From c1ab751d9557a9eb76d6f395c90f95f2ff3c1464 Mon Sep 17 00:00:00 2001
From: simon <failsafe@163.com>
Date: Fri, 4 Sep 2026 10:38:33 +0800
Subject: [PATCH] =?UTF-8?q?feat:=20=E6=97=A5=E6=8A=A5=E6=94=B9=E4=B8=BA?=
 =?UTF-8?q?=E6=AF=8F=E6=97=A5=E4=B8=80=E6=AC=A1=20+=20=E6=96=B0=E5=A2=9E?=
 =?UTF-8?q?=20LLM=20=E4=BD=BF=E7=94=A8/=E6=88=90=E6=9C=AC/=E7=BC=93?=
 =?UTF-8?q?=E5=AD=98=E6=96=87=E6=A1=A3?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

- domestic_full.sh / pipeline.sh 新增 --no-report 参数：跳过日报生成，
  保持 M1 抓取 + M2→M6 管道不变，用于 12:00/18:00 只抓不生成日报
- crontab: 07:00 全量含日报，12:00/18:00 --no-report（日报每日一次，降低 LLM 费用）
- docs/llm-models.md: 各 LLM 调用点分别用的 provider/model 事实清单
- docs/llm-cost-analysis.md: 真实 token 消耗与费用构成、降本建议
- docs/llm-cache-optimization.md: DeepSeek 上下文缓存机制与命中率提升设计
- docs/README.md 增加上述三个文档索引
---
 docs/README.md                 |   3 +
 docs/llm-cache-optimization.md | 103 +++++++++++++++++++++++++++
 docs/llm-cost-analysis.md      | 126 +++++++++++++++++++++++++++++++++
 docs/llm-models.md             |  84 ++++++++++++++++++++++
 scripts/domestic_full.sh       |  27 ++++---
 scripts/pipeline.sh            |  20 ++++--
 6 files changed, 347 insertions(+), 16 deletions(-)
 create mode 100644 docs/llm-cache-optimization.md
 create mode 100644 docs/llm-cost-analysis.md
 create mode 100644 docs/llm-models.md

diff --git a/docs/README.md b/docs/README.md
index f462647..b3e83df 100644
--- a/docs/README.md
+++ b/docs/README.md
@@ -12,6 +12,9 @@
 | [快速开始](quickstart.md) | 环境准备、安装、配置、首次运行 |
 | [使用手册](usage.md) | CLI 命令、Shell 脚本、MCP 服务、日报查看 |
 | [流水线详解](pipeline.md) | M1→M9 各步骤输入/输出、增量逻辑、幂等机制 |
+| [LLM 模型使用清单](llm-models.md) | 各用到 LLM 的地方分别用哪个 provider / 模型 |
+| [LLM 成本分析](llm-cost-analysis.md) | LLM 调用点、token 消耗与费用构成、降本建议 |
+| [LLM 缓存优化设计](llm-cache-optimization.md) | DeepSeek 上下文缓存机制与命中率提升方案 |
 | [配置说明](configuration.md) | `system.yaml`、`sources.yaml`、Profile、`.env` |
 | [部署与运维](deployment.md) | Pi 服务器部署、Xvfb/代理、crontab、日志清理 |
 | [开发指南](development.md) | 源码结构、测试、已知问题、新增新闻源 |
diff --git a/docs/llm-cache-optimization.md b/docs/llm-cache-optimization.md
new file mode 100644
index 0000000..fbf8bf3
--- /dev/null
+++ b/docs/llm-cache-optimization.md
@@ -0,0 +1,103 @@
+# DeepSeek 上下文缓存优化设计方案
+
