docs: 更新大模型场景配置与去重多源记录说明

- README: 新增「大模型使用场景配置」章节(4 场景表+优先级),M3 去重产物补充
  sources.json 与多源记录说明,M4/M5 环境变量补充 YAML 指引
- continuation.md: checkpoint 更新,记录本次功能实现与验证结果
- .env.example: LLM Provider 段补充 configs/llm_models.yaml 指引

.env.example

@@ -5,6 +5,7 @@
 # ============================
 
 # ---- LLM Provider ----
+# 推荐: 各场景按需独立配置见 configs/llm_models.yaml(优先级高于以下环境变量)
 LLM_PROVIDER=deepseek
 
 # ---- DeepSeek ----

.gitignore

@@ -34,6 +34,9 @@ htmlcov/
 .DS_Store
 Thumbs.db
 
+# 工具本地配置（非项目文件）
+reasonix.toml
+
 # 项目敏感配置
 .env
 .env.local

README.md

@@ -209,12 +209,34 @@ uv run python -m scripts.run_dedup --reset
 
 去重产物路径:
 
-- `data/dedup/fingerprints.sqlite3`         指纹库(跨日累积)
+- `data/dedup/fingerprints.sqlite3`         指纹库(跨日累积,`source_ids` 列记录多源)
-- `data/deduped/{YYYYMMDD}/uniques/{url_hash}.json`  唯一文章(可送 M4+ 处理)
+- `data/deduped/{YYYYMMDD}/uniques/{url_hash}.json`  唯一文章(可送 M4+ 处理,含 `sources` 多源字段)
-- `data/deduped/{YYYYMMDD}/duplicates.jsonl`        重复记录(含命中层 / 命中目标)
+- `data/deduped/{YYYYMMDD}/sources.json`            多源记录 `{url_hash: [source_id, ...]}`
+- `data/deduped/{YYYYMMDD}/duplicates.jsonl`        重复记录(含命中层 / 命中目标 / matched_source_ids)
+
+**多源记录**:同一内容被多个新闻源发布时,去重后只保留一条唯一新闻,但会记录全部来源
+(主源居首)。指纹库 `source_ids` 列为跨日累积的权威记录;`uniques/{url_hash}.json` 的
+`sources` 字段与 `data/deduped/{YYYYMMDD}/sources.json`(本次去重涉及内容组的源汇总,
+含跨日命中)为当日产物,展示/下游可按需读取多源列表。
 
 日志:`logs/dedup.log`
 
+### 大模型使用场景配置(configs/llm_models.yaml)
+
+项目共 4 个调用大模型的场景,均可独立配置 provider / model,见 `configs/llm_models.yaml`
+(文件内有每个场景的用途、使用方式、对模型的要求的完整说明):
+
+| 场景 key | 用途 | 调用方 | 模型要求 |
+| --- | --- | --- | --- |
+| `event_extraction` | 投资事件抽取(输出严格 JSON) | M4 `llm/extractor.py` | OpenAI 兼容 + JSON mode + 上下文 ≥16K |
+| `daily_report` | 日报 AI 摘要(500 字要点) | `scheduler/reporter.py` | 长输出(≥1500 tokens)、中文摘要 |
+| `stock_report` | 个股 AI 要点分析 | `scheduler/stock_reporter.py` | 长输出(≥500 tokens)、要点化 |
+| `embedding` | 文本向量化(入库/检索) | M5、MCP、pipeline | 嵌入模型,1024 维,dashscope / local-bge |
+
+配置优先级:**CLI 显式参数 > YAML 场景 > .env 环境变量 > 代码默认**。
+YAML 中字段留空即回退 `.env`(向后兼容,现有部署无需改动即可运行)。
+API Key 一律放 `.env`,YAML 只保存环境变量名(`api_key_env`)。
+
 ### 运行 LLM 事件抽取(M4)
 
 M4 调用 DeepSeek 或 Qwen,从 M3 唯一文章中抽取结构化投资事件(stock_codes/sentiment/importance/event_type 等)。
@@ -253,6 +275,9 @@ uv run python -m scripts.run_event_extraction --no-deduped --source cls
 - `DEEPSEEK_API_KEY` / `DEEPSEEK_BASE_URL`
 - `DASHSCOPE_API_KEY` / `QWEN_BASE_URL`
 
+> 注:以上环境变量作为兜底;按场景独立配置 provider/model 推荐使用
+> `configs/llm_models.yaml`(见上文「大模型使用场景配置」)。
+
 日志:`logs/llm.log`
 
 ### 运行 Embedding 向量化(M5)
@@ -288,6 +313,9 @@ uv run python -m scripts.run_embedding --provider local-bge
 - `LOCAL_EMBEDDING_MODEL`        本地模型(默认 `BAAI/bge-m3`)
 - `DASHSCOPE_API_KEY` / `QWEN_BASE_URL`(M4 已配)
 
+> 注:以上环境变量作为兜底;embedding 场景的 provider/model 也可在
+> `configs/llm_models.yaml` 的 `scenes.embedding` 中配置(优先级更高)。
+
 日志:`logs/embedding.log`
 
 ### 运行 Qdrant 入库与检索(M6)

configs/__init__.py

@@ -0,0 +1 @@
+"""configs 配置包:提供 configs/*.yaml 的加载能力。"""

