【GitHub每日速递 20251106】“微舆”舆情分析系统：AI驱动，六大优势破茧还原舆情真相！

原文:https://mp.weixin.qq.com/s/2_6FlPAHEw_rmIQxi6fWMQ

“微舆”舆情分析系统：AI驱动，六大优势破茧还原舆情真相！

BettaFish 是一个基于多Agent架构的舆情分析工具。简单讲，它能帮助用户打破信息茧房，还原真实舆论情况并预测趋势，辅助决策，且完全从零开发不依赖框架。适用人群：舆情分析师、数据科学家及对信息真实性有高要求的研究者。

项目地址：https://github.com/666ghj/BettaFish

主要语言：Python

stars: 7.9k

项目核心功能

“微舆”是一个创新型多智能体舆情分析系统，用户只需以聊天方式提出分析需求，智能体就能自动分析国内外30 + 主流社媒及数百万条大众评论，帮助破除信息茧房，还原舆情原貌，预测未来走向，辅助决策。

代码架构特点

• 模块化设计：基于纯Python模块化设计，代码结构清晰。包含QueryEngine、MediaEngine、InsightEngine、ReportEngine、ForumEngine、MindSpider、SentimentAnalysisModel、SingleEngineApp等多个模块，每个模块负责不同的功能，如舆情搜索、多模态内容分析、私有数据库挖掘、报告生成、论坛协作、数据爬取、情感分析等。
• 组件化管理：各模块内部又进一步细分，如InsightEngine包含llms、nodes、tools、state、prompts、utils等子模块，便于管理和维护。

项目优势

• AI驱动的全域监控：AI爬虫集群7x24小时不间断作业，全面覆盖微博、小红书、抖音、快手等10 + 国内外关键社媒，不仅捕获热点内容，还能下钻到用户评论。
• 超越LLM的复合分析引擎：融合5类专业Agent、微调模型、统计模型等中间件，多模型协同工作，保证分析结果的深度、准度与多维视角。
• 强大的多模态能力：能深度解析短视频内容，精准提取结构化多模态信息卡片，全面掌握舆情动态。
• Agent“论坛”协作机制：不同Agent有独特工具集和思维模式，通过论坛机制进行思维碰撞与辩论，避免单一模型局限，催生高质量集体智能与决策支持。
• 公私域数据无缝融合：提供高安全性接口，支持将内部业务数据库与舆情数据集成，为垂直业务提供强大分析能力。
• 轻量化与高扩展性框架：基于纯Python模块化设计，实现轻量化、一键式部署，开发者可轻松集成自定义模型与业务逻辑。

应用场景

• 舆情监测：实时监测国内外社媒上的舆情动态，帮助企业、政府等机构了解公众对特定事件、品牌、政策等的看法和态度。
• 品牌声誉管理：分析企业或机构的品牌声誉，发现潜在问题和机会，为品牌建设和维护提供决策支持。
• 市场分析：通过分析社媒数据和大众评论，了解市场趋势、消费者需求和竞争对手情况，辅助企业进行市场策略制定。
• 辅助决策：为政府、企业等机构的决策提供数据支持和分析报告，帮助其做出更明智的决策。

快速开始

• 环境要求：支持Windows、Linux、MacOS操作系统，Python版本3.9 +，需要Anaconda或Miniconda，数据库可选择MySQL或云数据库服务，建议内存2GB以上。
• 安装步骤：创建Conda环境，安装依赖包，安装Playwright浏览器驱动，配置API密钥和数据库，启动系统。

高级配置

• 修改关键参数：可调整各Agent的配置参数，如反思轮次、搜索结果数、内容长度等，以及情感分析模型的配置，如模型类型、置信度阈值、批处理大小等。
• 接入不同的LLM模型：支持任意openAI调用格式的LLM提供商，只需在config.py中填写对应的KEY、BASE_URL、MODEL_NAME。
• 更改情感分析模型：系统集成了多语言情感分析、小参数Qwen3微调、基于BERT的微调模型、GPT - 2 LoRA微调模型、传统机器学习方法等多种情感分析方法，可根据需求选择。
• 接入自定义业务数据库：修改数据库连接配置，创建自定义数据访问工具，并集成到InsightEngine中。
• 自定义报告模板：可在Web界面中上传自定义模板文件，也可在ReportEngine/report_template/目录下创建新的模板。

Nano-vLLM：轻量实现，推理速度超 vLLM，1200 行代码打造优化利器！

nano-vllm 是一个轻量级大语言模型推理框架的工具。简单讲，它能让大模型在普通设备上快速运行，像手机或小型电脑也能流畅使用AI。适用人群：AI开发者、边缘计算研究者、对本地部署大模型感兴趣的爱好者。

项目地址：https://github.com/GeeeekExplorer/nano-vllm

主要语言：Python

stars: 8.0k

核心功能

• 快速离线推理：推理速度与 vLLM 相当，能在离线环境下高效完成推理任务。
• 代码可读性高：约 1200 行 Python 代码实现，代码结构清晰，易于理解和学习。
• 优化套件丰富：集成了前缀缓存、张量并行、Torch 编译、CUDA 图等优化技术，提升推理性能。

安装方式

可以使用以下命令进行安装：

pip install git+https://github.com/GeeeekExplorer/nano-vllm.git

模型下载

若要手动下载模型权重，可使用以下命令：

huggingface-cli download --resume-download Qwen/Qwen3-0.6B \
  --local-dir ~/huggingface/Qwen3-0.6B/ \
  --local-dir-use-symlinks False

快速开始

使用示例可参考 example.py 文件。其 API 与 vLLM 接口类似，不过 LLM.generate 方法存在细微差异，示例代码如下：

from nanovllm import LLM, SamplingParams
llm = LLM("/YOUR/MODEL/PATH", enforce_eager=True, tensor_parallel_size=1)
sampling_params = SamplingParams(temperature=0.6, max_tokens=256)
prompts = ["Hello, Nano-vLLM."]
outputs = llm.generate(prompts, sampling_params)
outputs[0]["text"]

性能测试

• 测试配置
  • 硬件：RTX 4070 Laptop（8GB）
  • 模型：Qwen3 - 0.6B
  • 总请求数：256 个序列
  • 输入长度：随机采样于 100 - 1024 个标记之间
  • 输出长度：随机采样于 100 - 1024 个标记之间
• 性能结果

推理引擎	输出标记数	时间（秒）	吞吐量（标记/秒）
vLLM	133,966	98.37	1361.84
Nano - vLLM	133,966	93.41	1434.13

优势

• 对于想要学习大语言模型推理实现的开发者来说，简洁的代码结构是很好的学习资源。
• 在性能上表现出色，甚至在测试中吞吐量超过了 vLLM，能满足对推理速度有较高要求的应用场景。

应用场景

• 本地开发和测试：由于其代码简洁、易于理解，适合在本地进行开发和测试工作。
• 对推理速度有要求的离线应用：如一些需要快速响应的本地智能助手、离线文本生成工具等。