simon
3b44f64f66
- docs: 删除 CLAUDE.md / continuation.md / english-news-plan.md 及旧版 intlnews_usage.*，
统一迁移到 docs/{README,architecture,quickstart,usage,pipeline,configuration,deployment,development,faq}.md
- README: 精简为仓库入口，指向 docs/
- configs/sources.yaml: 更新注释指向新文档
- .env.example: 修正 DashScope Embedding 端点说明
Pipeline 修复：
- dedup/llm/embedding/vectorstore/reporter: 过滤 M2 no_content / 空正文，避免污染下游与 Qdrant
- dedup/pipeline: 改为先写唯一文件再写指纹，避免崩溃导致文章永久丢失
- crawler/orchestrator: sources_crawled 改为“尝试数”，成功数 = crawled - failed
- crawler/storage: write_index_jsonl 从文章路径推断日期，修复跨天/测试路径问题
- scheduler/pipeline: STEP_TIMEOUTS 实际生效（SIGALRM）
- scheduler/reporter: emb_count 排除 index.json；日报跳过无原文事件
- vectorstore/pipeline: payload 增加 source_ids；--recreate --all 时空日期也重建 collection
- app/cli: extract/dedup/translate/embed/index/pipeline 支持 --date；embed/index 支持 --all；crawl 全源失败返回非零
- scripts: domestic_full/crawl_8g/crawl_2g/pipeline 安全加载 .env；M1 全失败不标记且最终退出码=1
English Financial News
国际财经新闻私有化 Deep Research 平台：抓取、去重、翻译、事件抽取、向量知识库、日报生成。
完整文档已整理到 docs/。本文件仅作为仓库入口。
核心能力
- M1 英文财经新闻抓取（RSS 优先 + Crawl4AI/Playwright Web 回退）
- M2 正文提取（trafilatura）
- M3 三层去重（URL / 内容 / SimHash）
- M4 全文英译中 + 投资事件抽取（DeepSeek）
- M5 向量生成（DashScope text-embedding-v3）
- M6 Qdrant 语义知识库
- M7 全链路调度与每日 AI 摘要日报
- M8 MCP 服务（Cherry Studio / Claude Code 接入）
- M9 日报结构化写入 MySQL
快速开始
# 安装
uv sync
cp .env.example .env # 编辑 API Key/数据库凭据
# 全流程
bash scripts/domestic_full.sh
# 断点续跑
bash scripts/domestic_full.sh --resume
# M2→M6+日报管道
bash scripts/pipeline.sh
# CLI 单步
uv run en-news --help
文档导航
| 文档 | 说明 |
|---|---|
| docs/README.md | 文档中心 |
| docs/architecture.md | 项目架构与数据流 |
| docs/quickstart.md | 快速开始 |
| docs/usage.md | 使用手册 |
| docs/pipeline.md | 流水线详解 |
| docs/configuration.md | 配置说明 |
| docs/deployment.md | 部署与运维 |
| docs/development.md | 开发指南 |
| docs/faq.md | FAQ |
许可证
MIT