这个项目是由一个连"Hello World"都要查Stack Overflow的超级菜鸟
（也就是那种把"Ctrl+C, Ctrl+V"称为编程技能的人）
在下面这家神奇公司的AI魔法帮助下完成的：
✨ AUGMENT CODE ✨
"让AI写代码，我来喝咖啡" —— 懒惰程序员的终极梦想
由衷感谢 AUGMENT CODE！没有你们，我可能还在思考怎么创建一个文件夹...
TweetAnalyst 是一个基于AI的社交媒体内容分析助手，专注于Twitter内容的智能分析和推送。该工具能够自动抓取指定账号的最新推文，通过AI进行智能分析和价值判断，并将有价值的内容通过多种渠道推送给用户。
- 智能筛选: 使用AI自动判断推文的价值和相关性，避免信息过载
- 多维分析: 支持财经、科技、政治等多个领域的专业分析
- 实时推送: 第一时间获取重要信息，不错过关键动态
- 灵活配置: 支持自定义分析维度和推送策略
本项目采用现代化的技术栈：
- 后端: Python + Flask + SQLAlchemy
- AI集成: LangChain + OpenAI API兼容接口
- Twitter集成: tweety + twikit 双库支持
- 推送服务: Apprise (支持70+推送平台)
- 部署: Docker + Docker Compose
- 数据库: SQLite (轻量级，易部署)
- 缓存: Redis (可选，提升性能)
特别感谢 Augment Code 提供的AI编程助手服务！
作为一个编程新手，我在开发这个项目的过程中遇到了无数的技术难题。从最基础的Python语法到复杂的异步编程，从Docker配置到CI/CD流程，每一个环节都充满了挑战。
Augment Code的AI助手不仅帮我解决了技术问题，更重要的是教会了我：
- 如何设计合理的代码架构
- 如何处理异步编程和事件循环
- 如何实现错误处理和重试机制
- 如何编写可维护的代码
- 如何进行项目部署和CI/CD
没有Augment Code，这个项目绝对不可能完成。他们的AI助手就像一个耐心的导师，不仅给出解决方案，还会解释原理和最佳实践。
如果你也是编程新手，强烈推荐试试 Augment Code！
- 支持多个社交媒体平台的监控（目前仅支持Twitter）
- 可配置多个监控账号，每个账号可以设置不同的分析提示词
- 支持自定义分析主题和维度，通过配置提示词实现灵活的分析策略
- 支持设置特定账号绕过AI判断直接推送所有内容（通过
bypass_ai参数） - 使用 AI 进行内容翻译和分析
- 灵活的消息推送支持：
- 基于 Apprise 的多平台推送支持
- 支持 Telegram、Discord、Slack、企业微信等多种推送渠道
- 支持同时配置多个推送目标，实现消息的多渠道分发
- 可根据内容标签（tag）将不同主题的内容推送到不同的渠道
- 支持自定义推送模板，灵活控制推送内容的格式和样式
- 强大的AI内容分析与翻译能力：
- 基于LangChain生态系统，使用
langchain_openai和langchain_core库 - 支持配置任意符合OpenAI接口标准的模型（如X.AI的Grok系列、OpenAI的GPT系列等）
- 灵活的模型配置，可自定义API地址、密钥、模型名称等参数
- 支持高级参数调整，如reasoning_effort、temperature等
- 内置错误处理和重试机制，确保分析稳定性
- 详细说明请参考LLM集成文档
- 基于LangChain生态系统，使用
- 支持多维度分析，例如：
- 财经分析（市场影响、投资机会等）
- 政治分析（政策影响、国际关系等）
- 科技分析（技术趋势、创新影响等）
- 其他自定义分析维度
- 支持调试模式，方便开发和测试
如果您想快速体验TweetAnalyst，请按照以下步骤操作：
# 确保已安装Docker和Docker Compose
docker --version
docker-compose --version
# 创建项目目录
mkdir tweetanalyst && cd tweetanalyst# 下载docker-compose.yml
curl -O https://raw.githubusercontent.com/your_dockerhub_username/tweetanalyst/main/docker-compose.yml
# 创建数据目录
mkdir -p data config logs# 创建.env文件
