feat: AI 模型按场景独立配置（llm_scenes）+ 去重多来源合并

- system.yaml 新增 llm_scenes（translation / daily_report，含用途/方法/模型要求说明）
- load_llm_config(scene=...) 场景覆盖；日报摘要 temperature 0.3 硬编码 → 配置
- M3 去重：唯一篇记录 source_ids（跨源重复合并，首个来源为 source_id）
- source_ids 经翻译透传至 events，日报事件 source 多来源拼接展示（≤3 个）
- 已部署 pi5：merge 实证 10 源合并；日报 report_id=224 正常入库

configs/system.yaml

@@ -40,18 +40,56 @@ dedup:
   simhash_window_days: 30
   min_content_length: 100
 
-# ── LLM 翻译+事件抽取 ────────────────────────────────
+# ── LLM 默认配置（所有 LLM 场景的兜底）────────────────
+# 按场景独立配置见下方 llm_scenes 段；场景未声明的字段回退到本段。
 llm:
   provider: "deepseek"
   deepseek_model: "deepseek-v4-flash"
   qwen_model: "qwen-plus"
   timeout_sec: 60
-  max_attempts: 3          # 单篇总尝试次数（含首次），失败后指数退避重试；日报 AI 摘要同用此值
+  max_attempts: 3          # 单篇总尝试次数（含首次），失败后指数退避重试
   max_tokens: 8192
   temperature: 0.1
   concurrency: 3
 
-# ── Embedding 向量化 ────────────────────────────────
+# ── LLM 场景配置（按场景独立指定大模型类型与参数）──────
+# 每个场景可覆盖 provider / model / temperature / max_tokens / max_attempts / timeout_sec；
+# 场景内统一用 "model" 键指定模型（优先于 llm 段的 deepseek_model / qwen_model）。
+llm_scenes:
+  translation:
+    # M4：全文英译中 + 投资事件抽取（单次 LLM 调用合并输出）
+    provider: "deepseek"
+    model: "deepseek-v4-flash"
+    temperature: 0.1
+    max_tokens: 8192
+    description: |
+      用途: M4 对去重后的英文正文做全文英译中，并抽取投资事件
+            （事件类型/美股代码/情绪/重要度/摘要，单次调用合并输出）
+      使用方法: llm/pipeline.py 调用 load_llm_config(scene="translation")，
+            配合 concurrency=3 逐篇并发；单篇失败重试 max_attempts 次后跳过，
+            未翻译篇由增量机制下次补齐
+      模型要求: 中英财经翻译准确、术语一致；严格按 Prompt 输出 JSON 结构；
+            单篇平均 ≤3 秒；max_tokens 需容纳长文（建议 ≥8192）
+  daily_report:
+    # M7：每日 AI 摘要日报（五段式，高重要度事件分批生成）
+    provider: "deepseek"
+    model: "deepseek-v4-flash"
+    temperature: 0.3
+    max_tokens: 1500
+    description: |
+      用途: M7 日报 AI 摘要（五段式），高重要度事件分批（≤10 条/批）生成
+            各批摘要后合并为完整日报摘要
+      使用方法: scheduler/reporter.py::_call_llm_simple 使用
+            load_llm_config(scene="daily_report")；分批/合并失败均有回退，
+            全部失败走规则兜底（直接列 Top 事件），日报仍正常入库
+      模型要求: 中文财经总结能力强；单批 600-1500 字摘要质量稳定；
+            支持高频短调用（crontab 07/12/18 每天 3 次 × 每份 3 批）
+
+# ── Embedding 向量化（单一场景，不按场景拆分）─────────
+# 说明: Qdrant collection en_finance_news 的入库向量与检索查询向量必须由
+# 同一模型生成（跨模型向量无法比较），因此 embedding 不支持按场景独立配置。
+# 调用点: embedding/pipeline.py（入库）、vectorstore/pipeline.py（检索）、
+# mcp_server/server.py（MCP 搜索查询向量化）——三处共用本配置。
 embedding:
   provider: "dashscope"
   dashscope_model: "text-embedding-v3"