嗨，我是小华同学，专注解锁高效工作与前沿AI工具！每日精选开源技术、实战技巧，助你省时50%、领先他人一步。👉免费订阅，与10万+技术人共享升级秘籍！
“微舆” 是一个从0实现的创新型多智能体舆情分析系统，帮助大家破除信息茧房，还原舆情原貌，预测未来走向，辅助决策。用户只需像聊天一样提出分析需求，智能体开始全自动分析国内外30+主流社媒与数百万条大众评论。
Image
- 项目定位：一个从零实现、纯 Python 模块化、无需依赖繁重框架的「多智能体舆情分析系统」。
- 核心使命：打破信息茧房、还原舆情原貌、预测舆情走向、辅助决策。
简而言之，如果你曾为“如何监控社交媒体舆情”“品牌声誉怎么追踪”“热点话题怎么系统化分析”感到头疼，那么 BettaFish 正好针对这些痛点而来。
痛点场景
- 公司品牌危机突发：比如产品问题被用户在微博、小红书或抖音放大，公司需要快速判断舆情走向、定位关键声量点、协助危机公关。
- 媒体运营或内容平台：想要了解“哪些话题正在引爆”“用户评论里在说什么”“情感趋向是正向还是负向”——需要一个可视化、可追踪、自动化分析的系统。
- 学术研究/政府监管：希望从海量社媒评论、新闻内容、短视频评论中提取洞察，为报告、论文或政策建议提供数据支撑。
- 市场/竞品监测：想了解行业趋势、用户反馈、竞争对手声量变化，却苦于数据分散、人工劳动量大。
换句话说，传统舆情分析依赖人工报表、Excel 切割、关键词统计；而在当下「多平台＋多模态（文字、图像、视频）＋海量评论」的格局下，这样的方法已远远不够。BettaFish 恰恰填补了这个缺口。
核心功能解析
以下是 BettaFish 的 7 大特色功能，帮助你快速理解其强大之处：
| 功能 | 简要描述 |
| 全域舆情监控 | 支持 AI 爬虫集群 7×24 小时不间断作业，覆盖微博、小红书、抖音、快手等 10+ 国内外关键社媒。 |
| 多智能体分析引擎 | 系统内置 Query Agent、Media Agent、Insight Agent、Report Agent 等多个 Agent 协同工作，多模型融合，不仅仅是普通 LLM 推理。 |
| 多模态内容理解 | 不止文字，还能处理图片、短视频、结构化信息卡片（如天气、股票、日历事件）等多模态内容。 |
| Agent “论坛”协作机制 | 各 Agent 在 “论坛” 模式下进行链式思维碰撞与辩论，从而避免单一模型的思考盲点。 |
| 公域与私域数据融合 | 支持将企业内部数据库与公开舆情数据无缝融合，形成“外部趋势＋内部洞察”的分析能力。 |
| 轻量化、高扩展性 | 采用纯 Python 模块化设计，一键部署、结构清晰，便于自定义扩展。 |
| 智能报告生成 | Report Agent 自动选择模板、生成报告，无需从零写分析文档。 |
这些功能共同组成了一个“从数据采集 → 多模态分析 → 智能报告”完整闭环。下面我们再深入看看其技术架构和使用方法。
技术架构
系统整体架构图
Image 
Image 
Image
整体架构可以用下面流程来描述：
技术优势解析
| 模块 | 作用 | 优势说明 |
| Flask + Streamlit 前端 | 提供 Web 界面与交互式操作 | 使用流行轻量框架，部署门槛低。 |
| MindSpider 爬虫系统 | 多平台数据采集（微博、短视频、社媒评论） | 支持深度舆情爬取、结构化存储。 |
| 多智能体系统 (Agent Framework) | Query／Media／Insight 等 Agent 分工合作 | 相比单一模型，更具深度与广度。 |
| 论坛引擎 (ForumEngine) | Agent 间“讨论＋碰撞”，生成更可靠结果 | 打破传统线性思路，实现集体智能。 |
| 报告生成引擎 | 自动化选择模板，快速生成分析报告 | 减少人工报告编写负担。 |
界面效果展示
Image 
ImageImage 
Image
从上图可以看到：
- 仪表盘直观展示舆情趋势曲线、情感分布
- 多模态数据（文字、短视频、图片）被统一进入分析系统
- 最终生成报告可视化、下载或导出，适合汇报展示
这些界面效果令系统不仅“能分析”，而且“好看易用”——这对于非技术背景的用户而言极具吸引力。
应用场景
| 场景 | 使用场景说明 |
| 品牌声誉监测 | 企业可通过系统实时追踪品牌相关话题、用户评价、负面内容扩散趋势，从而及时启动危机处置。 |
| 公共事件热度分析 | 媒体或政府机关可借助系统快速捕捉突发事件舆情走向，定位热点扩散节点、研判发展趋势。 |
| 市场／竞品监测 | 市场团队可监控竞争对手媒体声量、用户反馈、行业趋势，从数据中提取商业洞察。 |
