让Grok看懂X上的实时舆情:xai-cookbook搭建情感评分看板与每日趋势图
让Grok看懂X上的实时舆情:xai-cookbook搭建情感评分看板与每日趋势图
想做一个能"看懂"X(Twitter)舆情的工具吗?开源项目 xai-cookbook 官方提供了现成方案:用 Grok 的 X Search 工具拉取实时帖子,自动打分情感,再渲染成带每日趋势图的评分看板。本文带你 10 分钟跑通这个"情感评分看板 + 趋势图"的完整流程,无需自建搜索爬虫,也无需 X 开发者账号,只要一个 xAI API Key 即可。
一、xai-cookbook 是什么:Grok API 官方示例库
README.md 介绍道:xai-cookbook 是一套"从基础到进阶"的 Grok API 实战示例集合,每个示例都是一个可独立运行的完整项目(TypeScript Web 应用 + Python Notebook)。
其中与舆情监控最相关的有两个:
| 示例 | 形态 | 学到什么 |
|---|---|---|
| x-sentiment-tracker | 网页看板 + 终端 | 任意主题的情感评分看板、每日趋势图、实时推理过程 |
| x-sentiment-analysis | Jupyter Notebook | 多阶段流水线:搜索 → 降噪 → 情感评分,滚动更新 |
两者的核心思路完全一致:用 X Search 搜帖,用低推理成本快速过滤噪音,再用完整推理打分——这正是本文要搭建的看板背后的方法论。
二、情感评分看板的工作原理:三段式流水线
核心逻辑集中在 sentiment.ts 的 analyze() 函数里,分三步走:
- 搜索(findPosts):用 Grok 内置的 X Search 工具,按 X 高级搜索语法检索,例如
(SpaceX) min_faves:20 -is:retweet -is:reply——只留点赞 ≥20 的原创帖,先把广告和转发砍掉。单次搜索最多返回 10 条帖子,所以看板会并行跑最近 10 天、每天一次搜索,最多收集 100 条帖子。 - 降噪(filterPosts):把帖子交给 Grok 用"低推理力度(low reasoning effort)"快速分类,只保留真正表达观点、有情感信号的内容,广告和刷屏帖直接丢弃。
- 评分(scoreSentiment):对保留的帖子逐条打分(-1 负面 ~ +1 正面),再汇总出整体分数,并返回 Grok 的推理说明和"关键帖"列表。
两个细节很值得学习:
- 引用校验:Grok 会用 URL 标注每一条帖子的来源,看板只保留 X Search 真正返回的帖子,防止模型"编造"内容;
- 分数截断:评分 schema 虽然声明了 -1~1 的范围,但模型不保证严格遵守,代码会对分数做 clamp,保证趋势图数据可靠。
三、快速搭建步骤:3 条命令跑通看板
一键安装与启动
前提:Node.js 22.13 或更高版本,以及一个 xAI API Key。
git clone https://gitcode.com/gh_mirrors/xa/xai-cookbook
cd xai-cookbook
# 在仓库根目录创建 .env,写入 XAI_API_KEY=你的密钥
然后启动看板:
cd examples/x-sentiment-tracker/typescript
npm install
npm run web
打开 http://localhost:3000,输入任意主题(公司、产品、事件都行),点击 Analyze,一个舆情情感评分看板就完成了。
💡 不想开网页?终端模式一行搞定:
npm start -- SpaceX,默认主题就是 SpaceX。主题会原样拼进搜索语句,所以可以直接写Starship OR Starlink这类 X 搜索表达式。
四、看板长什么样:评分、趋势图与推理过程
看板页面(index.html)像一个"社交聆听仪表盘",信息分四层:
- 实时过程:每一天的搜索在运行时逐条推送到页面(服务端通过 SSE 事件流传输,见 server.ts),你能看到"哪天找到了几条、过滤掉几条",甚至 Grok 的推理是逐字流式显示的;
- 整体评分:-1(负面)~ +1(正面)的总分,以及正/中/负帖子的占比拆分;
- 每日趋势图:按天聚合当天帖子的得分,画出情感随时间的变化曲线——这就是标题里的"每日趋势图";
- 逐帖明细:每一条帖子都有独立分数和 Grok 的打分理由,结果可追溯。
整个流程约 1 分半钟。想看完整界面说明,可参考 x-sentiment-tracker README。
五、进阶玩法:把实时舆情做成滚动更新
Web 看板适合"看一次快照",如果想持续追踪,可以打开 guide.ipynb(示例说明见这里)。这个 Python Notebook 以 Bitcoin 为例,演示了完整的滚动监控:
track_sentiment()每隔 60 秒重新搜索一次,自动跳过已见过的帖子;- 新一轮搜索中只有出现"新的高信号帖"时,才对最近 20 条重算情感分——滚动窗口更新,简单又省费用;
- 分数还附带 Grok 的推理轨迹(reasoning trace),可以看到它如何翻译外语帖子、如何给大 V 帖子加权。
想换个主题(比如监控自家产品口碑),只需修改搜索语句,整套流程照搬即可。
六、成本与调优小贴士
| 项目 | 说明 |
|---|---|
| 单次运行成本 | 约 0.8 美元(一次 10 天搜索),X Search 按每千条 5 美元计费,另加 token 费用 |
| 搜索天数 | 改 sentiment.ts 顶部的 DAYS 常量即可缩减,天数越少越省钱 |
| 成本控制 | 页面关闭或点 Stop 会通过 AbortSignal 取消正在运行的搜索,不会白跑 |
关键结论:xai-cookbook 把"搜索—降噪—评分"拆成独立可调的模块,各步骤用不同推理力度,既有精度又控成本。这套模式同样适用于品牌监测、产品发布反响追踪等场景,照着示例代码改几行提示词,就能搭出自己的舆情看板。
更多示例与运行指南见 项目总 README。
