intl_news/docs/llm-models.md

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

  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

  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

  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（成本构成与降本建议）
• docs/configuration.md 第 3.5/3.6 节（配置说明）
• DeepSeek 官方模型与价格