cat > .env << EOF
# 基础配置
FLASK_SECRET_KEY=$(openssl rand -hex 32)
DOCKER_IMAGE=your_dockerhub_username/tweetanalyst:latest
# LLM API配置 (必需)
LLM_API_KEY=your_api_key_here
LLM_API_MODEL=grok-3-mini-beta
LLM_API_BASE=https://api.x.ai/v1
# 推送配置 (可选)
# APPRISE_URLS=tgram://your_bot_token/your_chat_id
# 代理配置 (如果需要)
# HTTP_PROXY=http://your.proxy:port
EOF# 启动容器
docker-compose up -d
# 查看启动状态
docker-compose logs -f- 打开浏览器访问 http://localhost:5000
- 系统会自动跳转到初始化页面
- 设置管理员账号和密码
- 配置LLM API设置（如果未在.env中设置）
- 点击"完成初始化"
- 登录系统后，访问"统一设置" → "Twitter设置"
- 配置Twitter登录凭据（推荐使用会话数据）
- 点击"保存配置"并测试连接
- 访问"账号管理"页面
- 点击"添加账号"
- 输入要监控的Twitter用户名
- 配置分析提示词或选择绕过AI判断
- 保存配置
- 在"任务管理"页面手动触发一次抓取
- 查看"分析结果"页面确认数据正常
- 检查推送是否正常工作
🎉 恭喜！您的TweetAnalyst已经成功运行！
A: 配置代理设置，在.env文件中添加：
HTTP_PROXY=http://your.proxy:port
HTTPS_PROXY=http://your.proxy:portA: 检查LLM API配置：
- 确认API密钥正确
- 确认API基础URL正确
- 确认网络可以访问API端点
A: 检查Apprise URL配置：
- 确认推送URL格式正确
- 测试推送服务是否可用
- 查看系统日志获取详细错误信息
- 使用 Docker Compose 部署（最简单）：
# 创建数据目录
mkdir -p data
# 下载 docker-compose.yml
curl -O https://raw.githubusercontent.com/zhumao520/tweetAnalyst/main/docker-compose.yml
# 创建.env文件（可选，用于配置环境变量）
cat > .env << EOF
# 基础配置
FLASK_SECRET_KEY=your_random_secret_key_change_this
# LLM API 配置
LLM_API_KEY=your_api_key_here
LLM_API_MODEL=grok-3-mini-beta
LLM_API_BASE=https://api.x.ai/v1
# 代理配置（如果需要）
# HTTP_PROXY=http://your.proxy:port
# 推送配置（可选）
# APPRISE_URLS=tgram://bottoken/ChatID
EOF
# 启动容器
docker-compose up -d- 访问 Web 界面完成初始化设置：
打开浏览器访问 http://localhost:5000，系统会自动跳转到初始化页面，您需要：
- 设置管理员账号和密码
- 配置 LLM API 密钥（如果未在.env文件中设置）
- 选择LLM模型和API基础URL（默认使用X.AI的Grok模型）
- 点击"完成初始化"按钮
- 登录系统并完成其他配置：
使用您设置的管理员账号和密码登录系统，然后在系统设置中配置：
- Twitter 账号信息
- 推送设置（Apprise URLs）
- 代理设置（如果需要）
- 自动回复设置（如果需要）
- 数据库自动清理设置（可选）
- 添加要监控的社交媒体账号：
在"账号管理"页面添加要监控的 Twitter 账号，并配置分析提示词。
- 克隆项目到本地：
git clone https://github.com/zhumao520/tweetAnalyst.git
cd tweetAnalyst- 安装依赖：
pip install -r requirements.txt- 配置环境变量：
创建
.env文件并添加以下配置：