+> 目标：提高 DeepSeek API 的 prompt 缓存命中率，从而降低 M4 翻译与 M7 日报的输入成本。
+> 依据：DeepSeek「上下文硬盘缓存」机制（[官方文档](https://api-docs.deepseek.com/zh-cn/guides/kv_cache)）。
+> 状态：**设计稿**，尚未改动生产代码；文中「改动点」需确认后实施。
+
+## 一、机制要点（DeepSeek 上下文硬盘缓存）
+
+1. **默认开启、零代码开启**：所有请求自动参与缓存，无需在请求里额外传参。
+2. **「缓存前缀单元」完整匹配**才命中：每次请求的输入结束位 / 输出结束位、以及系统检测到的公共前缀，都会落盘为**缓存前缀单元**。后续请求必须**完整匹配**某个缓存前缀单元，才会计入「缓存命中」。
+   - `A+B` 之后再来 `A+B+C` → 命中 `A+B`（沿用例一看）。
+   - `A+B` 之后再来 `A+C` → **不命中**，但系统会把公共前缀 `A` 落盘，下一轮 `A+D` 可命中 `A`。
+3. **价格差异极大**（`deepseek-v4-flash`）：
+   | 输入 | 空闲 | 高峰 |
+   |------|------|------|
+   | 缓存命中 | 0.05 元/百万 | 0.10 元/百万 |
+   | 缓存未命中 | 1.5 元/百万 | 3.0 元/百万 |
+   - 命中比未命中便宜 **30 倍**。提升命中率是单位成本上最强的手段。
+4. **可观测**：响应 `usage` 里的 `prompt_cache_hit_tokens` / `prompt_cache_miss_tokens` 直接给出命中情况，可据此验证优化前后。
+
+## 二、当前实现的问题
+
+### 场景一：M4 翻译（`llm/extractor.py`）
+
+当前 `user` message 结构（`prompts/translation_and_extraction.md`）：
+
+```
+请处理以下英文财经新闻：
+
+**标题**: {title}          ← 每篇不同
+**来源**: {source_name}     ← 每篇不同
+**发布时间**: {publish_time} ← 每篇不同
+**正文**:
+{content}                  ← 每篇不同
+```
+
+- `system` prompt 完全固定 → 可作为一个稳定前缀，但只有几百 token，占单篇输入比例很小。
+- `user` prompt 里「标题/来源/发布时间」都在正文之前且每篇不同 → 导致**每篇文章的 user 前缀都错位**，正文 `{content}` 无法形成稳定公共前缀，命中率大幅下降。
+- 实测单篇平均输入 ≈1667 token，估算其中 75%+ 是正文 `{content}`；若能让正文前缀稳定，可显著命中。
+
+### 场景二：M7 日报 AI 摘要（`scheduler/reporter.py`）
+
+- `system` prompt 固定（"你是国际财经日报撰写助手…"），user prompt 是当日事件列表，每批内容不同 → 只有极短的 system 前缀可命中，命中率低但总量小（每天仅几千 token），非成本重点。
+
+## 三、优化方案
+
+### 方案 A（推荐，改动小、收益大）：稳定 M4 user prompt 前缀
+
+把「每篇变化但重复出现的结构性开头」从正文前挪到结构里，让**正文 `{content}` 作为相对固定的前缀占位**，或至少让「固定指令段」全部前置。
+
+调整 `prompts/translation_and_extraction.md` 的 user 段，把固定指令前置，变化字段后置：
+
+```
+请处理以下英文财经新闻，输出 JSON（标题译文、正文全文译文、事件列表）：
+
+[MODEL_INSTRUCTION_BLOCK]   ← 完全固定的指令/示例（移到最前）
+
+【待处理新闻】
+正文：
+{content}                    ← 长固定位置内容
+
+【元信息】
+标题: {title}
+来源: {source_name}
+发布时间: {publish_time}
+```
+
+> 说明：把很长的 `{content}` 提前、固定，让后续连续请求以同一篇或相似内容为前缀；配合条件：同一批 82 篇连续翻译时，尽量让公共 system + 固定指令 + 常见正文前缀命中缓存。
+
+### 方案 B（最直接）：「正文最早、短字段最后」重排
+
+即便不改语义，仅调整 user 段字段顺序也能提升命中：把 `{content}`（变量庞大但相对可复用的重复新闻源）尽量前置且稳定，`{title}`/`{source_name}`/`{publish_time}`（每篇必变）后置。这样 system + 固定指令 + 正文前缀可形成缓存前缀单元，后续请求命中。
+
+### 方案 C：并发下最大化公共前缀（很少改动）
+