configs/llm_models.yaml

@@ -0,0 +1,133 @@
+# =============================================================================
+# configs/llm_models.yaml —— 大模型使用场景配置
+#
+# 本文件集中配置本项目所有调用 AI 大模型的地方，每个场景可独立指定
+# provider(厂商/服务类型)与 model(模型名)，互不影响、单独切换。
+#
+# ── 配置优先级(从高到低)──────────────────────────────────────────────────────
+#   1. 代码 / 命令行显式参数(如 --provider qwen --model qwen-plus)
+#   2. 本文件 scenes.<场景>.xxx
+#   3. 环境变量 / .env(LLM_PROVIDER、DEEPSEEK_MODEL 等,向后兼容)
+#   4. 代码内置默认值
+#
+# ── 规则 ─────────────────────────────────────────────────────────────────────
+#   · provider 取值:
+#       对话大模型:  deepseek | qwen(OpenAI 兼容 chat 接口)
+#       向量嵌入模型: dashscope | local-bge(仅 embedding 场景)
+#   · model 留空 = 该场景不覆盖模型 → 回退 .env(如 DEEPSEEK_MODEL / QWEN_MODEL /
+#     LLM_MODEL);若全部缺失则直接报错,绝不静默使用内置默认模型。
+#   · api_key_env / base_url_env 为可选字段,填写存放 API Key / 服务地址的
+#     环境变量名;API Key 一律放 .env,禁止写入本文件(安全规范)。
+#   · 修改后无需重启常驻服务即可生效(每次调用重新读取;如需热更新缓存可重启)。
+# =============================================================================
+
+# ---- 全局默认参数(各场景可覆盖;低于 .env,高于代码内置默认)----
+defaults:
+  timeout_sec: 60
+  temperature: 0.1
+
+scenes:
+  # ------------------------------------------------------------------------- #
+  # 场景 1: 投资事件抽取(M4 核心)
+  # ------------------------------------------------------------------------- #
+  # 用途:对每条唯一新闻调用大模型,抽取结构化投资事件
+  #      (stock_codes / company_names / industries / sentiment / importance /
+  #       event_type / summary),输出严格 JSON,经 Pydantic 校验后落盘。
+  # 调用方: llm/extractor.py、scripts/run_event_extraction.py、
+  #         scheduler/pipeline.py 的 llm 步骤。
+  # 频率:每日数百~数千篇;建议异步并发(--concurrency,默认 3)。
+  # 使用方式:
+  #   uv run a-share events                         # 读本场景配置
+  #   uv run a-share events --provider qwen        # CLI 临时覆盖 provider
+  #   uv run a-share events --model qwen-max       # CLI 临时覆盖模型
+  # 对模型的要求:
+  #   · 必须支持 OpenAI 兼容 chat/completions 接口;
+  #   · 必须支持 JSON 结构化输出(response_format=json_object,硬性要求);
+  #   · 上下文窗口 ≥ 16K tokens(单篇正文最多截断到 8000 字符);
+  #   · 中文理解能力强,能区分 A 股事件类型(业绩预告/投资并购/宏观政策等 23 类);
+  #   · 低 temperature(0.1)保证抽取稳定,避免字段抖动。
+  # 建议模型: deepseek-v4-flash(生产实测) / deepseek-chat / qwen-plus / qwen-max
+  event_extraction:
+    provider:                 # 建议 deepseek | qwen;留空则回退 .env 的 LLM_PROVIDER
+    model:                    # 留空则回退 .env(DEEPSEEK_MODEL → LLM_MODEL)
+    api_key_env:              # 例如: DEEPSEEK_API_KEY / QWEN_API_KEY / DASHSCOPE_API_KEY
+    base_url_env:             # 例如: DEEPSEEK_BASE_URL / QWEN_BASE_URL
+    temperature: 0.1
+    timeout_sec: 60
+    max_attempts: 3           # 单篇解析失败的最大重试次数
+
+  # ------------------------------------------------------------------------- #
+  # 场景 2: 日报 AI 摘要
+  # ------------------------------------------------------------------------- #
+  # 用途:每天汇总「新闻联播 + 过去 24h 高重要度新闻 + 近 N 日重要公告/调研」,
+  #      生成 500 字以内的日报要点摘要,渲染进 HTML 日报。
+  # 调用方: scheduler/reporter.py 的 _generate_ai_summary → _llm_summarize。
+  # 频率:每天 1 次(07:00 定时任务,与 pipeline 同批)。
+  # 使用方式:无需手动触发,定时任务自动执行;失败自动降级(日报留空,不影响入库)。
+  # 对模型的要求:
+  #   · OpenAI 兼容 chat 接口(不需要 JSON 输出);
+  #   · 输出长度 ≥ 1500 tokens(max_tokens=1500,输出超长会被截断并记 WARNING);
+  #   · 中文摘要能力强、要点化输出稳定(每条一行,以 "- " 开头);
+  #   · 上下文窗口 ≥ 8K tokens(素材按 3000 字符/块分块,多块先分段再合并);
+  #   · temperature 0.3 左右,兼顾稳定与表达;网络失败按指数退避重试 3 次。
+  #   · 输出长度需求:分段摘要约 800 tokens、合并摘要约 1500 tokens(代码内置,
+  #     不在本文件配置),模型应能稳定输出 1500+ tokens 的中文要点。
+  # 建议模型: deepseek-v4-flash(生产实测) / deepseek-chat / qwen-plus
+  daily_report:
+    provider:                 # 建议 deepseek | qwen;留空则回退 .env 的 LLM_PROVIDER
+    model:
+    api_key_env:
+    base_url_env:
+    temperature: 0.3
+    timeout_sec: 60
+
+  # ------------------------------------------------------------------------- #
+  # 场景 3: 个股 AI 要点分析
+  # ------------------------------------------------------------------------- #
+  # 用途:针对观察清单中的单只股票,汇总其近期公告/调研/新闻/互动问答,
+  #      生成 5-8 条要点分析,渲染进个股日报。
+  # 调用方: scheduler/stock_reporter.py 的 _generate_ai_summary。
+  # 频率:每交易日 1 次(07:30),对 watchlist 内每只股票各调用一次。
+  # 使用方式:定时任务自动执行;单次失败不影响其他股票(该股显示"AI 摘要暂不可用")。
+  # 对模型的要求:
+  #   · OpenAI 兼容 chat 接口(不需要 JSON 输出);
+  #   · 输出长度 ≥ 500 tokens(max_tokens=500);
+  #   · 中文要点分析能力,输入素材最多 3500 字符(公告+调研+新闻+互动问答);
+  #   · temperature 0.3 左右。
+  #   · 输出长度需求:约 500 tokens(代码内置,不在本文件配置)。
+  # 建议模型: deepseek-v4-flash(生产实测) / deepseek-chat / qwen-plus
+  stock_report:
+    provider:                 # 建议 deepseek | qwen;留空则回退 .env 的 LLM_PROVIDER
+    model:
+    api_key_env:
+    base_url_env:
+    temperature: 0.3
+    timeout_sec: 60
+
+  # ------------------------------------------------------------------------- #
+  # 场景 4: 文本向量化 Embedding(新闻/事件入库 + 语义检索)
+  # ------------------------------------------------------------------------- #
+  # 用途:把新闻正文/事件文本转为向量,写入 Qdrant 知识库;检索时对查询文本
+  #      同样向量化后做相似度搜索。M5 入库、MCP 检索、pipeline 均复用本场景。
+  # 调用方: embedding/remote.py(远程)、embedding/local.py(本地)、
+  #         embedding/factory.py、scripts/run_embedding.py、mcp_server/tools.py。
+  # 使用方式:
+  #   uv run a-share embed                          # 读本场景配置
+  #   uv run a-share embed --provider local-bge     # 临时切换本地模型
+  # 注意:这是「嵌入模型」而非对话大模型,二选一:
+  #   · provider: dashscope → 阿里百炼 text-embedding-v3(远程,需 API key);
+  #   · provider: local-bge → 本地 BGE-M3(离线,需 uv sync --extra
+  #     local-embedding,首次加载约 2.3GB)。
+  # 对模型的要求:
+  #   · 输出固定维度向量(本项目默认 1024 维,DashScope 与本地 BGE-M3 兼容);
+  #   · 中文语义匹配效果好,支持 batch 输入(单批上限 batch_limit 条);
+  #   · 远程需 OpenAI 兼容 embeddings 接口。
+  # 建议模型: text-embedding-v3(远程) / BAAI/bge-m3(本地)
+  embedding:
+    provider:                 # 建议 dashscope | local-bge;留空则回退 .env 的 EMBEDDING_PROVIDER
+    model:                    # 留空则回退 .env(DASHSCOPE_EMBEDDING_MODEL / LOCAL_EMBEDDING_MODEL)
+    api_key_env:              # 例如: DASHSCOPE_EMBEDDING_API_KEY / DASHSCOPE_API_KEY
+    base_url_env:             # 例如: DASHSCOPE_EMBEDDING_BASE_URL
+    timeout_sec: 60
+    max_attempts: 3           # 单批请求失败重试次数
+    batch_limit: 10           # 单批最大条数(百炼实测上限 10,勿调大)