# 基础配置
FLASK_SECRET_KEY=your_random_secret_key
# LLM API 配置
LLM_API_MODEL=grok-2-latest
LLM_API_KEY=your_api_key
LLM_API_BASE=https://api.x.ai/v1
# Twitter 配置
TWITTER_USERNAME=your_twitter_username
TWITTER_PASSWORD=your_twitter_password
# 或者使用会话数据
# TWITTER_SESSION=your_twitter_session_data
# 推送配置（Apprise）
APPRISE_URLS=tgram://bottoken/ChatID,discord://webhook_id/webhook_token
# 代理配置（如果需要）
HTTP_PROXY=http://127.0.0.1:7890
# 自动回复配置
ENABLE_AUTO_REPLY=false
# AUTO_REPLY_PROMPT=
# 定时任务配置
SCHEDULER_INTERVAL_MINUTES=30
# 日志配置
LOG_DIR=logs
LOG_LEVEL=info
- 启动应用：
# 启动 Web 应用和定时任务
python run_all.py
# 或者分别启动
# 只启动 Web 应用
python run_web.py
# 只启动定时任务
python run_scheduler.py- 访问 Web 界面： 打开浏览器访问 http://localhost:5000
FLASK_SECRET_KEY: Web应用的密钥，用于会话安全，建议使用随机字符串DATABASE_PATH: 数据库文件路径，默认为/data/tweetAnalyst.db（Docker环境）或instance/tweetAnalyst.db（本地环境）FIRST_LOGIN: 首次登录标志，可选值：auto: 自动检测（默认值）true: 强制初始化（谨慎使用，会重置数据）false: 禁止初始化
LLM_API_KEY: LLM API 密钥，必需参数，用于访问AI模型API- 可以在容器启动时通过环境变量提供
- 也可以在Web界面初始化时设置
- 或在系统设置页面中更新
- 存储在数据库的
system_config表中，标记为敏感信息
LLM_API_MODEL: 使用的 LLM 模型名称，默认为grok-3-mini-beta- 支持X.AI的模型：
grok-3-mini-beta、grok-3-mini、grok-3-max等 - 支持OpenAI的模型：
gpt-4-turbo、gpt-3.5-turbo等 - 支持任何符合OpenAI接口标准的模型
- 支持X.AI的模型：
LLM_API_BASE: LLM API 基础地址- X.AI模型默认为
https://api.x.ai/v1 - OpenAI模型默认为
https://api.openai.com/v1 - 可以设置为任何兼容的API端点
- X.AI模型默认为
LLM_PROCESS_MAX_RETRIED: LLM 处理失败时的最大重试次数，默认为 3
TWITTER_USERNAME: Twitter 平台的用户名TWITTER_PASSWORD: Twitter 平台的密码TWITTER_SESSION: 之前登录过的 Twitter 平台的登录票据（可替代用户名和密码）
APPRISE_URLS: Apprise 推送 URL，支持多种推送方式，多个 URL 用逗号分隔- 例如：
tgram://bottoken/ChatID,discord://webhook_id/webhook_token - 支持多种推送平台：
- Telegram:
tgram://bottoken/ChatID - Discord:
discord://webhook_id/webhook_token - Slack:
slack://tokenA/tokenB/tokenC - 企业微信:
wxteams://TokenA/TokenB/TokenC - 更多平台请参考Apprise文档
- Telegram:
- 可以为不同内容设置不同的推送目标，通过在监控账号配置中设置
tag参数
- 例如：
HTTP_PROXY: HTTP 代理地址，用于访问 Twitter 等需要代理的网站- 例如：