+- M4 并发 `concurrency=3` 同时发 3 个不同文章 → 冷启动多，前缀难以公共。可在首篇（或任务开头）先发 1 篇建立缓存前缀，再并发，后续命中率高。收益存在但不稳定，不强制。
+
+### 方案 D（工程化验证）：在 events 文件记录缓存命中
+
+利用 `usage.prompt_cache_hit_tokens / prompt_cache_miss_tokens`，把这两项写入 `data/events/{date}/{hash}.json`（现有字段 `prompt_tokens` 旁），用于量化验证方案 A/B 落地后的命中率提升。属观测增强，不影响功能。
+
+### 方案 E（日报场景，次要）
+
+M7 摘要量小，可不动；若要优化，保持 system prompt 稳定即可（当前已稳定）。可复用「截断重试时复用同一前缀」。
+
+## 四、建议实施顺序
+
+1. 先落地**可观测性（方案 D）**：给 events 记录缓存命中 token（小改动，零风险），跑 1 次对比基线。
+2. 再实施**方案 A / B**（重排 M4 user prompt），对比命中率与单篇输入成本。
+3. 酌情试点**方案 C**（并发预热）。
+
+## 五、验收标准
+
+- 单篇输入 token 中 `prompt_cache_hit_tokens` 占比显著上升（目标：日常连续翻译批 >50%）。
+- 单篇平均输入成本下降（命中 0.05 vs 未命中 1.5 元/百万）。
+- 翻译质量、输出格式不受影响（缓存只作用于输入前缀，不影响输出随机性）。
+
+## 六、参考
+
+- [DeepSeek 上下文硬盘缓存](https://api-docs.deepseek.com/zh-cn/guides/kv_cache)
+- [DeepSeek 模型与价格](https://api-docs.deepseek.com/zh-cn/quick_start/pricing/)
+- 相关代码：`prompts/translation_and_extraction.md`、`llm/extractor.py`、`scheduler/reporter.py`
+- 配套成本分析：[llm-cost-analysis.md](llm-cost-analysis.md)
\ No newline at end of file
diff --git a/docs/llm-cost-analysis.md b/docs/llm-cost-analysis.md
new file mode 100644
index 0000000..8751467
--- /dev/null
+++ b/docs/llm-cost-analysis.md
@@ -0,0 +1,126 @@
+# LLM 使用点与成本分析
+
+> 本文档基于 2026-08-30 的代码与真实运行数据编写，用于：
+> 1. 盘点本项目所有使用大模型（LLM / embedding）的位置与调用方式；
+> 2. 分析 DeepSeek 每日费用的构成与量级；
+> 3. 给出降本改善建议（不改写生产代码，仅供决策参考）。
+
+## 一、本项目所有用到「大模型」的地方
+
+本项目有两类大模型能力，计费方式和对成本的影响完全不同：
+
+- **对话 / 补全类（chat completion）**：贵，按「输入 token + 输出 token」计费。目前全部走 **DeepSeek（`deepseek-v4-flash`）**。
+- **向量化（embedding）**：便宜，按 token 计费。目前走 **DashScope（`text-embedding-v3`）**，与 DeepSeek 是两套账户/两笔账单。
+
+### 1.1 对话类 LLM 调用点（付费大头，DeepSeek）
+
+| # | 场景 | 位置 | 触发频率 | 单次 token 规模 | 说明 |
+|---|------|------|----------|----------------|------|
+| 1 | **M4 全文英译中 + 投资事件抽取** | `llm/extractor.py::translate_and_extract`（`_call_llm_sync`） | 每个去重后的唯一文章 **1 次**（失败重试最多 3 次） | 单篇平均 输入≈1667 / 输出≈2342 | 这是**最大的成本来源**，每篇独立调用、整篇中文全文均输出 |
+| 2 | **M7 日报 AI 摘要** | `scheduler/reporter.py::_call_llm_simple`（`_generate_ai_summary`） | 每天 3 次定时（07:00/12:00/18:00），每次 1~N 批 + 截断重试 | 每批 max_tokens 500–800（截断重试 1200） | 依赖当日高重要度事件条数；事件 ≤10 一条批，超过则分批 |
+
+> ⚠️ 是否重复翻译（重要成本放大项）：
+> M4 设计了**增量机制**——同一 `url_hash` 的 `data/events/{date}/{hash}.json` 已存在就跳过，不重复调用 LLM。但每天 3 次定时全流程都会把**当天新增的去重文章**翻译一遍，若某天连续中断/失败多次，缺的篇会在下次补齐，当周补跑可能一次性翻译多天积压文章。