configs/loader.py

@@ -0,0 +1,69 @@
+"""configs/ 目录下 YAML 配置加载器。
+
+目前支持加载 configs/llm_models.yaml 的场景配置(scenes.<scene>)。
+
+配置优先级(从高到低):
+    1. 代码 / 命令行显式参数(如 --provider qwen --model qwen-plus)
+    2. 本文件 YAML 场景配置(scenes.<scene>)
+    3. 环境变量 / .env(LLM_PROVIDER、DEEPSEEK_MODEL 等,向后兼容)
+    4. 代码内置默认值
+
+说明:API Key 一律放 .env,本文件只保存环境变量名(api_key_env),禁止写密钥。
+"""
+
+from __future__ import annotations
+
+from functools import lru_cache
+from pathlib import Path
+
+from loguru import logger
+
+DEFAULT_CONFIG_PATH = Path("configs/llm_models.yaml")
+
+
+@lru_cache(maxsize=8)
+def _load_yaml(path: Path) -> dict:
+    """读取 YAML 文件为 dict;文件缺失或解析失败返回空 dict(走兜底配置)。"""
+    if not path.is_file():
+        logger.debug("配置文件不存在,使用内置/环境变量兜底: {}", path)
+        return {}
+    try:
+        import yaml
+
+        data = yaml.safe_load(path.read_text(encoding="utf-8")) or {}
+    except Exception as e:  # noqa: BLE001 - YAML 语法错误等
+        logger.error("解析 {} 失败: {}", path, e)
+        return {}
+    return data if isinstance(data, dict) else {}
+
+
+def load_scene_config(scene: str) -> dict:
+    """读取 llm_models.yaml 中 scenes.<scene> 的配置 dict。
+
+    场景不存在或未配置时返回空 dict(调用方回退 .env / 内置默认)。
+    scene 为空字符串同样返回空 dict。
+    """
+    if not scene:
+        return {}
+    data = _load_yaml(DEFAULT_CONFIG_PATH)
+    scenes = data.get("scenes") or {}
+    cfg = scenes.get(scene)
+    if cfg is None:
+        logger.debug("llm_models.yaml 未配置场景 {!r},使用 .env 兜底", scene)
+        return {}
+    if not isinstance(cfg, dict):
+        logger.warning("llm_models.yaml 场景 {!r} 应为 map,已忽略", scene)
+        return {}
+    return cfg
+
+
+def load_defaults() -> dict:
+    """读取 llm_models.yaml 顶层 defaults(全局默认参数)。"""
+    data = _load_yaml(DEFAULT_CONFIG_PATH)
+    d = data.get("defaults") or {}
+    return d if isinstance(d, dict) else {}
+
+
+def clear_cache() -> None:
+    """清空 YAML 缓存(测试或热更新配置时使用)。"""
+    _load_yaml.cache_clear()

continuation.md

@@ -1,6 +1,6 @@
 # continuation.md
 
-> `checkpoint` @ 2026-08-05 08:30
+> `checkpoint` @ 2026-08-11 17:00
 
 ---
 
@@ -13,12 +13,49 @@
 | 日报 | **M10 完成并已部署 pi5: 结构化入库 MySQL；日报按当天日期生成（新闻 30h 回溯 / xwlb 取前一日 / 公告调研近 15 日）** |
 | DB 连接 | pi 上 systemd 服务 `a-share-db-tunnel` 常驻（0.0.0.0:13306 → doorcome.cn:3306）；**pi5 直连 192.168.1.10:13306** |
 | 调度器 | APScheduler，systemd `a-share-research.service`（pi5）；每天 07:00 首次任务生成日报（12/18/22 点不生成） |
-| LLM | `deepseek-v4-flash`（绝不允许擅自修改；模型必须显式配置，无内置兜底） |
+| LLM | 场景化配置 `configs/llm_models.yaml`（4 场景: event_extraction/daily_report/stock_report/embedding）；YAML 优先、`.env` 兜底；模型必须显式配置，无内置兜底 |
+| 去重 | 多源记录：指纹库 `source_ids` 列 + uniques JSON `sources` 字段 + `data/deduped/{day}/sources.json` |
 | 服务器 | `pi@192.168.1.160`（生产）/ `pi@192.168.1.10`（DB 隧道宿主） |
 | 抓取方式 | js_render=false → httpx 直连；js_render=true → Playwright |
 
