base on 微舆：人人可用的多Agent舆情分析助手，打破信息茧房，还原舆情原貌，预测未来走向，辅助决策！从0实现，不依赖任何框架。 <div align="center"> <img src="static/image/logo_compressed.png" alt="Weibo Public Opinion Analysis System Logo" width="100%"> <a href="https://trendshift.io/repositories/15286" target="_blank"><img src="https://trendshift.io/api/badge/repositories/15286" alt="666ghj%2FBettaFish | Trendshift" style="width: 250px; height: 55px;" width="250" height="55"/></a> <a href="https://leaflow.net/" target="_blank"><img src="static/image/Leaflow_logo.png" alt="666ghj%2FWeibo_PublicOpinion_AnalysisSystem | Leaflow" style="width: 150px;" width="150"/></a> [](https://github.com/666ghj/Weibo_PublicOpinion_AnalysisSystem/stargazers) [](https://github.com/666ghj/Weibo_PublicOpinion_AnalysisSystem/watchers) [](https://github.com/666ghj/Weibo_PublicOpinion_AnalysisSystem/network) [](https://github.com/666ghj/Weibo_PublicOpinion_AnalysisSystem/issues) [](https://github.com/666ghj/Weibo_PublicOpinion_AnalysisSystem/pulls) [](https://github.com/666ghj/Weibo_PublicOpinion_AnalysisSystem/blob/main/LICENSE) [](https://github.com/666ghj/Weibo_PublicOpinion_AnalysisSystem) [](https://hub.docker.com/) [English](./README-EN.md) | [中文文档](./README.md) </div> ## ⚡ 项目概述 “**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。 > “微舆”谐音“微鱼”，BettaFish是一种体型很小但非常好斗、漂亮的鱼，它象征着“小而强大，不畏挑战” 查看系统以“武汉大学舆情”为例，生成的研究报告：[武汉大学品牌声誉深度分析报告](./final_reports/final_report__20250827_131630.html) 不仅仅体现在报告质量上，相比同类产品，我们拥有🚀六大优势： 1. **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。不仅实时捕获热点内容，更能下钻至海量用户评论，让您听到最真实、最广泛的大众声音。 2. **超越LLM的复合分析引擎**：我们不仅依赖设计的5类专业Agent，更融合了微调模型、统计模型等中间件。通过多模型协同工作，确保了分析结果的深度、准度与多维视角。 3. **强大的多模态能力**：突破图文限制，能深度解析抖音、快手等短视频内容，并精准提取现代搜索引擎中的天气、日历、股票等结构化多模态信息卡片，让您全面掌握舆情动态。 4. **Agent“论坛”协作机制**：为不同Agent赋予独特的工具集与思维模式，引入辩论主持人模型，通过“论坛”机制进行链式思维碰撞与辩论。这不仅避免了单一模型的思维局限与交流导致的同质化，更催生出更高质量的集体智能与决策支持。 5. **公私域数据无缝融合**：平台不仅分析公开舆情，还提供高安全性的接口，支持您将内部业务数据库与舆情数据无缝集成。打通数据壁垒，为垂直业务提供“外部趋势+内部洞察”的强大分析能力。 6. **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。代码结构清晰，开发者可轻松集成自定义模型与业务逻辑，实现平台的快速扩展与深度定制。 **始于舆情，而不止于舆情**。“微舆”的目标，是成为驱动一切业务场景的简洁通用的数据分析引擎。 > 举个例子. 你只需简单修改Agent工具集的api参数与prompt，就可以把他变成一个金融领域的市场分析系统 > > 附一个比较活跃的L站项目讨论帖：https://linux.do/t/topic/1009280 <div align="center"> <img src="static/image/system_schematic.png" alt="banner" width="800"> 告别传统的数据看板，在“微舆”，一切由一个简单的问题开始，您只需像对话一样，提出您的分析需求 </div> ## 🏗️ 系统架构 ### 整体架构图 **Insight Agent** 私有数据库挖掘：私有舆情数据库深度分析AI代理 **Media Agent** 多模态内容分析：具备强大多模态能力的AI代理 **Query Agent** 精准信息搜索：具备国内外网页搜索能力的AI代理 **Report Agent** 智能报告生成：内置模板的多轮报告生成AI代理 <div align="center"> <img src="static/image/framework.png" alt="banner" width="800"> </div> ### 一次完整分析流程 | 步骤 | 阶段名称 | 主要操作 | 参与组件 | 循环特性 | |------|----------|----------|----------|----------| | 1 | 用户提问 | Flask主应用接收查询 | Flask主应用 | - | | 2 | 并行启动 | 三个Agent同时开始工作 | Query Agent、Media Agent、Insight Agent | - | | 3 | 初步分析 | 各Agent使用专属工具进行概览搜索 | 各Agent + 专属工具集 | - | | 4 | 策略制定 | 基于初步结果制定分块研究策略 | 各Agent内部决策模块 | - | | 5-N | **循环阶段** | **论坛协作 + 深度研究** | **ForumEngine + 所有Agent** | **多轮循环** | | 5.1 | 深度研究 | 各Agent基于论坛主持人引导进行专项搜索 | 各Agent + 反思机制 + 论坛引导 | 每轮循环 | | 5.2 | 论坛协作 | ForumEngine监控Agent发言并生成主持人总结 | ForumEngine + LLM主持人 | 每轮循环 | | 5.3 | 交流融合 | 各Agent根据讨论调整研究方向 | 各Agent + forum_reader工具 | 每轮循环 | | N+1 | 结果整合 | Report Agent收集所有分析结果和论坛内容 | Report Agent | - | | N+2 | 报告生成 | 动态选择模板和样式，多轮生成最终报告 | Report Agent + 模板引擎 | - | ### 项目代码结构树 ``` Weibo_PublicOpinion_AnalysisSystem/ ├── QueryEngine/ # 国内外新闻广度搜索Agent │ ├── agent.py # Agent主逻辑 │ ├── llms/ # LLM接口封装 │ ├── nodes/ # 处理节点 │ ├── tools/ # 搜索工具 │ ├── utils/ # 工具函数 │ └── ... # 其他模块 ├── MediaEngine/ # 强大的多模态理解Agent │ ├── agent.py # Agent主逻辑 │ ├── nodes/ # 处理节点 │ ├── llms/ # LLM接口 │ ├── tools/ # 搜索工具 │ ├── utils/ # 工具函数 │ └── ... # 其他模块 ├── InsightEngine/ # 私有数据库挖掘Agent │ ├── agent.py # Agent主逻辑 │ ├── llms/ # LLM接口封装 │ │ └── base.py # 统一的 OpenAI 兼容客户端 │ ├── nodes/ # 处理节点 │ │ ├── base_node.py # 基础节点类 │ │ ├── formatting_node.py # 格式化节点 │ │ ├── report_structure_node.py # 报告结构节点 │ │ ├── search_node.py # 搜索节点 │ │ └── summary_node.py # 总结节点 │ ├── tools/ # 数据库查询和分析工具 │ │ ├── keyword_optimizer.py # Qwen关键词优化中间件 │ │ ├── search.py # 数据库操作工具集 │ │ └── sentiment_analyzer.py # 情感分析集成工具 │ ├── state/ # 状态管理 │ │ ├── __init__.py │ │ └── state.py # Agent状态定义 │ ├── prompts/ # 提示词模板 │ │ ├── __init__.py │ │ └── prompts.py # 各类提示词 │ └── utils/ # 工具函数 │ ├── __init__.py │ ├── config.py # 配置管理 │ └── text_processing.py # 文本处理工具 ├── ReportEngine/ # 多轮报告生成Agent │ ├── agent.py # Agent主逻辑 │ ├── llms/ # LLM接口 │ ├── nodes/ # 报告生成节点 │ │ ├── template_selection.py # 模板选择节点 │ │ └── html_generation.py # HTML生成节点 │ ├── report_template/ # 报告模板库 │ │ ├── 社会公共热点事件分析.md │ │ ├── 商业品牌舆情监测.md │ │ └── ... # 更多模板 │ └── flask_interface.py # Flask API接口 ├── ForumEngine/ # 论坛引擎简易实现 │ ├── monitor.py # 日志监控和论坛管理 │ └── llm_host.py # 论坛主持人LLM模块 ├── MindSpider/ # 微博爬虫系统 │ ├── main.py # 爬虫主程序 │ ├── config.py # 爬虫配置文件 │ ├── BroadTopicExtraction/ # 话题提取模块 │ │ ├── database_manager.py # 数据库管理器 │ │ ├── get_today_news.py # 今日新闻获取 │ │ ├── main.py # 话题提取主程序 │ │ └── topic_extractor.py # 话题提取器 │ ├── DeepSentimentCrawling/ # 深度舆情爬取 │ │ ├── keyword_manager.py # 关键词管理器 │ │ ├── main.py # 深度爬取主程序 │ │ ├── MediaCrawler/ # 媒体爬虫核心 │ │ └── platform_crawler.py # 平台爬虫管理 │ └── schema/ # 数据库结构 │ ├── db_manager.py # 数据库管理器 │ ├── init_database.py # 数据库初始化 │ └── mindspider_tables.sql # 数据库表结构 ├── SentimentAnalysisModel/ # 情感分析模型集合 │ ├── WeiboSentiment_Finetuned/ # 微调BERT/GPT-2模型 │ ├── WeiboMultilingualSentiment/# 多语言情感分析（推荐） │ ├── WeiboSentiment_SmallQwen/ # 小参数Qwen3微调 │ └── WeiboSentiment_MachineLearning/ # 传统机器学习方法 ├── SingleEngineApp/ # 单独Agent的Streamlit应用 │ ├── query_engine_streamlit_app.py │ ├── media_engine_streamlit_app.py │ └── insight_engine_streamlit_app.py ├── templates/ # Flask模板 │ └── index.html # 主界面前端 ├── static/ # 静态资源 ├── logs/ # 运行日志目录 ├── final_reports/ # 最终生成的HTML报告文件 ├── utils/ # 通用工具函数 │ ├── forum_reader.py # Agent间论坛通信 │ └── retry_helper.py # 网络请求重试机制工具 ├── app.py # Flask主应用入口 ├── config.py # 全局配置文件 └── requirements.txt # Python依赖包清单 ``` ## 🚀 快速开始 > 如果你是初次学习一个Agent系统的搭建，可以从一个非常简单的demo开始：[Deep Search Agent Demo](https://github.com/666ghj/DeepSearchAgent-Demo) ### 环境要求 - **操作系统**: Windows、Linux、MacOS - **Python版本**: 3.9+ - **Conda**: Anaconda或Miniconda - **数据库**: MySQL（可选择我们的云数据库服务） - **内存**: 建议2GB以上 ### 1. 创建Conda环境 ```bash # 创建conda环境 conda create -n your_conda_name python=3.11 conda activate your_conda_name ``` ### 2. 安装依赖包 ```bash # 基础依赖安装 pip install -r requirements.txt # 如果不想使用本地情感分析模型（算力需求很小，默认安装cpu版本），可以将该文件中的“机器学习”部分注释掉再执行指令 ``` ### 3. 安装Playwright浏览器驱动 ```bash # 安装浏览器驱动（用于爬虫功能） playwright install chromium ``` ### 4. 配置系统 #### 4.1 配置API密钥 编辑 `config.py` 文件，填入您的API密钥（您也可以选择自己的模型、搜索代理，详情见config文件内）： ```python # MySQL数据库配置 DB_HOST = "localhost" DB_PORT = 3306 DB_USER = "your_username" DB_PASSWORD = "your_password" DB_NAME = "your_db_name" DB_CHARSET = "utf8mb4" # LLM配置 # 您可以更改每个部分LLM使用的API，只要兼容OpenAI请求格式都可以 # Insight Agent INSIGHT_ENGINE_API_KEY = "your_api_key" INSIGHT_ENGINE_BASE_URL = "https://api.moonshot.cn/v1" INSIGHT_ENGINE_MODEL_NAME = "kimi-k2-0711-preview" # Media Agent ... ``` #### 4.2 数据库初始化 **选择1：使用本地数据库** > MindSpider爬虫系统跟舆情系统是各自独立的，所以需要再去`MindSpider\config.py`配置一下 ```bash # 本地MySQL数据库初始化 cd MindSpider python schema/init_database.py ``` **选择2：使用云数据库服务（推荐）** 我们提供便捷的云数据库服务，包含日均10万+真实舆情数据，目前**免费申请**！ - 真实舆情数据，实时更新 - 多维度标签分类 - 高可用云端服务 - 专业技术支持 **联系我们申请免费云数据库访问：📧 [email protected]** > 为进行数据合规性审查与服务升级，云数据库自2025年10月1日起暂停接收新的使用申请 ### 5. 启动系统 #### 5.1 完整系统启动（推荐） ```bash # 在项目根目录下，激活conda环境 conda activate your_conda_name # 启动主应用即可 python app.py ``` > 注1：一次运行终止后，streamlit app可能结束异常仍然占用端口，此时搜索占用端口的进程kill掉即可 > 注2：数据爬取需要单独操作，见5.3指引 > 注3：如果服务器远程部署出现页面显示问题，见[PR#45](https://github.com/666ghj/BettaFish/pull/45) 访问 http://localhost:5000 即可使用完整系统 #### 5.2 单独启动某个Agent ```bash # 启动QueryEngine streamlit run SingleEngineApp/query_engine_streamlit_app.py --server.port 8503 # 启动MediaEngine streamlit run SingleEngineApp/media_engine_streamlit_app.py --server.port 8502 # 启动InsightEngine streamlit run SingleEngineApp/insight_engine_streamlit_app.py --server.port 8501 ``` #### 5.3 爬虫系统单独使用 这部分有详细的配置文档：[MindeSpider使用说明](./MindSpider/README.md) ```bash # 进入爬虫目录 cd MindSpider # 项目初始化 python main.py --setup # 运行完整爬虫流程 python main.py --complete --date 2024-01-20 # 仅运行话题提取 