http://127.0.0.1:7890或socks5://127.0.0.1:1080 - 容器启动时会自动检测并应用代理设置
- 例如：
ENABLE_AUTO_REPLY: 是否启用自动回复功能，值为true/falseAUTO_REPLY_PROMPT: 自动回复的提示词模板
SCHEDULER_INTERVAL_MINUTES: 定时任务执行间隔（分钟），默认为 30
LOG_DIR: 日志文件目录，默认为/app/logs（Docker环境）或logs（本地环境）LOG_LEVEL: 日志级别，可选值为debug、info、warning、error、critical，默认为infoLOG_TO_CONSOLE: 是否将日志输出到控制台，值为true/false，默认为true
环境变量支持两种引用格式：
${VAR}格式：例如${WECOM_TRUMP_ROBOT_ID}$VAR格式：例如$WECOM_TRUMP_ROBOT_ID
这两种格式可以在 YAML 配置文件中的任何值中使用，包括但不限于：
- 企业微信机器人 ID
- 社交媒体账号 ID
- API 密钥
- 其他配置项
系统会自动递归处理所有配置项中的环境变量，将其替换为对应的环境变量值。如果环境变量不存在，将替换为空字符串。
例如，以下配置都是合法的：
social_networks:
- type: truthsocial
socialNetworkId: $TRUTH_SOCIAL_ID
apiKey: ${API_KEY}
weComRobotId: $WECOM_ROBOT_ID
customField: "前缀_${CUSTOM_VAR}_后缀"系统在启动时会按照以下顺序加载配置：
- 默认配置：系统内置的默认配置
- 环境变量：从操作系统环境变量中读取
- .env文件：从项目根目录或
/data目录的.env文件中读取 - 数据库配置：从数据库的
system_config表中读取 - Web界面设置：用户通过Web界面修改的设置
后加载的配置会覆盖先加载的配置，因此Web界面的设置优先级最高。
创建 config/social-networks.yml 文件，配置需要监控的社交媒体账号：
social_networks:
# 示例1：标准配置，使用AI分析内容
- type: truthsocial
socialNetworkId: realDonaldTrump
prompt: >-
你现在是一名财经专家，请对以下美国总统的发言进行分析，并给按我指定的格式返回分析结果。
这是你需要分析的内容：{content}
这是输出格式的说明：
{
"is_relevant": "是否与财经相关，且与美股市场或美债市场或科技股或半导体股或中国股票市场或香港股票市场或人民币兑美元汇率或中美关系相关。如果相关就返回1，如果不相关就返回0。只需要返回1或0这两个值之一即可",
"analytical_briefing": "分析简报"
}
其中analytical_briefing的值是一个字符串，它是针对内容所做的分析简报，仅在is_relevant为1时会返回这个值。
analytical_briefing的内容是markdown格式的，它需要符合下面的规范
```markdown
原始正文，仅当需要分析的内容为英文时，这部分内容才会以markdown中引用的格式返回，否则这部分的内容为原始的正文
翻译后的内容，仅当需要分析的内容为英文时，才会有这部分的内容。
## Brief Analysis
分析结果。这部分会展示一个列表，列表中分别包含美股市场、美债市场、科技股、半导体股、中国股票市场、香港股票市场、人民币兑美元汇率、中美关系这8个选项。
每个选项的值为分别为📈利多和📉利空。如果分析内容对于该选项没有影响，就不要针对这个选项返回任何内容。
## Summarize
这部分需要用非常简明扼要的文字对分析结果进行总结，以及解释为什么在上面针对不同选项会得出不同的结论。
```
weComRobotId: $WECOM_TRUMP_ROBOT_ID
sendToWeChat: true
# 示例2：绕过AI判断，直接推送所有内容
- type: twitter
socialNetworkId: elonmusk
bypass_ai: true # 设置为true，所有推文将直接推送，不经过AI判断
tag: tech
weComRobotId: $WECOM_TECH_ROBOT_ID
# 示例3：标准配置，使用AI分析内容
- type: twitter
socialNetworkId:
