feat: 全流程脚本 --resume 断点续跑 + 各步骤文件级增量说明

- 新增 scripts/_step_state.sh：步骤状态库（data/run_state/{date}.state，按天换新）
- pipeline.sh / domestic_full.sh 支持 --resume，按步骤跳过已完成项
- step_run 显式检查退出码（规避 bash set -e 条件上下文陷阱），失败步骤不标记
- M1 保持部分源失败容忍（step_should_run/step_mark 手动控制）
- 确认并文档化各步骤文件级增量：M2/M4/M5 按文件存在跳过、M3 指纹库、M6 upsert 幂等
- 已同步 pi5 并验证（--badarg exit=1、step_run 机制正常）

scripts/pipeline.sh

@@ -2,9 +2,19 @@
 # =============================================
 # 国内服务器：全链路管道 M2 → M3 → M4 → M5 → M6 → 日报
 # =============================================
-# 用法：./scripts/pipeline.sh
+# 用法：
+#   ./scripts/pipeline.sh             # 全新执行（步骤级不跳过）
+#   ./scripts/pipeline.sh --resume    # 从中断处继续（跳过已完成步骤）
 # 前提：domestic_sync.sh 已完成
 # =============================================
+# 各步骤"跳过已处理文件"（文件级增量，由各 Python 模块自带）：
+#   M2 正文提取: data/processed/{source}/{date}/{url_hash}.json 存在则跳过
+#   M3 去重:     指纹库 SQLite（data/dedup_fingerprints.sqlite3）判重，重复自动丢弃
+#   M4 翻译:     data/events/{date}/{url_hash}.json 存在则跳过
+#   M5 向量:     data/embeddings/{date}/index.json 记录已向量化，跳过
+#   M6 入库:     Qdrant upsert 幂等（点 id = url_hash，重复写入覆盖，无重复）
+#   日报:        MySQL 唯一键 (report_date, intl, "") 幂等覆盖
+# =============================================
 set -euo pipefail
 
 SCRIPT_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
@@ -12,57 +22,64 @@ PROJECT_DIR="$(dirname "$SCRIPT_DIR")"
 
 cd "$PROJECT_DIR"
 
-echo "[$(date)] ═══ 全链路管道开始 ═══"
+# ── 参数解析 ──
+RESUME=0
+for arg in "$@"; do
+    case "$arg" in
+        --resume) RESUME=1 ;;
+        *) echo "未知参数: ${arg}（支持 --resume）" >&2; exit 1 ;;
+    esac
+done
+
+source "$SCRIPT_DIR/_step_state.sh"
+
+LOG() { echo "[$(date '+%Y-%m-%d %H:%M:%S')] $*"; }
+
+LOG "══════ 全链路管道开始（resume=${RESUME}）═══════"
 
 # 加载 .env
 export $(grep -v '^#' .env | grep -v '^$' | xargs 2>/dev/null || true)
 
 # ── M2: 正文提取 ──
-echo "[$(date)] [M2] 正文提取..."
-.venv/bin/python3 -c "
+step_run M2_extract .venv/bin/python3 -c "
 from extractor.pipeline import process_all_sources
 stats = process_all_sources()
 print(f'M2: {stats[\"total_articles\"]} 篇, {stats[\"elapsed_sec\"]:.0f}s')
 "
 
 # ── M3: 去重 ──
-echo "[$(date)] [M3] 三层去重..."
-.venv/bin/python3 -c "
+step_run M3_dedup .venv/bin/python3 -c "
 from dedup.pipeline import dedup_all_sources
 stats = dedup_all_sources()
 print(f'M3: 唯一 {stats[\"unique\"]}/重复 {stats[\"duplicate\"]}, {stats[\"elapsed_sec\"]:.0f}s')
 "
 
 # ── M4: 翻译+事件 ──
-echo "[$(date)] [M4] 翻译+事件抽取..."
-.venv/bin/python3 -c "
+step_run M4_translate .venv/bin/python3 -c "
 from llm.pipeline import translate_all_deduped
 stats = translate_all_deduped()
 print(f'M4: {stats[\"success\"]}/{stats[\"total\"]} 篇, {stats[\"elapsed_sec\"]:.0f}s')
 "
 
 # ── M5: 向量生成 ──
-echo "[$(date)] [M5] 向量生成..."
-.venv/bin/python3 -c "
+step_run M5_embed .venv/bin/python3 -c "
 from embedding.pipeline import embed_all_events
 stats = embed_all_events()
 print(f'M5: {stats[\"success\"]}/{stats[\"total\"]} 篇, {stats[\"elapsed_sec\"]:.0f}s')
 "
 
 # ── M6: Qdrant 入库 ──
-echo "[$(date)] [M6] Qdrant 入库..."
-.venv/bin/python3 -c "
+step_run M6_index .venv/bin/python3 -c "
 from vectorstore.pipeline import ingest_all_embeddings
 stats = ingest_all_embeddings()
 print(f'M6: {stats[\"ingested\"]}/{stats[\"total\"]} 条, {stats[\"elapsed_sec\"]:.0f}s')
 "
 
 # ── 日报 ──
-echo "[$(date)] [日报] 生成日报（结构化入库）..."
-.venv/bin/python3 -c "
+step_run report .venv/bin/python3 -c "
 from scheduler.reporter import generate_report
 report_id = generate_report()
 print(f'日报: report_id={report_id}' if report_id is not None else '日报: 无数据/失败')
 "
 
-echo "[$(date)] ═══ 全链路管道完成 ✅ ═══"
+LOG "══════ 全链路管道完成 ✅ ═══════"