python main.py --broad-topic --date 2024-01-20 # 仅运行深度爬取 python main.py --deep-sentiment --platforms xhs dy wb ``` ## ⚙️ 高级配置 ### 修改关键参数 #### Agent配置参数 每个Agent都有专门的配置文件，可根据需求调整，下面是部分示例： ```python # QueryEngine/utils/config.py class Config: max_reflections = 2 # 反思轮次 max_search_results = 15 # 最大搜索结果数 max_content_length = 8000 # 最大内容长度 # MediaEngine/utils/config.py class Config: comprehensive_search_limit = 10 # 综合搜索限制 web_search_limit = 15 # 网页搜索限制 # InsightEngine/utils/config.py class Config: default_search_topic_globally_limit = 200 # 全局搜索限制 default_get_comments_limit = 500 # 评论获取限制 max_search_results_for_llm = 50 # 传给LLM的最大结果数 ``` #### 情感分析模型配置 ```python # InsightEngine/tools/sentiment_analyzer.py SENTIMENT_CONFIG = { 'model_type': 'multilingual', # 可选: 'bert', 'multilingual', 'qwen'等 'confidence_threshold': 0.8, # 置信度阈值 'batch_size': 32, # 批处理大小 'max_sequence_length': 512, # 最大序列长度 } ``` ### 接入不同的LLM模型 支持任意openAI调用格式的LLM提供商，只需要在/config.py中填写对应的KEY、BASE_URL、MODEL_NAME即可。 > 什么是openAI调用格式？下面提供一个简单的例子： >```python >from openai import OpenAI > >client = OpenAI(api_key="your_api_key", > base_url="https://api.siliconflow.cn/v1") > >response = client.chat.completions.create( > model="Qwen/Qwen2.5-72B-Instruct", > messages=[ > {'role': 'user', > 'content': "推理模型会给市场带来哪些新的机会"} > ], >) > >complete_response = response.choices[0].message.content >print(complete_response) >``` ### 更改情感分析模型 系统集成了多种情感分析方法，可根据需求选择： #### 1. 多语言情感分析 ```bash cd SentimentAnalysisModel/WeiboMultilingualSentiment python predict.py --text "This product is amazing!" --lang "en" ``` #### 2. 小参数Qwen3微调 ```bash cd SentimentAnalysisModel/WeiboSentiment_SmallQwen python predict_universal.py --text "这次活动办得很成功" ``` #### 3. 基于BERT的微调模型 ```bash # 使用BERT中文模型 cd SentimentAnalysisModel/WeiboSentiment_Finetuned/BertChinese-Lora python predict.py --text "这个产品真的很不错" ``` #### 4. GPT-2 LoRA微调模型 ```bash cd SentimentAnalysisModel/WeiboSentiment_Finetuned/GPT2-Lora python predict.py --text "今天心情不太好" ``` #### 5. 传统机器学习方法 ```bash cd SentimentAnalysisModel/WeiboSentiment_MachineLearning python predict.py --model_type "svm" --text "服务态度需要改进" ``` ### 接入自定义业务数据库 #### 1. 修改数据库连接配置 ```python # config.py 中添加您的业务数据库配置 BUSINESS_DB_HOST = "your_business_db_host" BUSINESS_DB_PORT = 3306 BUSINESS_DB_USER = "your_business_user" BUSINESS_DB_PASSWORD = "your_business_password" BUSINESS_DB_NAME = "your_business_database" ``` #### 2. 创建自定义数据访问工具 ```python # InsightEngine/tools/custom_db_tool.py class CustomBusinessDBTool: """自定义业务数据库查询工具""" def __init__(self): self.connection_config = { 'host': config.BUSINESS_DB_HOST, 'port': config.BUSINESS_DB_PORT, 'user': config.BUSINESS_DB_USER, 'password': config.BUSINESS_DB_PASSWORD, 'database': config.BUSINESS_DB_NAME, } def search_business_data(self, query: str, table: str): """查询业务数据""" # 实现您的业务逻辑 pass def get_customer_feedback(self, product_id: str): """获取客户反馈数据""" # 实现客户反馈查询逻辑 pass ``` #### 3. 