在Dify里搭一套自动舆情监控系统，其实并不复杂——本质就是配置一个能联网的Agent，加上rookie_rss和DuckDuckGo这两个工具，就能自动抓取微博、B站这些平台的热搜话题，再交给情感打分、RAG历史比对和代码节点去做三步风险评估和处置。不需要手动刷新每个App再凭经验判断，系统就能实时感知情绪倾向、风险等级，还能关联历史事件。

## 配置Agent基础能力：让AI主动“上网查” 打开Dify工作台，新建应用，选择Agent类型，在模型设置里选支持联网的模型，比如Qwen2.5-72B或GPT-4o。**关键一步：必须开启“允许调用外部工具”开关**，否则Agent没法触发任何搜索行为。 进入工具库，点击添加工具，搜索并启用DuckDuckGo Search（免费）和rookie_rss（已预装）这两个插件。前者用来做泛关键词检索，后者专门获取各平台热榜的原始RSS数据。 这一步不能跳过：在Agent提示词顶部加入明确指令——“你是一个舆情分析师，所有回答必须基于实时抓取的数据，禁止虚构或推测。若未调用工具获取结果，不得输出结论。” ## 设计热点感知流程：从“刷榜”到“判别” **方法一：RSS热榜驱动型**（推荐用于微博、B站、掘金等有公开RSS源的平台） 拖入开始节点，连接rookie_rss节点，在其配置中填入目标平台热榜URL。例如B站的：https://rsshub.app/bilibili/trending/all，然后设置提取字段为title和link，最后输出给LLM节点做初步清洗。 注意：新浪微博的RSS需要登录态，rookie_rss默认授权只支持每日热榜快照。如果想实时抓取微博正文，必须搭配Python代码节点调用微博开放API，并传入access_token。 **方法二：关键词触发型**（适用于无RSS但需定向监控的品牌词） 设置一个条件分支节点，输入变量设为“用户输入关键词”，分支逻辑判断是否包含品牌名加负面动词（比如“爆雷”“翻车”“投诉”）。如果命中，就触发DuckDuckGo搜索；否则跳过深度分析，直接归档。 ## 构建风险评估链：三步交叉验证 **第一步：情感强度打分** 将原始热榜标题加上前3条评论摘要，一起送入LLM节点。Prompt里强制要求输出0到100的数字评分，并且必须附带依据句。例如：“‘XX手机又崩了’含重复否定词‘又’加崩溃动词，判定为87分。” **第二步：历史事件比对** 在LLM节点后面接入RAG知识库节点，上传企业过往危机事件PDF（比如《2025年X产品召回处理纪要》），设置检索策略为“语义相似度Top3+时间倒序”，输出匹配段落供模型参考。 **第三步：行动建议生成** 如果情感分不低于75，且存在历史相似事件，就自动触发代码节点执行Python脚本——生成Jira工单（含链接、截图、风险标签）、钉钉@指定负责人、同步写入内部舆情看板数据库；否则只存入MySQL日志表，标记为“低风险观察”。 这一步不可逆：**RAG知识库必须提前完成向量化，且切片大小设为256字符、重叠50字符，否则长文本匹配会漏掉关键细节**。 ## 部署与触发：让监控真正跑起来 保存工作流，点击发布，获取Webhook地址。用curl或Postman测试发送模拟请求，比如`{"platform": "bilibili", "keyword": "XX耳机"}`，然后去观察日志面板是否出现“rookie_rss → LLM → RAG → Code”的完整执行链路。 把Webhook嵌入定时任务：用Linux crontab每15分钟curl一次，参数固定为bilibili+trending；或者对接企业微信机器人，当收到“查今日热搜”消息时自动触发。 上线后首次运行，记得检查Dify监控页中的错误堆栈——如果出现“rookie_rss timeout”，说明目标RSS源响应超时，需要在插件配置里把超时时间从5秒调至12秒。