 ---
 
+## 本次完成 (2026-08-11) — 大模型场景化配置 + 去重多源记录
+
+**目标：** ① 梳理全部 AI 大模型使用点，新增 `configs/llm_models.yaml` 按场景独立配置 provider/model；② 去重时记录一条唯一新闻的全部来源。
+
+**1. 大模型使用点梳理（共 4 个场景，详见 configs/llm_models.yaml 内注释）：**
+- `event_extraction`（M4 投资事件抽取，JSON mode，llm/extractor.py）
+- `daily_report`（日报 AI 摘要，scheduler/reporter.py）
+- `stock_report`（个股 AI 要点分析，scheduler/stock_reporter.py）
+- `embedding`（向量化，dashscope 远程 / local-bge 本地，embedding/remote.py + local.py）
+- 非使用点确认：crawler 纯抓取、MCP 仅复用 embedding、run_xwlb 抓外部「AI 精编」数据源
+
+**2. 场景配置实现（优先级: CLI 显式参数 > YAML > .env > 内置默认）：**
+- 新增 `configs/loader.py`（lru_cache 读 llm_models.yaml）+ `configs/__init__.py`
+- `llm/client.py`：`load_llm_config(scene=...)` 支持场景；`LLMConfig` 增加 `max_attempts`；模型缺失仍报错（无内置兜底）
+- `llm/extractor.py`：`extract_event(_async)` 的 max_attempts 默认取 `config.max_attempts`
+- `embedding/factory.py` + `remote.py` + `local.py`：provider/model/api_key_env/base_url_env/batch_limit 支持场景覆盖
+- `scheduler/reporter.py`（daily_report）+ `stock_reporter.py`（stock_report）：接入场景，temperature 取配置
+- YAML 中 provider/model 默认留空 → 回退 .env，**现有部署零改动兼容**
+
+**3. 去重多源记录：**
+- `dedup/models.py`：`Fingerprint.source_ids`（validator 保主源居首+去重）；`DedupResult` 增 `matched_source_id`/`all_source_ids`
+- `dedup/store.py`：指纹库加 `source_ids` 列，旧库自动 ALTER 迁移，旧数据回退 `[source_id]`
+- `dedup/deduper.py`：`ingest` 命中重复时把新源合并进匹配指纹
+- `scripts/run_dedup.py`：uniques JSON 附加 `sources` 字段；重复命中时仅更新 sources 不覆盖原文；输出 `data/deduped/{day}/sources.json` 汇总
+
+**验证（Mac 本地）：**
+- 全量 pytest：**215 passed**（仅 crawler 3 个 retry mock 失败为基线预存在问题，与本改动无关）
+- 端到端人工构造 3 源同文：1 条唯一 + sources.json `["cls","eastmoney","sina"]` + 指纹库 source_ids 列正确
+- ruff：9 个错误均为基线既有（crawler/cninfo.py 未用 import、reporter.py L5/L4 命名），本次零新增
+
+**待办：**
+- 生产同步：代码 + `configs/llm_models.yaml` scp 到 pi5（注意 rsync 排除规则含 configs/*.yaml，需显式同步），重启 `a-share-research` 生效
+- 首次同步前 pi5 无 YAML → 全部回退 .env，行为不变，可平滑切换
+
+---
+
 ## 本次完成 (2026-08-05) — 日报可靠性修复与取数逻辑优化
 
 **目标：** 解决日报 AI 摘要偶发失败；修正日报日期与 xwlb/新闻取数语义。

dedup/deduper.py

@@ -35,7 +35,10 @@ def _publish_date(article: Article) -> str | None:
 
 
 def article_to_fingerprint(article: Article) -> Fingerprint:
-    """构造 Fingerprint(用于 ingest 写入或对外只读)。"""
+    """构造 Fingerprint(用于 ingest 写入或对外只读)。
+
+    source_ids 初始为 [article.source_id],后续重复文章命中时由 ingest 合并。
+    """
     return Fingerprint(
         url_hash=article.url_hash,
         content_hash=content_hash(article.content),
@@ -45,6 +48,7 @@ def article_to_fingerprint(article: Article) -> Fingerprint:
         title=article.title,
         publish_date=_publish_date(article),
         ingested_at=datetime.now(),
+        source_ids=[article.source_id],
     )
 
 
@@ -80,7 +84,7 @@ class Deduper:
     # ------------------------------------------------------------------ #
 
     def check(self, article: Article) -> DedupResult:
-        """三层判重(只读)。"""
+        """三层判重(只读)。命中时附带匹配指纹的多源信息(all_source_ids)。"""
         fp = article_to_fingerprint(article)
 
         # L1: URL hash
@@ -93,6 +97,8 @@ class Deduper:
                 matched_url_hash=existing.url_hash,
                 matched_url=existing.url,
                 matched_title=existing.title,
+                matched_source_id=existing.source_id,
+                all_source_ids=existing.source_ids,
             )
 
         # L2: 内容 hash
@@ -105,6 +111,8 @@ class Deduper:
                 matched_url_hash=existing.url_hash,
                 matched_url=existing.url,
                 matched_title=existing.title,
+                matched_source_id=existing.source_id,
+                all_source_ids=existing.source_ids,
             )
 