- myfxtrader
- zaobaosg
- business
- HAOHONG_CFA
prompt: >-
你现在是一名财经专家，请对以下财经博主的发言进行分析，并给按我指定的格式返回分析结果。
# ... 其他配置与上面类似 ...
weComRobotId: $WECOM_FINANCE_ROBOT_ID
⚠️ 重要提示：
- 在配置 prompt 时，必须确保大模型返回的结果是一个合法的 JSON 字符串，并且包含以下两个必需属性：
is_relevant：表示内容是否相关，值为 1 或 0analytical_briefing：分析简报内容，仅在is_relevant为 1 时返回- 如果设置
bypass_ai: true，则系统会跳过AI分析，直接推送该账号的所有新内容，这对于重要账号或需要实时获取所有更新的场景非常有用。- 在配置企业微信机器人 ID 时，需要使用
$前缀来引用环境变量，例如：$WECOM_TRUMP_ROBOT_ID如果返回的 JSON 格式不正确或缺少必需属性，程序将无法正常处理分析结果。
- 访问 Web 界面：http://localhost:5000
- 使用管理员账号登录
- 在"账号管理"页面添加要监控的 Twitter 账号
- 在"系统设置"页面配置推送、代理等选项
- 系统会自动按照设定的时间间隔执行监控任务
- 首页：显示系统概览，包括监控账号数量、分析结果统计等
- 账号管理：添加、编辑和删除监控的社交媒体账号
- 分析结果：查看所有分析结果，支持筛选和搜索
- 数据分析：查看数据统计和趋势分析
- 配置管理：配置分析提示词模板和其他系统参数
- 系统设置：
- 统一设置中心：集中管理所有系统设置
- 导出数据：导出系统数据备份
- 导入数据：导入系统数据
- 系统测试：测试系统各组件功能
- 系统日志：查看系统运行日志
- 在"统一设置中心"页面的"AI设置"部分，可以配置：
- LLM API密钥：用于访问AI模型的API密钥
- LLM API模型：选择使用的AI模型
- LLM API基础URL：设置API端点地址
- 系统会自动测试API连接，确保配置正确
- 密钥在UI中显示为
******，保护敏感信息
如果需要手动执行监控任务：
# 使用 Docker
docker exec -it tweetAnalyst-tweetAnalyst-1 python main.py
# 本地安装
python main.py程序会自动：
- 抓取配置的社交媒体账号的最新发言
- 根据每个账号配置的提示词进行 AI 分析和翻译
- 生成分析报告
- 通过配置的 Apprise 推送分析结果
分析结果将以 Markdown 格式推送，包含：
- 发言时间
- 原文内容（如果是英文内容会以引用格式显示）
- 中文翻译（仅当原文为英文时显示）
- 分析结果（根据提示词配置的格式）
- 分析总结
以下是TweetAnalyst的主要界面截图，展示了系统的主要功能和用户界面：
如果需要重置系统（例如，在测试后或出现问题时），可以使用以下方法：
- 停止容器：
docker-compose down- 删除数据目录：
rm -rf ./data- 设置环境变量强制初始化：
echo "FIRST_LOGIN=true" > .env- 重新启动容器：
docker-compose up -d这将删除所有数据并重新初始化系统。请注意，此操作不可逆，请确保在执行前备份重要数据。
如果在启动容器时遇到以下错误：
ModuleNotFoundError: No module named 'flask_wtf'
这是因为容器中缺少必要的Python依赖。可以通过以下方法解决：
# 找到容器ID
docker ps
# 在容器中安装依赖
docker exec -it <容器ID> pip install Flask-WTF==1.1.1 Flask==2.3.3 Werkzeug==2.3.7
# 重启容器
docker restart <容器ID># 停止并删除现有容器
docker-compose down
# 重新构建镜像（不使用缓存）
docker-compose build --no-cache
# 启动新容器
docker-compose up -d- 确保网络连接正常，访问 Twitter 可能需要代理
- 首次使用时需要在 Web 界面完成初始化设置