+
+### 1.2 向量类（embedding，DashScope，低费用）
+
+| # | 场景 | 位置 | 触发 | 说明 |
+|---|------|------|------|------|
+| 3 | **M5 向量生成（入库）** | `embedding/pipeline.py::embed_all_events` | 每天对已翻译文章批量 | `text-embedding-v3`，dim=1024，batch_size=10 |
+| 4 | **M6 / MCP 检索查询向量化** | `vectorstore/pipeline.py::search_news`、`mcp_server/server.py` | 每次语义搜索 | 单个查询向量化，量极小 |
+
+### 1.3 不使用大模型的环节
+
+- M1 抓取、M2 正文提取（trafilatura）、M3 去重（SimHash/指纹库）、M6 Qdrant 入库、M9 MySQL 写入 —— 均**不调用大模型**。
+
+---
+
+## 二、真实 token 消耗与费用估算
+
+以 `deepseek-v4-flash`（官方模型名 `DeepSeek-V4-Flash-0731`）当前价格计（[官方定价](https://api-docs.deepseek.com/zh-cn/quick_start/pricing/)）：
+
+| 计价项 | 空闲时段 | 高峰时段（周一至五 9:00–12:00、14:00–18:00） |
+|---|---|---|
+| 输入（缓存未命中） | 1.5 元 / 百万 token | 3.0 元 / 百万 token |
+| 输出 | 4.5 元 / 百万 token | 9.0 元 / 百万 token |
+
+> 注：本项目常见的定时运行在 07:00（空闲）与 12:00/18:00（接近高峰边界），因此同一日费用波动约 ±100%。
+
+### 2.1 M4 翻译实测 token（来自 `data/events/*/` 的 `prompt_tokens`/`completion_tokens`）
+
+| 日期 | 去重后篇数 | 输入 token | 输出 token | 合计 |
+|------|-----------|-----------|-----------|------|
+| 2026-08-21（大日） | 82 | 135,616 | 208,146 | **343,762** |
+| 2026-08-22（中） | 43 | 74,063 | 88,893 | 162,956 |
+| 2026-08-30（小日） | 44 | 73,364 | 103,091 | 176,455 |
+
+单篇平均：输入 ≈1650–1720，输出 ≈2050–2540 token。
+
+### 2.2 单日费用估算（仅 M4）
+
+**小日（约 44 篇，176k token）**
+- 空闲：176,455 输入˝中位 ×1.5 + … 简化按 输入73k×1.5 + 输出103k×4.5 = 0.11 + 0.46 = **≈ 0.57 元**
+- 高峰：输入73k×3 + 输出103k×9 = 0.22 + 0.93 = **≈ 1.15 元**
+
+**大日（约 82 篇，344k token）**
+- 空闲：135,616×1.5 + 208,146×4.5 = 0.20 + 0.94 = **≈ 1.14 元**
+- 高峰：135,616×3 + 208,146×9 = 0.41 + 1.87 = **≈ 2.28 元**
+
+### 2.3 日报摘要（M7）
+
+每次约 1–3 批，每批输出几百 token、输入为事件列表，单日 3 次合计约几千 token，费用 ≈ **0.03–0.1 元/天**，可忽略。
+
+### 2.4 结论：费用的绝对构成
+
+- **M4 翻译是绝对主力（>95% 费用）**，日报摘要与 embedding 开销可忽略。
+- 单日正常落在 **1–3 元** 区间（视当天文章量与命不命中高峰时段）。
+- 若出现 **补跑/积压**：一次把一两天缺的篇全翻，或当日文章量冲到 80+ 篇，单日可能到 **3–6 元**。这通常是用户感受到「费用较高」的真实触发点。
+
+---
+
+## 三、成本高的根因分析
+
+1. **输出 token 巨大**：M4 做的是「全文英译中」，每篇都把整篇中文翻译完整输出，单篇输出 2000+ token，是费用的绝对主体（输出单价是输入的 3 倍）。
+2. **每篇独立调用**：82 篇文章 = 82 次往返，system prompt（约 3000 字符模板）每篇重复计入输入。
+3. **每天 3 次全流程**：虽增量去重，但当天新文章都翻译，且 07/12/18 各跑一次，频繁触发。
+4. **重试放大**：`max_attempts=3`，失败自动重试（实测约 +3%）。