         # L3: SimHash 模糊
@@ -129,20 +137,40 @@ class Deduper:
                 matched_url_hash=best_match.url_hash,
                 matched_url=best_match.url,
                 matched_title=best_match.title,
+                matched_source_id=best_match.source_id,
+                all_source_ids=best_match.source_ids,
                 hamming_distance=best_dist,
             )
 
         return DedupResult(url_hash=fp.url_hash, is_duplicate=False)
 
     def ingest(self, article: Article) -> DedupResult:
-        """判重 + 不重复则入库。"""
+        """判重 + 不重复则入库。
+
+        命中重复时,把当前文章的 source_id 合并进匹配指纹的 source_ids
+        (记录同一内容组的全部来源),并更新 all_source_ids 后返回。
+        """
         result = self.check(article)
         if not result.is_duplicate:
             fp = article_to_fingerprint(article)
             self.store.upsert(fp)
             logger.debug("入库: {} {}", fp.url_hash, fp.title[:30])
-        else:
+            return result
-            logger.debug("命中重复: {}", result.short_summary())
+
+        # 重复:合并来源到匹配指纹(主源保持首位,Fingerprint validator 负责去重)
+        if result.matched_url_hash and article.source_id not in result.all_source_ids:
+            matched = self.store.get_by_url_hash(result.matched_url_hash)
+            if matched is not None:
+                merged = [*matched.source_ids, article.source_id]
+                self.store.upsert(matched.model_copy(update={"source_ids": merged}))
+                result = result.model_copy(
+                    update={"all_source_ids": merged}
+                )
+                logger.debug(
+                    "合并来源 {} -> {} ({} 个源)",
+                    article.source_id, result.matched_url_hash, len(merged),
+                )
+        logger.debug("命中重复: {}", result.short_summary())
         return result
 
     def stats(self) -> DedupStats:

dedup/models.py

@@ -4,9 +4,9 @@ from __future__ import annotations
 
 from datetime import datetime
 from enum import StrEnum
-from typing import Literal
+from typing import Literal, Self
 
-from pydantic import BaseModel, Field
+from pydantic import BaseModel, Field, model_validator
 
 
 class DedupLayer(StrEnum):
@@ -18,7 +18,12 @@ class DedupLayer(StrEnum):
 
 
 class Fingerprint(BaseModel):
-    """单篇文章的指纹记录,持久化到 SQLite。"""
+    """单篇文章的指纹记录,持久化到 SQLite。
+
+    source_ids: 同一内容组(去重后视为同一篇新闻)的全部来源列表,
+                第一位是主源(即本指纹的 source_id);重复文章命中时由
+                Deduper.ingest 自动合并,实现「一条唯一新闻记录多个源」。
+    """
 
     url_hash: str = Field(..., description="主键,与 Article.url_hash 一致")
     content_hash: str = Field(..., description="标准化 content 的 SHA1[:16]")
@@ -28,6 +33,20 @@ class Fingerprint(BaseModel):
     title: str
     publish_date: str | None = Field(default=None, description="YYYY-MM-DD,用于时间窗口")
     ingested_at: datetime = Field(default_factory=datetime.now)
+    source_ids: list[str] = Field(
+        default_factory=list,
+        description="同内容组全部来源(去重合并),始终包含 source_id 且其居首",
+    )
+
+    @model_validator(mode="after")
+    def _ensure_source_ids(self) -> Self:
+        """保证 source_ids 非空、去重且以主源 source_id 开头。"""
+        seen: list[str] = []
+        for s in [self.source_id, *self.source_ids]:
+            if s and s not in seen:
+                seen.append(s)
+        self.source_ids = seen
+        return self
 
 
 class DedupResult(BaseModel):
@@ -39,6 +58,13 @@ class DedupResult(BaseModel):
     matched_url_hash: str | None = None
     matched_url: str | None = None
     matched_title: str | None = None
+    matched_source_id: str | None = Field(
+        default=None, description="匹配指纹的主源 source_id"
+    )
+    all_source_ids: list[str] = Field(
+        default_factory=list,
+        description="该内容组(唯一新闻)的全部来源;含匹配指纹自身的来源",
+    )
     hamming_distance: int | None = Field(
         default=None, description="仅 SimHash 层有值"
     )

dedup/store.py

@@ -3,10 +3,14 @@
 注意:SimHash 是 64 位无符号整数,SQLite INTEGER 是 64 位有符号
 (范围 [-2^63, 2^63-1])。直接存可能溢出/转负数,虽然 XOR 仍然
 正确但语义混乱。这里统一存为 16 位 hex TEXT,避免符号问题。
+
+source_ids 列存 JSON 数组文本(同一内容组全部来源);旧库无此列时
+自动 ALTER TABLE 迁移,旧数据读取时回退为 [source_id]。
 """
 
 from __future__ import annotations
 
+import json
 import sqlite3
 from datetime import datetime, timedelta
 from pathlib import Path
@@ -27,13 +31,17 @@ CREATE TABLE IF NOT EXISTS fingerprints (
     url TEXT NOT NULL,
     title TEXT NOT NULL,
     publish_date TEXT,
-    ingested_at TEXT NOT NULL
+    ingested_at TEXT NOT NULL,
+    source_ids TEXT
 );
 CREATE INDEX IF NOT EXISTS idx_content_hash ON fingerprints(content_hash);
 CREATE INDEX IF NOT EXISTS idx_publish_date ON fingerprints(publish_date);
 CREATE INDEX IF NOT EXISTS idx_source_id ON fingerprints(source_id);
 """
 
+# 兼容旧库:为已存在但缺少 source_ids 列的表补列
+_ALTER_SQL = "ALTER TABLE fingerprints ADD COLUMN source_ids TEXT"
+
 
 def _to_hex(simhash: int) -> str:
     return f"{simhash:016x}"
@@ -43,6 +51,25 @@ def _from_hex(hex_str: str) -> int:
     return int(hex_str, 16)
 
 
+def _to_sources_json(source_ids: list[str]) -> str:
+    return json.dumps(source_ids, ensure_ascii=False)
+
+
+def _from_sources_json(raw: str | None, fallback: str) -> list[str]:
+    """解析 source_ids 列;NULL/损坏时回退 [主源]。"""
+    if not raw:
+        return [fallback]
+    try:
+        val = json.loads(raw)
+    except (TypeError, ValueError):
+        return [fallback]
+    if isinstance(val, list) and val:
+        # 保证主源在首位(兼容手改/旧数据)
+        cleaned = [s for s in val if s and s != fallback]
+        return [fallback, *cleaned]
+    return [fallback]
+
+
 def _row_to_fp(row: sqlite3.Row) -> Fingerprint:
     return Fingerprint(
         url_hash=row["url_hash"],
@@ -53,6 +80,7 @@ def _row_to_fp(row: sqlite3.Row) -> Fingerprint:
         title=row["title"],
         publish_date=row["publish_date"],
         ingested_at=datetime.fromisoformat(row["ingested_at"]),
+        source_ids=_from_sources_json(row["source_ids"], row["source_id"]),
     )
 