- 推送通知需要正确配置 Apprise URLs
- 建议使用 Python 3.9 或更高版本
- 每个监控账号可以配置不同的分析提示词和推送目标
- 提示词配置决定了分析的主题和维度，可以根据需求灵活调整
- API密钥存储位置：
- API密钥可以通过环境变量提供，也可以在Web界面设置
- 在容器启动时，系统会按以下顺序查找API密钥：
- 环境变量
LLM_API_KEY - 数据库中的
system_config表
- 环境变量
- 密钥在数据库中以明文形式存储，但标记为敏感信息，在UI中显示为
****** - 在日志中，密钥也会被替换为
******以保护安全
- API密钥安全建议：
- 使用环境变量或
.env文件提供API密钥，而不是直接在Web界面输入 - 确保
.env文件和数据目录有适当的访问权限限制 - 定期轮换API密钥，提高安全性
- 使用环境变量或
- 模型选择：
- 默认使用X.AI的
grok-3-mini-beta模型，性价比较高 - 可以根据需要切换到其他模型，如OpenAI的GPT系列
- 不同模型的分析质量和成本各不相同，请根据实际需求选择
- 默认使用X.AI的
- Twitter 登录后会生成会话文件，可以在系统配置中保存会话数据
- 当 LLM 返回的 JSON 格式无法解析时，系统会自动重试，重试次数由环境变量
LLM_PROCESS_MAX_RETRIED控制，默认为 3 次 - 如果重试次数用完仍然无法解析 JSON，系统会跳过当前内容的处理并继续处理下一条内容
- 使用 Docker 部署时，数据会保存在
./data目录中，请确保该目录有足够的权限 - 容器重启后数据会保持不变，因为数据库文件存储在持久化卷中
- 系统会自动检测是否是首次部署，首次部署时会自动初始化数据库
- 建议定期备份
./data目录，特别是在更新系统或修改配置前 - 如果遇到容器重启后数据丢失问题，请检查以下几点：
- 确保
./data目录存在且有正确的权限 - 确保
docker-compose.yml中的卷映射配置正确 - 可以在
.env文件中设置FIRST_LOGIN环境变量：FIRST_LOGIN=auto：自动检测（默认值，检查数据库文件是否存在）FIRST_LOGIN=true：强制初始化（谨慎使用，会重置数据）FIRST_LOGIN=false：禁止初始化（确保数据保留）
- 确保
会话数据登录更稳定，不容易被检测：
-
获取会话数据：
- 在浏览器中正常登录Twitter
- 打开开发者工具（F12）
- 切换到Network标签
- 刷新页面，找到任意一个请求
- 复制Cookie中的完整内容
-
配置会话数据：
- 访问"统一设置" → "Twitter设置"
- 将Cookie内容粘贴到"会话数据"字段
- 点击"保存配置"
如果无法获取会话数据，可以使用账号密码：
-
配置账号密码：
- 访问"统一设置" → "Twitter设置"
- 输入Twitter用户名、邮箱和密码
- 点击"保存配置"
-
注意事项：
- 账号密码登录可能触发安全验证
- 建议使用应用专用密码
- 如果频繁失败，建议切换到会话数据方式
- 基本结构：
你是一个[领域]专家，请分析以下内容：{content}
请按以下JSON格式返回结果：
{
"should_push": true/false,
"confidence": 0-100,
"reason": "分析理由",
"summary": "内容摘要"
}
- 高级技巧：
- 明确分析维度和标准
- 提供具体的判断依据
- 使用结构化的输出格式
- 考虑不同类型内容的处理
对于重要账号，可以选择绕过AI判断：
- 在账号配置中勾选"绕过AI判断"
- 该账号的所有推文将直接推送
- 适用于官方账号、重要人物等
-
创建Bot：
- 与@BotFather对话创建Bot
- 获取Bot Token
-
获取Chat ID：
- 与Bot发送消息
- 访问
https://api.telegram.org/bot<token>/getUpdates - 找到chat.id
-
配置URL：
tgram://bot_token/chat_id
-
创建Webhook：
- 在Discord频道设置中创建Webhook
- 复制Webhook URL
-
配置URL：