+5. **高峰时段触发**：12:00/18:00 的定时可能落入高峰计价，费用 ×2。
+6. **付费墙源白跑**：CNBC/Reuters/FT/WSJ 等源抓不到正文，M2 标记 no_content 后**不会**进入 LLM（有防御过滤），因此不会为这些源付费——但它们也没产出，相当于 M1/M2 白耗。真正进 LLM 的只有 investinglive/zerohedge 等能抓到的源，这些源文章较长、翻译输出也就大。
+
+---
+
+## 四、降本改善建议（按性价比排序）
+
+> 以下均为「建议」，未改动生产代码；实施前请评估收益与副作用。
+
+### 建议 A（收益最大）：限制 / 缩短 M4 输出
+- 全文英译中的输出是主要开销。考虑：
+  - 将 `llm_scenes.translation.max_tokens` 从 8192 降到合理值（如 4096），或
+  - 改 prompt，只输出**中文摘要 + 关键事件**，不再整篇英译中（日报和检索实际只消费 `content_zh_preview` 前 300 字与 events，不必整篇全文翻译）。
+  - 收益：可显著削减输出 token（目前占费用 >60%）。
+
+### 建议 B：尽量把翻译放在空闲时段
+- M4 翻译集中到 07:00（空闲，半价）。避免 12:00/18:00 落入高峰计价。
+- 仅日报生成放在 18:00（摘要量小，价差影响可忽略）。
+
+### 建议 C：减少不必要的重复翻译（积压/补跑）
+- 确保增量机制生效，避免因重复运行把同日文章翻译多遍。
+- 若当日中断，下个定时点补齐即可；不要为了「补日报」频繁手动全流程重跑。
+
+### 建议 D：缓存命中优化
+- DeepSeek 对「缓存命中」输入大幅降价（0.05 元 vs 1.5 元/百万）。把 system prompt 固定化、相同前缀复用，可提高缓存命中率，降低输入成本（输入约占 40% 费用）。
+
+### 建议 E：换更便宜的模型 / 分流
+- 若质量可接受，翻译/摘要改用更低价的同类模型或「空闲时段」更明显的档位。
+- embedding 已用 DashScope 低价档，无需动。
+
+### 建议 F：成本监控
+- 为 `_process_one` 的成功返回顺带累计 token 到日报 `stats`，或定期统计 `data/events/*/prompt_tokens` 总和，用于成本对账与异常预警。
+
+---
+
+## 五、参考
+
+- [DeepSeek 官方模型与价格](https://api-docs.deepseek.com/zh-cn/quick_start/pricing/)
+- 相关代码：`llm/extractor.py`、`llm/pipeline.py`、`scheduler/reporter.py`
+- 配置：`configs/system.yaml` 的 `llm` / `llm_scenes` / `embedding` 段
\ No newline at end of file
diff --git a/docs/llm-models.md b/docs/llm-models.md
new file mode 100644
index 0000000..062beea
--- /dev/null
+++ b/docs/llm-models.md
@@ -0,0 +1,84 @@
+# LLM 使用点与模型对照清单
+
+> 本文档是「各使用大模型（LLM）的地方分别用哪个 provider / 哪个模型」的**唯一事实源**。
+> 数据来源：当前 `configs/system.yaml` + 已生成 `data/events/*/` 的实际调用记录（provider/model 字段）。
+
+## 一、结论速览（当前生效）
+
+| 场景 | 使用位置 | Provider | 模型 | 计费账户 |
+|------|----------|----------|------|----------|
+| M4 翻译 + 事件抽取 | `llm/pipeline.py` → `llm/extractor.py` | **DeepSeek** | `deepseek-v4-flash` | DeepSeek |
+| M7 日报 AI 摘要 | `scheduler/reporter.py::_call_llm_simple` | **DeepSeek** | `deepseek-v4-flash` | DeepSeek |
+| M5 向量生成 | `embedding/pipeline.py` | **DashScope** | `text-embedding-v3` | 阿里云百炼 |
+| M6 入库向量/MCP 检索查询向量化 | `vectorstore/pipeline.py`、`mcp_server/server.py` | **DashScope** | `text-embedding-v3` | 阿里云百炼 |
+
