ai-trend-publish

GitHub
2.9k 396 中等 1 次阅读 今天MIT图像Agent开发框架
AI 解读 由 AI 自动生成,仅供参考

ai-trend-publish 是一款基于 Deno 和 TypeScript 开发的全自动 AI 内容生成与发布系统,旨在帮助创作者高效追踪并传播前沿科技动态。它解决了从海量信息源(如 Twitter/X、各类网站)中手动搜集、整理素材耗时费力,以及公众号运营中内容创作与定时发布流程繁琐的痛点。

该系统能够自动抓取多源数据,利用 Deepseek、通义千问、讯飞等大模型进行智能摘要、关键信息提取及标题生成,并对内容进行去重与排序,最终通过预设模板自动生成文章并发布至微信公众号。此外,它还集成了 Bark、钉钉、飞书等通知服务,实时监控任务状态与错误告警。

ai-trend-publish 特别适合开发者、技术博主、自媒体运营者及关注 AI 趋势的研究人员使用。其独特亮点在于灵活的多模型配置能力,支持用户自由组合不同大模型处理特定任务,并深度集成 Jina AI 实现高级搜索与内容重排序。无论是希望搭建个人自动化资讯站点的技术人员,还是寻求提升内容生产效率的运营团队,都能通过该工具轻松实现“数据获取 - 智能创作 - 自动发布”的全链路闭环。

使用场景

某科技自媒体运营者每天需要追踪全球最新的 AI 技术动态,并将其整理成高质量的微信公众号文章发布。

没有 ai-trend-publish 时

  • 信息搜集耗时巨大:需要手动刷新 Twitter/X、HackerNews 及多个技术博客,花费数小时筛选有价值的新闻,极易遗漏重要趋势。
  • 内容创作效率低下:对每条新闻需人工阅读、总结摘要并构思吸引人的标题,撰写一篇深度综述往往需要整个下午。
  • 发布流程繁琐易错:需登录公众号后台手动排版、上传图片并设置定时发送,操作重复且容易因疲劳出现格式错误。
  • 多模型对比困难:难以快速利用不同大模型(如 Deepseek、通义千问)对同一素材进行多维度分析,内容深度受限。

使用 ai-trend-publish 后

  • 全自动多源抓取:配置好 Twitter 和目标网站后,系统自动实时采集全球 AI 资讯,并通过 Jina AI 进行智能去重与初步清洗。
  • AI 智能生成与排序:调用 Deepseek 或通义千问自动提炼核心观点、生成爆款标题,并根据热度智能排序内容,瞬间完成初稿。
  • 一键定时发布:结合预设的精美 EJS 模板,系统自动排版并推送到微信公众号,支持定时任务,彻底解放双手。
  • 灵活的多模型协作:可自由切换或组合多种大模型对素材进行深度分析,轻松产出包含“每周排行榜”或“仓库推荐”的高质量专栏。

ai-trend-publish 将原本需要半天的人工采编工作压缩至分钟级,让运营者从繁琐的搬运工转型为真正的策略制定者。

运行环境要求

操作系统
  • Windows
  • Linux
  • macOS
GPU

未说明

内存

未说明

依赖
notes本项目基于 Deno 运行时而非 Node.js 或 Python。使用前需配置多个 AI 服务(如 Deepseek, Jina AI, FireCrawl 等)的 API Key。若使用微信公众号发布功能,必须在公众号后台将服务器 IP 加入白名单。支持通过 Docker 部署或使用 PM2 进行进程管理。
python不需要 (基于 Deno/TypeScript)
Deno v2.0.0+
TypeScript
EJS
VitePress (文档)
PM2 (可选,用于进程管理)
ai-trend-publish hero image