discord://webhook_id/webhook_token
-
创建机器人：
- 在企业微信群中添加机器人
- 获取Webhook地址
-
配置URL：
wxteams://webhook_key
-
Web界面查看：
- 访问"系统设置" → "系统日志"
- 可以按级别和时间筛选
-
Docker环境查看：
# 查看实时日志 docker-compose logs -f # 查看特定服务日志 docker-compose logs tweetAnalyst
-
系统状态：
- 访问"系统设置" → "系统测试"
- 检查各组件状态
-
数据库维护：
- 定期清理过期数据
- 监控数据库大小
- 备份重要数据
-
检查代理设置：
# 测试代理连接 curl --proxy http://your.proxy:port https://twitter.com -
检查账号状态：
- 确认账号未被封禁
- 检查登录凭据是否正确
- 尝试重新获取会话数据
-
查看详细日志：
docker-compose logs tweetAnalyst | grep twitter
-
检查API配置：
- 确认API密钥有效
- 测试API连接
- 检查余额是否充足
-
检查提示词格式：
- 确保返回有效JSON
- 检查必需字段是否存在
- 测试提示词效果
-
测试推送配置：
- 在"系统测试"页面测试推送
- 检查推送URL格式
- 确认推送服务可用
-
查看推送日志：
docker-compose logs tweetAnalyst | grep apprise
如果需要自定义功能：
-
克隆项目：
git clone https://github.com/your_username/tweetanalyst.git cd tweetanalyst -
修改代码：
- 根据需要修改功能
- 更新requirements.txt
-
构建镜像：
docker build -t your_username/tweetanalyst:custom . -
更新docker-compose.yml：
image: your_username/tweetanalyst:custom
对于高负载场景：
-
使用外部数据库：
- 配置PostgreSQL或MySQL
- 更新数据库连接配置
-
使用外部Redis：
- 配置Redis集群
- 更新缓存配置
-
负载均衡：
- 使用Nginx或HAProxy
- 配置多个应用实例
- Fork项目
- 创建功能分支 (
git checkout -b fea 9642 ture/AmazingFeature) - 提交更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 创建Pull Request
-
克隆项目：
git clone https://github.com/your_username/tweetanalyst.git cd tweetanalyst -
安装依赖：
pip install -r requirements.txt
-
配置环境：
cp example.env .env # 编辑.env文件配置必要参数 -
运行开发服务器：
python run_web.py
- 使用Python PEP 8代码风格
- 添加适当的注释和文档
- 编写单元测试
- 确保代码通过所有测试
- 查看文档: 首先查看本README和项目Wiki
- 搜索Issues: 在GitHub Issues中搜索类似问题
- 创建Issue: 如果没有找到解决方案，创建新的Issue
- 社区讨论: 参与GitHub Discussions
- Bug报告: GitHub Issues
- 功能请求: GitHub Issues
- 安全问题: 请通过邮件私下报告
- ✨ 添加twikit库支持，提供双库备选方案
- 🐛 修复Twitter账号配置不生效问题
- 🔧 修复异步事件循环错误
- 🛠️ 完善客户端重置机制
- 🧹 清理敏感数据和缓存文件
- 📦 更新工作流文件支持最新依赖
- 🎨 优化用户界面和用户体验
- 🎉 首次发布
- 🐦 支持Twitter内容抓取和分析
- 🤖 集成AI智能分析功能
- 📱 支持多平台推送
- 🎛️ 提供Web管理界面
- 🐳 支持Docker部署
本项目采用 MIT 许可证。详见 LICENSE 文件。