+> ⚠️ **常见误区**：M4 翻译**用的就是 DeepSeek**（不是 Qwen/DashScope）。有人会误记成「翻译用的是别的模型」，很可能是因为 **M5/M6 的向量化走的是 DashScope（阿里云百炼）**，而翻译走的是 DeepSeek——两者账户 / 账单是分开的。已在 2026-08-21 / 08-22 / 08-30 生成的 `data/events/*/xxx.json` 中核实 87 条记录的 `provider=deepseek`、`model=deepseek-v4-flash`。
+
+## 二、各调用点详情
+
+### 1. M4 翻译 + 事件抽取（DeepSeek）
+
+- **入口**：`llm/pipeline.py::translate_all_deduped` → `llm/extractor.py::translate_and_extract`
+- **配置来源**：`configs/system.yaml` → `llm_scenes.translation`
+  ```yaml
+  llm_scenes:
+    translation:
+      provider: "deepseek"
+      model: "deepseek-v4-flash"
+      temperature: 0.1
+      max_tokens: 8192
+  ```
+- **API 密钥**：`DEEPSEEK_API_KEY`、`DEEPSEEK_BASE_URL=https://api.deepseek.com`（`.env`）
+- **说明**：单篇独立调用，全文英译中 + 投资事件抽取合并一次输出（JSON）。是全项目 token 消耗与费用的绝对主力。
+
+### 2. M7 日报 AI 摘要（DeepSeek）
+
+- **入口**：`scheduler/reporter.py::_call_llm_simple`（`_generate_ai_summary`）
+- **配置来源**：`configs/system.yaml` → `llm_scenes.daily_report`
+  ```yaml
+  llm_scenes:
+    daily_report:
+      provider: "deepseek"
+      model: "deepseek-v4-flash"
+      temperature: 0.3
+      max_tokens: 1500
+  ```
+- **说明**：高重要度事件分批（≤10 条/批）生成各批摘要后合并；截断时以更高 max_tokens 重试；全部失败走规则兜底。
+
+### 3. M5 向量生成（DashScope）
+
+- **入口**：`embedding/pipeline.py::embed_all_events`
+- **配置来源**：`configs/system.yaml` → `embedding` 段
+  ```yaml
+  embedding:
+    provider: "dashscope"
+    dashscope_model: "text-embedding-v3"
+    dimension: 1024
+    batch_size: 10
+    max_attempts: 3
+    timeout_sec: 30
+  ```
+- **API 密钥**：`QWEN_API_KEY` / `DASHSCOPE_API_KEY`、`QWEN_BASE_URL`（`.env`）
+- **说明**：批量向量化，输出 dim=1024。费用极低，不计入 DeepSeek 账单。
+
+### 4. M6 入库 / MCP 检索查询向量化（DashScope）
+
+- **入口**：`vectorstore/pipeline.py::search_news`（入库 payload 由 M5 结果构建）、`mcp_server/server.py::search_news`
+- **配置来源**：同上 `embedding` 段（入库向量与查询向量必须同模型，故共用一份配置）。
+
+## 三、不使用大模型的环节
+
+- M1 抓取（Playwright/Crawl4AI）、M2 正文提取（trafilatura）、M3 去重（SimHash/指纹库）、M6 Qdrant upsert、M9 MySQL 写入 —— **均不调用 LLM / embedding**。
+
+## 四、切换 provider / 模型时须知
+
+1. **翻译 / 摘要可选 DeepSeek 或 Qwen**：`llm_scenes.<场景>.provider` 设为 `deepseek` 或 `qwen`，同时确认对应 `.env` 里有对应 `*_API_KEY`/`*_BASE_URL`。`llm/client.py::load_llm_config` 支持 provider 覆盖。
+2. **Embedding 不能随便切**：Qdrant `en_finance_news` 入库向量与检索向量必须同模型。切换模型必须 `recreate` collection 并全量回灌（`ingest_all_embeddings(recreate=True)`），否则跨模型向量无法比较。