快速开始

TrendPublish

基于 Deno 开发的趋势发现和内容发布系统,支持多源数据采集、智能总结和自动发布到微信公众号。

star

🌰 示例公众号:AISPACE科技空间

点击加入discard频道:https://discord.gg/mrZvBHNawS 点击加入 QQ 群聊: 点击链接加入群聊【TrendPublish-1】

即刻关注,体验 AI 智能创作的内容~

🛠 开发环境

  • 运行环境: Deno v2.0.0 或更高版本
  • 开发语言: TypeScript
  • 操作系统: Windows/Linux/MacOS

🚀 快速开始

感谢 https://github.com/233cy 提供的入门教程 https://mp.weixin.qq.com/s/cpfNsezIA3OOvxHLdcdmkg

1. 安装 Deno

Windows (PowerShell):

irm https://deno.land/install.ps1 | iex

MacOS/Linux:

curl -fsSL https://deno.land/install.sh | sh

2. 克隆项目

git clone https://github.com/liyown/ai-trend-publish
cd ai-trend-publish

3. 配置环境变量

cp .env.example .env
# 编辑 .env 文件配置必要的环境变量
# Key environment variables include API keys for various AI services.
# For Jina AI functionalities (scraping, search, embeddings, reranking),
# ensure JINA_API_KEY is set. See the .env.example file and the
# Jina Integration Guide for more details.

4. 开发和运行

# 开发模式(支持热重载)
deno task start

# 测试运行
deno task test

# 编译Windows版本
deno task build:win

# 编译Mac版本
deno task build:mac-x64    # Intel芯片
deno task build:mac-arm64  # M系列芯片

# 编译Linux版本
deno task build:linux-x64   # x64架构
deno task build:linux-arm64 # ARM架构

# 编译所有平台版本
deno task build:all

5. 文档开发(VitePress)

# 安装文档依赖
npm install

# 本地预览文档
npm run docs:dev

# 构建文档
npm run docs:build

🌟 主要功能

  • 🤖 多源数据采集

    • Twitter/X 内容抓取
    • 网站内容抓取 (基于 FireCrawl)
    • 支持自定义数据源配置
    • Advanced scraping and search via Jina AI
  • 🧠 AI 智能处理

    • 使用 DeepseekAI Together 千问 万象 讯飞 进行内容总结
    • 关键信息提取
    • 智能标题生成
    • Text embeddings and reranking via Jina AI
  • 📢 自动发布

    • 微信公众号文章发布
    • 自定义文章模板
    • 定时发布任务
  • 📱 通知系统

    • Bark 通知集成
  • 钉钉通知集成

  • 飞书通知集成

    • 任务执行状态通知
    • 错误告警

📝 文章模板

TrendPublish 提供了多种精美的文章模板。查看 模板展示页面 了解更多详情。

DONE

  • 微信公众号文章发布
  • 大模型每周排行榜
  • 热门AI相关仓库推荐
  • 添加通义千问(Qwen)支持
  • 支持多模型配置(如 DEEPSEEK_MODEL="deepseek-chat|deepseek-reasoner")
  • 支持指定特定模型(如 AI_CONTENT_RANKER_LLM_PROVIDER="DEEPSEEK:deepseek-reasoner")

Todo

  • 热门AI相关论文推荐
  • 热门AI相关工具推荐
  • FireCrawl 自动注册免费续期

优化项

  • 内容插入相关图片
  • 内容去重
  • 降低AI率
  • 文章图片优化
  • ...

进阶

  • 提供exe可视化界面

🛠 技术栈

  • 运行环境: Deno + TypeScript
  • AI 服务: DeepseekAI Together 千问 万象 讯飞 Jina AI (see Integration Guide)
  • 数据源:
  • 模板引擎: EJS
  • 开发工具:
    • Deno
    • TypeScript

🚀 快速开始

环境要求

  • Deno (v2+)
  • TypeScript

安装

  1. 克隆项目
git clone https://github.com/liyown/ai-trend-publish
  1. 配置环境变量
cp .env.example .env
# 编辑 .env 文件配置必要的环境变量
# Key environment variables include API keys for various AI services.
# For Jina AI functionalities (scraping, search, embeddings, reranking),
# ensure JINA_API_KEY is set. See the .env.example file and the
# Jina Integration Guide (docs/integrations/jina-integration-guide.md) for more details.