集成到InsightEngine ```python # InsightEngine/agent.py 中集成自定义工具 from .tools.custom_db_tool import CustomBusinessDBTool class DeepSearchAgent: def __init__(self, config=None): # ... 其他初始化代码 self.custom_db_tool = CustomBusinessDBTool() def execute_custom_search(self, query: str): """执行自定义业务数据搜索""" return self.custom_db_tool.search_business_data(query, "your_table") ``` ### 自定义报告模板 #### 1. 在Web界面中上传 系统支持上传自定义模板文件（.md或.txt格式），可在生成报告时选择使用。 #### 2. 创建模板文件 在 `ReportEngine/report_template/` 目录下创建新的模板，我们的Agent会自行选用最合适的模板。 ## 🤝 贡献指南 我们欢迎所有形式的贡献！ ### 如何贡献 1. **Fork项目**到您的GitHub账号 2. **创建Feature分支**：`git checkout -b feature/AmazingFeature` 3. **提交更改**：`git commit -m 'Add some AmazingFeature'` 4. **推送到分支**：`git push origin feature/AmazingFeature` 5. **开启Pull Request** ### 开发规范 - 代码遵循PEP8规范 - 提交信息使用清晰的中英文描述 - 新功能需要包含相应的测试用例 - 更新相关文档 ## 🦖 下一步开发计划 现在系统只完成了"三板斧"中的前两步，即：输入要求->详细分析，还缺少一步预测，直接将他继续交给LLM是不具有说服力的。 <div align="center"> <img src="static/image/banner_compressed.png" alt="banner" width="800"> </div> 目前我们经过很长一段时间的爬取收集，拥有了大量全网话题热度随时间、爆点等的变化趋势热度数据，已经具备了可以开发预测模型的条件。我们团队将运用时序模型、图神经网络、多模态融合等预测模型技术储备于此，实现真正基于数据驱动的舆情预测功能。 ## ⚠️ 免责声明 **重要提醒：本项目仅供学习、学术研究和教育目的使用** 1. **合规性声明**： - 本项目中的所有代码、工具和功能均仅供学习、学术研究和教育目的使用 - 严禁将本项目用于任何商业用途或盈利性活动 - 严禁将本项目用于任何违法、违规或侵犯他人权益的行为 2. **爬虫功能免责**： - 项目中的爬虫功能仅用于技术学习和研究目的 - 使用者必须遵守目标网站的robots.txt协议和使用条款 - 使用者必须遵守相关法律法规，不得进行恶意爬取或数据滥用 - 因使用爬虫功能产生的任何法律后果由使用者自行承担 3. **数据使用免责**： - 项目涉及的数据分析功能仅供学术研究使用 - 严禁将分析结果用于商业决策或盈利目的 - 使用者应确保所分析数据的合法性和合规性 4. **技术免责**： - 本项目按"现状"提供，不提供任何明示或暗示的保证 - 作者不对使用本项目造成的任何直接或间接损失承担责任 - 使用者应自行评估项目的适用性和风险 5. **责任限制**： - 使用者在使用本项目前应充分了解相关法律法规 - 使用者应确保其使用行为符合当地法律法规要求 - 因违反法律法规使用本项目而产生的任何后果由使用者自行承担 **请在使用本项目前仔细阅读并理解上述免责声明。使用本项目即表示您已同意并接受上述所有条款。** ## 📄 许可证 本项目采用 [GPL-2.0许可证](LICENSE)。详细信息请参阅LICENSE文件。 ## 🎉 支持与联系 ### 获取帮助 - **项目主页**：[GitHub仓库](https://github.com/666ghj/Weibo_PublicOpinion_AnalysisSystem) - **问题反馈**：[Issues页面](https://github.com/666ghj/Weibo_PublicOpinion_AnalysisSystem/issues) - **功能建议**：[Discussions页面](https://github.com/666ghj/Weibo_PublicOpinion_AnalysisSystem/discussions) ### 联系方式 - 📧 **邮箱**：[email protected] ### 商务合作 - **企业定制开发** - **大数据服务** - **学术合作** - **技术培训** ## 👥 贡献者 感谢以下优秀的贡献者们： [](https://github.com/666ghj/Weibo_PublicOpinion_AnalysisSystem/graphs/contributors) ## 📈 项目统计 <a href="https://www.star-history.com/#666ghj/BettaFish&type=date&legend=top-left"> <picture> <source media="(prefers-color-scheme: dark)" srcset="https://api.star-history.com/svg?repos=666ghj/BettaFish&type=date&theme=dark&legend=top-left" /> <source media="(prefers-color-scheme: light)" srcset="https://api.star-history.com/svg?repos=666ghj/BettaFish&type=date&legend=top-left" /> <img