 
@@ -67,8 +95,17 @@ class FingerprintStore:
         )
         self._conn.row_factory = sqlite3.Row
         self._conn.executescript(_SCHEMA_SQL)
+        self._migrate_source_ids()
         logger.debug("打开指纹库: {}", self.db_path)
 
+    def _migrate_source_ids(self) -> None:
+        """旧库兼容:为缺少 source_ids 列的表补列(新库无需执行)。"""
+        try:
+            self._conn.execute(_ALTER_SQL)
+            logger.info("指纹库迁移:为 fingerprints 表新增 source_ids 列")
+        except sqlite3.OperationalError:
+            logger.debug("source_ids 列已存在,跳过迁移")
+
     def close(self) -> None:
         self._conn.close()
 
@@ -148,7 +185,7 @@ class FingerprintStore:
         self._conn.execute(
             "INSERT OR REPLACE INTO fingerprints "
             "(url_hash, content_hash, simhash_hex, source_id, url, title, "
-            " publish_date, ingested_at) VALUES (?, ?, ?, ?, ?, ?, ?, ?)",
+            " publish_date, ingested_at, source_ids) VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?)",
             (
                 fp.url_hash,
                 fp.content_hash,
@@ -158,6 +195,7 @@ class FingerprintStore:
                 fp.title,
                 fp.publish_date,
                 fp.ingested_at.isoformat(),
+                _to_sources_json(fp.source_ids),
             ),
         )
 

embedding/factory.py

@@ -1,9 +1,14 @@
-"""Embedding provider 工厂:根据环境变量构造合适后端。"""
+"""Embedding provider 工厂:根据配置构造合适后端。
+
+配置优先级: 显式参数 > configs/llm_models.yaml scenes.embedding > .env > 默认。
+"""
 
 from __future__ import annotations
 
 import os
 
+from configs.loader import load_scene_config
+
 from .base import AsyncEmbeddingProvider, EmbeddingProvider
 from .models import EmbeddingError, EmbeddingProviderType
 from .remote import (
@@ -20,14 +25,20 @@ def _read_env(key: str, default: str | None = None) -> str | None:
 
 
 def resolve_provider_type(provider: str | None = None) -> EmbeddingProviderType:
-    """根据 provider 参数 / env 解析出 EmbeddingProviderType。
+    """根据 provider 参数 / YAML 场景 / env 解析出 EmbeddingProviderType。
 
     映射:
         dashscope / qwen / remote     -> DASHSCOPE
         local / local-bge / bge / bge-m3 -> LOCAL_BGE
     默认 dashscope。
     """
-    p = (provider or _read_env("EMBEDDING_PROVIDER", "dashscope") or "dashscope").lower()
+    scene_provider = load_scene_config("embedding").get("provider")
+    p = (
+        provider
+        or scene_provider
+        or _read_env("EMBEDDING_PROVIDER", "dashscope")
+        or "dashscope"
+    ).lower()
     if p in ("dashscope", "qwen", "remote"):
         return EmbeddingProviderType.DASHSCOPE
     if p in ("local", "local-bge", "bge", "bge-m3"):

embedding/local.py

@@ -21,6 +21,8 @@ from .models import EmbeddingError
 if TYPE_CHECKING:
     from sentence_transformers import SentenceTransformer
 
+from configs.loader import load_scene_config
+
 LOCAL_DEFAULT_MODEL = "BAAI/bge-m3"
 LOCAL_DEFAULT_DIM = 1024
 
@@ -56,10 +58,12 @@ class LocalBGEEmbeddingProvider(EmbeddingProvider):
         normalize: bool = True,
     ) -> None:
         st_cls = _try_import_st()
-        # 模型优先级:CLI/参数 > LOCAL_EMBEDDING_MODEL > 默认值
+        # 模型优先级:CLI/参数 > YAML scenes.embedding > LOCAL_EMBEDDING_MODEL > 默认值
         # 不读全局 EMBEDDING_MODEL,避免与 DashScope 冲突
+        scene_model = load_scene_config("embedding").get("model")
         self.model = (
             model
+            or scene_model
             or _read_env("LOCAL_EMBEDDING_MODEL", LOCAL_DEFAULT_MODEL)
             or LOCAL_DEFAULT_MODEL
         )

embedding/remote.py

@@ -5,10 +5,14 @@
     model:    text-embedding-v3 (1024 维)
     限制:     单次请求 input ≤ 25 条
 
-环境变量:
+配置来源(优先级从高到低):
-    DASHSCOPE_API_KEY
+    1. 构造参数(model / api_key / base_url / max_attempts)
-    QWEN_BASE_URL                 (默认百炼兼容路径)
+    2. configs/llm_models.yaml 的 scenes.embedding
-    EMBEDDING_MODEL               (默认 text-embedding-v3)
+    3. 环境变量 / .env:
+       DASHSCOPE_EMBEDDING_API_KEY / DASHSCOPE_API_KEY
+       DASHSCOPE_EMBEDDING_BASE_URL / QWEN_BASE_URL
+       DASHSCOPE_EMBEDDING_MODEL
+    4. 代码内置默认值(text-embedding-v3 / 1024 维)
 """
 
 from __future__ import annotations
@@ -19,6 +23,8 @@ import os
 from loguru import logger
 from openai import AsyncOpenAI, OpenAI
 
+from configs.loader import load_scene_config
+
 from .base import AsyncEmbeddingProvider, EmbeddingProvider
 from .models import EmbeddingError
 
@@ -32,6 +38,9 @@ DEFAULT_MAX_ATTEMPTS = 3
 RETRY_BASE_WAIT_SEC = 1.0
 RETRY_MAX_WAIT_SEC = 8.0
 
+# embedding 场景名(对应 configs/llm_models.yaml scenes.embedding)
+SCENE_EMBEDDING = "embedding"
+
 
 def _read_env(key: str, default: str | None = None) -> str | None:
     val = os.environ.get(key)
@@ -40,23 +49,48 @@ def _read_env(key: str, default: str | None = None) -> str | None:
     return val.strip()
 