+3. **改配置后建议**：改 `provider/model` 后重跑一次管道确认 `data/events/*/` 的 `provider/model` 字段一致，避免两套模型混用。
+
+## 五、参考
+
+- `configs/system.yaml`（`llm` / `llm_scenes` / `embedding`）
+- [docs/llm-cost-analysis.md](llm-cost-analysis.md)（成本构成与降本建议）
+- [docs/configuration.md](configuration.md) 第 3.5/3.6 节（配置说明）
+- [DeepSeek 官方模型与价格](https://api-docs.deepseek.com/zh-cn/quick_start/pricing/)
\ No newline at end of file
diff --git a/scripts/domestic_full.sh b/scripts/domestic_full.sh
index b820cdd..7af6c26 100755
--- a/scripts/domestic_full.sh
+++ b/scripts/domestic_full.sh
@@ -7,9 +7,11 @@
 # 每天 06:00 / 12:00 / 18:00 / 22:00 各执行一次
 # =============================================
 # 用法：
-#   ./scripts/domestic_full.sh            # 全新执行
-#   ./scripts/domestic_full.sh --resume   # 从中断处继续（跳过已完成步骤，
-#                                         #   步骤状态见 data/run_state/{date}.state）
+#   ./scripts/domestic_full.sh              # 全新执行（含日报）
+#   ./scripts/domestic_full.sh --resume     # 从中断处继续（跳过已完成步骤，
+#                                           #   步骤状态见 data/run_state/{date}.state）
+#   ./scripts/domestic_full.sh --no-report  # 只抓取 + M2→M6，跳过日报生成
+#   ./scripts/domestic_full.sh --no-report --resume
 # =============================================
 set -euo pipefail
 
@@ -19,10 +21,12 @@ cd "$PROJECT_DIR"
 
 # ── 参数解析 ──
 RESUME=0
+NO_REPORT=0
 for arg in "$@"; do
     case "$arg" in
         --resume) RESUME=1 ;;
-        *) echo "未知参数: ${arg}（支持 --resume）" >&2; exit 1 ;;
+        --no-report) NO_REPORT=1 ;;
+        *) echo "未知参数: ${arg}（支持 --resume / --no-report）" >&2; exit 1 ;;
     esac
 done
 
@@ -36,7 +40,7 @@ mkdir -p "$LOG_DIR"
 FULL_LOG="$LOG_DIR/domestic_full_$(date +%Y%m%d_%H%M%S).log"
 : > "$FULL_LOG"
 
-LOG "══════ 国内全流程开始（resume=${RESUME}）═══════"
+LOG "══════ 国内全流程开始（resume=${RESUME} no_report=${NO_REPORT}）═══════"
 LOG "全流程日志: ${FULL_LOG}（终端实时显示完整进度）"
 
 # ── 加载 .env ──
@@ -62,13 +66,16 @@ if step_should_run M1_crawl; then
     fi
 fi
 
-# ── 2. M2→M6 管道（含日报）──
-LOG "━━━ [2/2] M2→M6 管道 + 日报 ━━━"
-if [ "$RESUME" = "1" ]; then
-    bash "$SCRIPT_DIR/pipeline.sh" --resume 2>&1 | tee -a "$FULL_LOG"
+# ── 2. M2→M6 管道（+ 可选日报）──
+if [ "$NO_REPORT" = "1" ]; then
+    LOG "━━━ [2/2] M2→M6 管道（已跳过日报，--no-report）━━━"