| 学术研究／报告撰写 | 研究人员可利用系统强大的舆情大数据能力，生成可视化报告，为论文或政策建议提供数据支撑。 |
| 内部数据＋外部趋势融合 | 企业可将自有用户数据、业务数据与公开舆情结合，实现更深层次的“内外部融合分析”。 |
例如：某品牌发现一则短视频在抖音引发大量负面评论，系统立即捕捉、通过 Media Agent 进行多模态识别、Insight Agent 与内部销售数据关联，快速输出“负面话题→用户关注点→潜在商业损失”报告。这样就从被动应对转为主动决策支持。
具体使用方法（快速上手）
环境准备
# 创建 conda 环境
conda create -n bettafish_env python=3.11
conda activate bettafish_env
# 安装依赖
pip install -r requirements.txt
# 安装浏览器驱动（如 Playwright）
playwright install chromium
启动系统
# 启动主程序
python app.py
然后访问 http://localhost:5000 即可进入系统界面。
配置说明
- 在
.env文件中配置主机、端口、数据库连接、LLM 接口等。新版 v1.2.0 支持基于 Pydantic 的验证机制。 - 配置 LLM 接口：支持 OpenAI、Gemini、DeepSeek 等不同服务，用户可灵活切换模型。
- 若将内部数据库纳入分析，可在 Insight Agent 中对接自定义 DB 工具类。
简单示例（伪代码）
from bettafish import QueryAgent, MediaAgent, InsightAgent, ReportAgent
# 用户发起一个舆情分析请求
question = "请分析最近 7 天内‘新能源车品牌’在微博与小红书上的舆情走势和关键用户意见"
query_agent = QueryAgent()
media_agent = MediaAgent()
insight_agent = InsightAgent()
report_agent = ReportAgent()
# 启动并行分析
query_results = query_agent.run(question)
media_results = media_agent.run(question)
insight_results = insight_agent.run(question, extra_internal_db=my_db)
# 论坛机制协作汇总
final_summary = ForumEngine.collaborate([query_results, media_results, insight_results])
# 报告生成
report = report_agent.generate(final_summary, template="品牌监测报告.md")
print(report)
以上流程表示：你只需要一句自然语言提问，系统便启动多个 Agent 并行工作，最终形成可视化报告，无需你手工采集、整理、撰写。
与同类项目对比及产品优势
| 项目名称 | 核心定位 | 产品优势 |
| BettaFish（微舆） | 多智能体舆情分析系统 | 多模态＋多平台＋论坛协作＋轻量部署，支持公私数据融合。 |
| 竞品 A（假设） | 舆情关键词监控工具 | 主要文字关键词监控，覆盖平台较少，分析维度单一。 |
| 竞品 B（假设） | 社交媒体舆情热度报表系统 | 偏热度排名，缺乏深度语义分析与智能报告生成。 |
BettaFish 的核心优势在于：
- 覆盖面广：不仅微博、小红书，还包括短视频、图像、结构化卡片信息。
- 分析深度强：多模型融合 + 礼 “论坛”机制，产出结果更精炼、更有洞察力。
- 部署便捷：纯 Python 模块化，Docker 支持 ARM 架构。
- 数据融合能力高：可将内部数据接入，与外部舆情数据合并分析，实现业务化。
总之，如果你不是只是“看数据”，而是想“获得决策级别的洞察”，BettaFish 是比传统舆情工具更进一步的选择。
总结
在“信息爆炸＋多平台＋短视频时代”，舆情分析工具面临新的挑战：数据种类多、维度复杂、变化快速。BettaFish 通过“多智能体＋多模态＋自动报告”方式，为品牌、媒体、企业提供了一个真正「从提问到报告」的闭环系统。无论你的角色是公关、市场、研究还是决策支持，都能在这个系统中找到价值。看似小巧（BettaFish 名称所言），却具备强大能力——“小而强大，不畏挑战”。
配合上述使用步骤，你只需几分钟即可启动系统、提问分析、生成报告。值得收藏、部署、成为你的舆情分析利器。