 
+def _scene() -> dict:
+    """读取 YAML embedding 场景配置(不存在时为空 dict)。"""
+    return load_scene_config(SCENE_EMBEDDING)
+
+
+def _scene_int(key: str, default: int) -> int:
+    try:
+        return int(_scene().get(key) or default)
+    except (TypeError, ValueError):
+        return default
+
+
+def _scene_float(key: str, default: float) -> float:
+    try:
+        return float(_scene().get(key) or default)
+    except (TypeError, ValueError):
+        return default
+
+
 def _resolve_config() -> tuple[str, str, str]:
     """读取 API key / base_url / model,返回 (api_key, base_url, model)。
 
+    优先级: YAML 场景 > 环境变量 > 内置默认。
     模型名优先级:DASHSCOPE_EMBEDDING_MODEL > 默认值。
     不再读全局 EMBEDDING_MODEL,避免与 LOCAL provider 冲突。
     """
-    api_key = _read_env("DASHSCOPE_EMBEDDING_API_KEY") or _read_env("DASHSCOPE_API_KEY") or ""
+    sc = _scene()
+    api_key_env = sc.get("api_key_env") or "DASHSCOPE_EMBEDDING_API_KEY"
+    api_key = _read_env(api_key_env) or _read_env("DASHSCOPE_API_KEY") or ""
     if not api_key:
-        raise EmbeddingError("DASHSCOPE_EMBEDDING_API_KEY 或 DASHSCOPE_API_KEY 未配置")
+        raise EmbeddingError(
-    # DASHSCOPE_EMBEDDING_BASE_URL -> QWEN_BASE_URL(兜底) -> 默认
+            f"{api_key_env} 或 DASHSCOPE_API_KEY 未配置"
+        )
+    # YAML base_url_env -> DASHSCOPE_EMBEDDING_BASE_URL -> QWEN_BASE_URL(兜底) -> 默认
     base_url = (
-        _read_env("DASHSCOPE_EMBEDDING_BASE_URL")
+        _read_env(sc.get("base_url_env") or "DASHSCOPE_EMBEDDING_BASE_URL")
         or _read_env("QWEN_BASE_URL")
         or DASHSCOPE_DEFAULT_BASE
     )
     model = (
-        _read_env("DASHSCOPE_EMBEDDING_MODEL", DASHSCOPE_DEFAULT_MODEL)
+        sc.get("model")
+        or _read_env("DASHSCOPE_EMBEDDING_MODEL", DASHSCOPE_DEFAULT_MODEL)
         or DASHSCOPE_DEFAULT_MODEL
     )
     return api_key, base_url, model
@@ -78,24 +112,27 @@ class DashScopeEmbeddingProvider(EmbeddingProvider):
         model: str | None = None,
         api_key: str | None = None,
         base_url: str | None = None,
-        timeout_sec: float = 60.0,
+        timeout_sec: float | None = None,
-        max_attempts: int = DEFAULT_MAX_ATTEMPTS,
+        max_attempts: int | None = None,
+        batch_limit: int | None = None,
     ) -> None:
         env_key, env_base, env_model = _resolve_config()
         self.model = model or env_model
         self.dim = DASHSCOPE_DEFAULT_DIM
-        self.max_attempts = max_attempts
+        self.max_attempts = max_attempts or _scene_int("max_attempts", DEFAULT_MAX_ATTEMPTS)
+        self.batch_limit = batch_limit or _scene_int("batch_limit", DASHSCOPE_BATCH_LIMIT)
+        timeout = timeout_sec or _scene_float("timeout_sec", 60.0)
         self._client = OpenAI(
             api_key=api_key or env_key,
             base_url=base_url or env_base,
-            timeout=timeout_sec,
+            timeout=timeout,
         )
 
     def embed_batch(self, texts: list[str]) -> list[list[float]]:
         if not texts:
             return []
         results: list[list[float]] = []
-        for chunk in _chunked(texts, DASHSCOPE_BATCH_LIMIT):
+        for chunk in _chunked(texts, self.batch_limit):
             results.extend(self._call_with_retry(chunk))
         return results
 
@@ -136,24 +173,27 @@ class DashScopeAsyncEmbeddingProvider(AsyncEmbeddingProvider):
         model: str | None = None,
         api_key: str | None = None,
         base_url: str | None = None,
-        timeout_sec: float = 60.0,
+        timeout_sec: float | None = None,
-        max_attempts: int = DEFAULT_MAX_ATTEMPTS,
+        max_attempts: int | None = None,
+        batch_limit: int | None = None,
     ) -> None:
         env_key, env_base, env_model = _resolve_config()
         self.model = model or env_model
         self.dim = DASHSCOPE_DEFAULT_DIM
-        self.max_attempts = max_attempts
+        self.max_attempts = max_attempts or _scene_int("max_attempts", DEFAULT_MAX_ATTEMPTS)
+        self.batch_limit = batch_limit or _scene_int("batch_limit", DASHSCOPE_BATCH_LIMIT)
+        timeout = timeout_sec or _scene_float("timeout_sec", 60.0)
         self._client = AsyncOpenAI(
             api_key=api_key or env_key,
             base_url=base_url or env_base,
-            timeout=timeout_sec,
+            timeout=timeout,
         )
 
     async def embed_batch(self, texts: list[str]) -> list[list[float]]:
         if not texts:
             return []
         results: list[list[float]] = []
-        for chunk in _chunked(texts, DASHSCOPE_BATCH_LIMIT):
+        for chunk in _chunked(texts, self.batch_limit):
             results.extend(await self._call_with_retry(chunk))
         return results
 

llm/__init__.py

@@ -8,15 +8,18 @@
 """
 
