platforms=['weibo'], save_to_local=True) - 使用默认平台: trigger_crawl() # 爬取config.yaml中配置的所有平台 """ tools = _get_tools() result = tools['system'].trigger_crawl(platforms=platforms, save_to_local=save_to_local, include_url=include_url) return json.dumps(result, ensure_ascii=False, indent=2) # ==================== 存储同步工具 ==================== @mcp.tool async def sync_from_remote( days: int = 7 ) -> str: """ 从远程存储拉取数据到本地 用于 MCP Server 等场景：爬虫存到远程云存储（如 Cloudflare R2）， MCP Server 拉取到本地进行分析查询。 Args: days: 拉取最近 N 天的数据，默认 7 天 - 0: 不拉取 - 7: 拉取最近一周的数据 - 30: 拉取最近一个月的数据 Returns: JSON格式的同步结果，包含： - success: 是否成功 - synced_files: 成功同步的文件数量 - synced_dates: 成功同步的日期列表 - skipped_dates: 跳过的日期（本地已存在） - failed_dates: 失败的日期及错误信息 - message: 操作结果描述 Examples: - sync_from_remote() # 拉取最近7天 - sync_from_remote(days=30) # 拉取最近30天 Note: 需要在 config/config.yaml 中配置远程存储（storage.remote）或设置环境变量： - S3_ENDPOINT_URL: 服务端点 - S3_BUCKET_NAME: 存储桶名称 - S3_ACCESS_KEY_ID: 访问密钥 ID - S3_SECRET_ACCESS_KEY: 访问密钥 """ tools = _get_tools() result = tools['storage'].sync_from_remote(days=days) return json.dumps(result, ensure_ascii=False, indent=2) @mcp.tool async def get_storage_status() -> str: """ 获取存储配置和状态 查看当前存储后端配置、本地和远程存储的状态信息。 Returns: JSON格式的存储状态信息，包含： - backend: 当前使用的后端类型（local/remote/auto） - local: 本地存储状态 - data_dir: 数据目录 - retention_days: 保留天数 - total_size: 总大小 - date_count: 日期数量 - earliest_date: 最早日期 - latest_date: 最新日期 - remote: 远程存储状态 - configured: 是否已配置 - endpoint_url: 服务端点 - bucket_name: 存储桶名称 - date_count: 远程日期数量 - pull: 拉取配置 - enabled: 是否启用自动拉取 - days: 自动拉取天数 Examples: - get_storage_status() # 查看所有存储状态 """ tools = _get_tools() result = tools['storage'].get_storage_status() return json.dumps(result, ensure_ascii=False, indent=2) @mcp.tool async def list_available_dates( source: str = "both" ) -> str: """ 列出本地/远程可用的日期范围 查看本地和远程存储中有哪些日期的数据可用， 帮助了解数据覆盖范围和同步状态。 Args: source: 数据来源，可选值： - "local": 仅列出本地可用日期 - "remote": 仅列出远程可用日期 - "both": 同时列出两者并进行对比（默认） Returns: JSON格式的日期列表，包含： - local: 本地日期信息（如果 source 包含 local） - dates: 日期列表（按时间倒序） - count: 日期数量 - earliest: 最早日期 - latest: 最新日期 - remote: 远程日期信息（如果 source 包含 remote） - configured: 是否已配置远程存储 - dates: 日期列表 - count: 日期数量 - earliest: 最早日期 - latest: 最新日期 - comparison: 对比结果（仅当 source="both" 时） - only_local: 仅本地存在的日期 - only_remote: 仅远程存在的日期 - both: 两边都存在的日期 Examples: - list_available_dates() # 查看本地和远程的对比 - list_available_dates(source="local") # 仅查看本地 - list_available_dates(source="remote") # 仅查看远程 """ tools = _get_tools() result = tools['storage'].list_available_dates(source=source) return json.dumps(result, ensure_ascii=False, indent=2) # ==================== 启动入口 ==================== def run_server( project_root: Optional[str] = None, transport: str = 'stdio', host: str = '0.0.0.0', port: int = 3333 ): """ 启动 MCP 服务器 Args: project_root: 项目根目录路径 transport: 传输模式，'stdio' 或 'http' host: HTTP模式的监听地址，默认 0.0.0.0 port: HTTP模式的监听端口，默认 3333 """ # 初始化工具实例 _get_tools(project_root) # 打印启动信息 print() print("=" * 60) print(" TrendRadar MCP Server - FastMCP 2.0") print("=" * 60) print(f" 传输模式: {transport.upper()}") if transport == 'stdio': print(" 协议: MCP over stdio (标准输入输出)") print(" 说明: 通过标准输入输出与 MCP 客户端通信") elif transport == 'http': print(f" 协议: MCP over HTTP (生产环境)") print(f" 服务器监听: {host}:{port}") if project_root: print(f" 项目目录: {project_root}") else: print(" 项目目录: 当前目录") print() print(" 已注册的工具:") print(" === 日期解析工具（推荐优先调用）===") print(" 0. resolve_date_range - 解析自然语言日期为标准格式") print() print(" === 基础数据查询（P0核心）===") print(" 1. get_latest_news - 获取最新新闻") print(" 2. get_news_by_date - 按日期查询新闻（支持自然语言）") print(" 3. get_trending_topics - 获取趋势话题") print() print(" === 智能检索工具 ===") print(" 4. search_news - 统一新闻搜索（关键词/模糊/实体）") print(" 5. search_related_news_history - 历史相关新闻检索") print() print(" === 高级数据分析 ===") print(" 6. analyze_topic_trend - 统一话题趋势分析（热度/生命周期/爆火/预测）") print(" 7. analyze_data_insights - 统一数据洞察分析（平台对比/活跃度/关键词共现）") print(" 8. analyze_sentiment - 情感倾向分析") print(" 9. find_similar_news - 相似新闻查找") print(" 10. generate_summary_report - 每日/每周摘要生成") print() print(" === 配置与系统管理 ===") print(" 11. get_current_config - 获取当前系统配置") print(" 12. get_system_status - 获取系统运行状态") print(" 13. trigger_crawl - 手动触发爬取任务") print() print(" === 存储同步工具 ===") print(" 14. sync_from_remote - 从远程存储拉取数据到本地") print(" 15. get_storage_status - 获取存储配置和状态") print(" 16. list_available_dates - 列出本地/远程可用日期") print("=" * 60) print() # 根据传输模式运行服务器 if transport == 'stdio': mcp.run(transport='stdio') elif transport == 'http': # HTTP 模式（生产推荐） mcp.run( transport='http', host=host, port=port, path='/mcp' # HTTP 端点路径 ) else: raise ValueError(f"不支持的传输模式: {transport}") if __name__ == '__main__': import argparse parser = argparse.ArgumentParser( description='TrendRadar MCP Server - 新闻热点聚合 MCP 工具服务器', formatter_class=argparse.RawDescriptionHelpFormatter, epilog=""" 详细配置教程请查看: README-Cherry-Studio.md """ ) parser.add_argument( '--transport', choices=['stdio', 'http'], default='stdio', help='传输模式：stdio (默认) 或 http (生产环境)' ) parser.add_argument( '--host', default='0.0.0.0', help='HTTP模式的监听地址，默认 0.0.0.0' ) parser.add_argument( '--port', type=int, default=3333, help='HTTP模式的监听端口，默认 3333' ) parser.add_argument( '--project-root', help='项目根目录路径' ) args = parser.parse_args() run_server( project_root=args.project_root, transport=args.transport, host=args.host, port=args.port )