alt="Star History Chart" src="https://api.star-history.com/svg?repos=666ghj/BettaFish&type=date&legend=top-left" /> </picture> </a>  ", Assign "at most 3 tags" to the expected json: {"id":"15286","tags":[]} "only from the tags list I provide: [{"id":77,"name":"3d"},{"id":89,"name":"agent"},{"id":17,"name":"ai"},{"id":54,"name":"algorithm"},{"id":24,"name":"api"},{"id":44,"name":"authentication"},{"id":3,"name":"aws"},{"id":27,"name":"backend"},{"id":60,"name":"benchmark"},{"id":72,"name":"best-practices"},{"id":39,"name":"bitcoin"},{"id":37,"name":"blockchain"},{"id":1,"name":"blog"},{"id":45,"name":"bundler"},{"id":58,"name":"cache"},{"id":21,"name":"chat"},{"id":49,"name":"cicd"},{"id":4,"name":"cli"},{"id":64,"name":"cloud-native"},{"id":48,"name":"cms"},{"id":61,"name":"compiler"},{"id":68,"name":"containerization"},{"id":92,"name":"crm"},{"id":34,"name":"data"},{"id":47,"name":"database"},{"id":8,"name":"declarative-gui "},{"id":9,"name":"deploy-tool"},{"id":53,"name":"desktop-app"},{"id":6,"name":"dev-exp-lib"},{"id":59,"name":"dev-tool"},{"id":13,"name":"ecommerce"},{"id":26,"name":"editor"},{"id":66,"name":"emulator"},{"id":62,"name":"filesystem"},{"id":80,"name":"finance"},{"id":15,"name":"firmware"},{"id":73,"name":"for-fun"},{"id":2,"name":"framework"},{"id":11,"name":"frontend"},{"id":22,"name":"game"},{"id":81,"name":"game-engine "},{"id":23,"name":"graphql"},{"id":84,"name":"gui"},{"id":91,"name":"http"},{"id":5,"name":"http-client"},{"id":51,"name":"iac"},{"id":30,"name":"ide"},{"id":78,"name":"iot"},{"id":40,"name":"json"},{"id":83,"name":"julian"},{"id":38,"name":"k8s"},{"id":31,"name":"language"},{"id":10,"name":"learning-resource"},{"id":33,"name":"lib"},{"id":41,"name":"linter"},{"id":28,"name":"lms"},{"id":16,"name":"logging"},{"id":76,"name":"low-code"},{"id":90,"name":"message-queue"},{"id":42,"name":"mobile-app"},{"id":18,"name":"monitoring"},{"id":36,"name":"networking"},{"id":7,"name":"node-version"},{"id":55,"name":"nosql"},{"id":57,"name":"observability"},{"id":46,"name":"orm"},{"id":52,"name":"os"},{"id":14,"name":"parser"},{"id":74,"name":"react"},{"id":82,"name":"real-time"},{"id":56,"name":"robot"},{"id":65,"name":"runtime"},{"id":32,"name":"sdk"},{"id":71,"name":"search"},{"id":63,"name":"secrets"},{"id":25,"name":"security"},{"id":85,"name":"server"},{"id":86,"name":"serverless"},{"id":70,"name":"storage"},{"id":75,"name":"system-design"},{"id":79,"name":"terminal"},{"id":29,"name":"testing"},{"id":12,"name":"ui"},{"id":50,"name":"ux"},{"id":88,"name":"video"},{"id":20,"name":"web-app"},{"id":35,"name":"web-server"},{"id":43,"name":"webassembly"},{"id":69,"name":"workflow"},{"id":87,"name":"yaml"}]" returns me the "expected json"