⚙️ 环境变量配置

.env 文件中配置必要的环境变量:

(Refer to .env.example for a comprehensive list of environment variables. For details on Jina AI specific setup, see the Jina Integration Guide).

⚠️ 配置IP白名单

在使用微信公众号相关功能前,please first add your local IP address to the official account's IP whitelist.

操作步骤

  1. 查看本机IP: IP查询工具
  2. 登录微信公众号后台,添加IP白名单

图文指南

  1. 启动项目
# 测试模式
deno task test

# 运行
deno start start

详细运行时间见 src\controllers\cron.ts

📦 部署指南

方式一:直接部署

  1. 在服务器上安装 Deno

Windows:

irm https://deno.land/install.ps1 | iex

Linux/MacOS:

curl -fsSL https://deno.land/install.sh | sh
  1. 克隆项目
git clone https://github.com/liyown/ai-trend-publish.git
cd ai-trend-publish
  1. 配置环境变量
cp .env.example .env
# 编辑 .env 文件配置必要的环境变量
  1. 启动服务
# 开发模式(支持热重载)
deno task start

# 测试模式运行
deno task test

# 使用PM2进行进程管理(推荐)
npm install -g pm2
pm2 start --interpreter="deno" --interpreter-args="run --allow-all" src/main.ts
  1. 设置开机自启(可选)
# 使用PM2设置开机自启
pm2 startup
pm2 save

方式二:Docker 部署

  1. 拉取代码
git clone https://github.com/liyown/ai-trend-publish.git
  1. 构建 Docker 镜像:
# 构建镜像
docker build -t ai-trend-publish .
  1. 运行容器:
# 方式1:通过环境变量文件运行
docker run -d --env-file .env --name ai-trend-publish-container ai-trend-publish

# 方式2:直接指定环境变量运行
docker run -d \
  -e XXXX=XXXX \
  ...其他环境变量... \
  --name ai-trend-publish-container \
  ai-trend-publish

CI/CD 自动部署

项目已配置 GitHub Actions 自动部署流程:

  1. 推送代码到 main 分支会自动触发部署
  2. 也可以在 GitHub Actions 页面手动触发部署
  3. 确保在 GitHub Secrets 中配置以下环境变量:
    • SERVER_HOST: 服务器地址
    • SERVER_USER: 服务器用户名
    • SSH_PRIVATE_KEY: SSH 私钥
    • 其他必要的环境变量(参考 .env.example)

模板开发指南

本项目支持自定义模板开发,主要包含以下几个部分:

1. 了解数据结构

查看 src/modules/render/interfaces 目录下的类型定义文件,了解各个渲染模块需要的数据结构

2. 开发模板

src/templates 目录下按照对应模块开发 EJS 模板

3. 注册模板

在对应的渲染器类中注册新模板,如 WeixinArticleTemplateRenderer

4. 测试渲染效果

npx ts-node -r tsconfig-paths/register src\modules\render\test\test.weixin.template.ts

🤝 贡献指南

  1. Fork 本仓库
  2. 创建特性分支 (git checkout -b feature/amazing-feature)
  3. 提交更改 (git commit -m 'Add some amazing feature')
  4. 推送到分支 (git push origin feature/amazing-feature)
  5. 提交 Pull Request

❤️ 特别感谢

感谢以下贡献者对项目的支持:

kilimro

Star History

Star History Chart

📄 许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件

JSON-RPC API

提供了基于 JSON-RPC 2.0 协议的 API,支持手动触发工作流。

版本历史

v1.0.62025/03/16
v1.0.52025/03/12
v1.0.32025/03/12
v1.0.22025/03/11
v1.0.12025/03/09
v1.0.02025/03/06
v0.2.02025/03/03
v0.1.22025/01/28

常见问题

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|昨天
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|昨天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

142.7k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.9k|★★☆☆☆|今天
开发框架图像Agent

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器

93.4k|★★☆☆☆|今天
插件开发框架

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|今天
语言模型图像Agent