 else
-    bash "$SCRIPT_DIR/pipeline.sh" 2>&1 | tee -a "$FULL_LOG"
+    LOG "━━━ [2/2] M2→M6 管道 + 日报 ━━━"
 fi
+PIPELINE_ARGS=""
+[ "$RESUME" = "1" ] && PIPELINE_ARGS="$PIPELINE_ARGS --resume"
+[ "$NO_REPORT" = "1" ] && PIPELINE_ARGS="$PIPELINE_ARGS --no-report"
+bash "$SCRIPT_DIR/pipeline.sh" $PIPELINE_ARGS 2>&1 | tee -a "$FULL_LOG"
 
 if [ "$M1_FAILED" -eq 1 ]; then
     LOG "⚠️ 全流程结束，但 M1 抓取未成功，退出码=1"
diff --git a/scripts/pipeline.sh b/scripts/pipeline.sh
index d58cb73..757603b 100755
--- a/scripts/pipeline.sh
+++ b/scripts/pipeline.sh
@@ -3,8 +3,10 @@
 # 国内服务器：全链路管道 M2 → M3 → M4 → M5 → M6 → 日报
 # =============================================
 # 用法：
-#   ./scripts/pipeline.sh             # 全新执行（步骤级不跳过）
-#   ./scripts/pipeline.sh --resume    # 从中断处继续（跳过已完成步骤）
+#   ./scripts/pipeline.sh                  # 全新执行（步骤级不跳过）
+#   ./scripts/pipeline.sh --resume         # 从中断处继续（跳过已完成步骤）
+#   ./scripts/pipeline.sh --no-report      # 只跑 M2→M6，跳过日报生成
+#   ./scripts/pipeline.sh --no-report --resume
 # 前提：domestic_sync.sh 已完成
 # =============================================
 # 各步骤"跳过已处理文件"（文件级增量，由各 Python 模块自带）：
@@ -24,10 +26,12 @@ cd "$PROJECT_DIR"
 
 # ── 参数解析 ──
 RESUME=0
+NO_REPORT=0
 for arg in "$@"; do
     case "$arg" in
         --resume) RESUME=1 ;;
-        *) echo "未知参数: ${arg}（支持 --resume）" >&2; exit 1 ;;
+        --no-report) NO_REPORT=1 ;;
+        *) echo "未知参数: ${arg}（支持 --resume / --no-report）" >&2; exit 1 ;;
     esac
 done
 
@@ -40,7 +44,7 @@ LOG_DIR="logs"
 mkdir -p "$LOG_DIR"
 STEP_LOG="$LOG_DIR/pipeline_$(date +%Y%m%d_%H%M%S).log"
 : > "$STEP_LOG"
-LOG "══════ 全链路管道开始（resume=${RESUME}）═══════"
+LOG "══════ 全链路管道开始（resume=${RESUME} no_report=${NO_REPORT}）═══════"
 LOG "步骤日志: ${STEP_LOG}（终端实时显示完整进度）"
 
 # ── AI 模型信息读取（供阶段 banner 显性展示供应商/模型）──
@@ -113,11 +117,15 @@ print(f'M6: {stats[\"ingested\"]}/{stats[\"total\"]} 条, {stats[\"elapsed_sec\"
 "
 
 # ── 日报（AI 大模型）──
-LOG "━━━ 日报生成（AI 大模型: $(ai_model_info daily_report)）━━━"
-step_run report .venv/bin/python3 -c "
+if [ "$NO_REPORT" = "1" ]; then
+    LOG "━━━ 日报生成（已跳过，--no-report）━━━"
+else
+    LOG "━━━ 日报生成（AI 大模型: $(ai_model_info daily_report)）━━━"
+    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')
 "
+fi
 
 LOG "══════ 全链路管道完成 ✅ ═══════"