 from .client import (
+    DEFAULT_MAX_ATTEMPTS,
     DEFAULT_TEMPERATURE,
     DEFAULT_TIMEOUT_SEC,
+    SCENE_DAILY_REPORT,
+    SCENE_EVENT_EXTRACTION,
+    SCENE_STOCK_REPORT,
     LLMConfig,
     load_llm_config,
     make_async_client,
     make_sync_client,
 )
 from .extractor import (
-    DEFAULT_MAX_ATTEMPTS,
     DEFAULT_PROMPT_PATH,
     MAX_CONTENT_CHARS,
     PromptTemplate,
@@ -43,6 +46,9 @@ __all__ = [
     "MAX_CONTENT_CHARS",
     "MAX_IMPORTANCE",
     "MIN_IMPORTANCE",
+    "SCENE_DAILY_REPORT",
+    "SCENE_EVENT_EXTRACTION",
+    "SCENE_STOCK_REPORT",
     "EventExtraction",
     "ExtractedEvent",
     "LLMCallError",

llm/client.py

@@ -2,7 +2,13 @@
 
 支持 DeepSeek 和 Qwen(百炼),两者均为 OpenAI 兼容接口,共用 openai SDK。
 
-环境变量:
+配置来源(优先级从高到低):
+    1. 代码 / CLI 显式参数(provider / model)
+    2. configs/llm_models.yaml 场景配置(scene 参数,见 configs/loader.py)
+    3. 环境变量 / .env(LLM_PROVIDER、DEEPSEEK_MODEL 等,向后兼容)
+    4. 代码内置默认值
+
+环境变量(兜底):
     LLM_PROVIDER       = deepseek | qwen        (默认 deepseek)
     DeepSeek: DEEPSEEK_API_KEY / DEEPSEEK_BASE_URL / DEEPSEEK_MODEL
     Qwen:     QWEN_API_KEY / QWEN_BASE_URL / QWEN_MODEL
@@ -19,6 +25,8 @@ from dataclasses import dataclass
 from loguru import logger
 from openai import AsyncOpenAI, OpenAI
 
+from configs.loader import load_defaults, load_scene_config
+
 # 默认基址
 _DEEPSEEK_DEFAULT_BASE = "https://api.deepseek.com"
 _QWEN_DEFAULT_BASE = "https://dashscope.aliyuncs.com/compatible-mode/v1"
@@ -26,6 +34,12 @@ _QWEN_DEFAULT_BASE = "https://dashscope.aliyuncs.com/compatible-mode/v1"
 # 抽取任务默认参数
 DEFAULT_TIMEOUT_SEC = 60.0
 DEFAULT_TEMPERATURE = 0.1
+DEFAULT_MAX_ATTEMPTS = 3
+
+# 场景名 -> configs/llm_models.yaml 中 scenes 的 key
+SCENE_EVENT_EXTRACTION = "event_extraction"
+SCENE_DAILY_REPORT = "daily_report"
+SCENE_STOCK_REPORT = "stock_report"
 
 
 @dataclass
@@ -38,6 +52,7 @@ class LLMConfig:
     base_url: str
     timeout_sec: float = DEFAULT_TIMEOUT_SEC
     temperature: float = DEFAULT_TEMPERATURE
+    max_attempts: int = DEFAULT_MAX_ATTEMPTS  # 单次任务失败重试次数
 
     def __post_init__(self) -> None:
         if not self.api_key:
@@ -51,49 +66,122 @@ def _read_env(key: str, default: str | None = None) -> str | None:
     return val.strip()
 
 
+def _first_env(keys: list[str | None]) -> str | None:
+    """按顺序返回第一个非空的环境变量值。"""
+    for k in keys:
+        if not k:
+            continue
+        v = _read_env(k)
+        if v:
+            return v
+    return None
+
+
+def _num(value: object) -> float | None:
+    """把 YAML 数字/字符串安全转 float;非法或为空返回 None。"""
+    if value is None or value == "":
+        return None
+    try:
+        return float(value)
+    except (TypeError, ValueError):
+        return None
+
+
 def load_llm_config(
     provider: str | None = None,
     *,
     model: str | None = None,
+    scene: str | None = None,
 ) -> LLMConfig:
-    """根据环境变量构造 LLMConfig。
+    """按优先级构造 LLMConfig:显式参数 > YAML 场景 > 环境变量 > 内置默认。
 
-    provider 为 None 时读 LLM_PROVIDER 环境变量,默认 deepseek。
+    scene 对应 configs/llm_models.yaml 中 scenes 的 key
-    model 为 None 时读 LLM_MODEL 或 provider 默认。
+    (event_extraction / daily_report / stock_report),该场景未配置的字段
+    回退到环境变量,保持向后兼容。
     """
-    p = (provider or _read_env("LLM_PROVIDER", "deepseek") or "deepseek").lower()
+    sc = load_scene_config(scene or "")
+    dflt = load_defaults()
+
+    p = (
+        provider
+        or sc.get("provider")
+        or _read_env("LLM_PROVIDER", "deepseek")
+        or "deepseek"
+    ).lower()
+
+    # 各 provider 的 api_key / base_url / model 环境变量链
+    provider_envs: dict[str, tuple[list[str | None], list[str | None], list[str | None]]] = {
+        "deepseek": (
+            [sc.get("api_key_env"), "DEEPSEEK_API_KEY"],
+            [sc.get("base_url_env"), "DEEPSEEK_BASE_URL"],
+            ["DEEPSEEK_MODEL", "LLM_MODEL"],
+        ),
+        "qwen": (
+            [sc.get("api_key_env"), "QWEN_API_KEY", "DASHSCOPE_API_KEY"],
+            [sc.get("base_url_env"), "QWEN_BASE_URL"],
+            ["QWEN_MODEL", "LLM_MODEL"],
+        ),
+    }
 
     if p == "deepseek":
-        api_key = _read_env("DEEPSEEK_API_KEY") or ""
+        key_envs, base_envs, model_envs = provider_envs["deepseek"]
-        base = _read_env("DEEPSEEK_BASE_URL", _DEEPSEEK_DEFAULT_BASE) or _DEEPSEEK_DEFAULT_BASE
+        default_base = _DEEPSEEK_DEFAULT_BASE
-        # DEEPSEEK_MODEL → LLM_MODEL；模型必须显式配置，不提供内置默认
-        m = model or _read_env("DEEPSEEK_MODEL") or _read_env("LLM_MODEL")
-        if not m:
-            raise ValueError("未配置 LLM 模型: 请设置 DEEPSEEK_MODEL 或 LLM_MODEL")
     elif p in ("qwen", "dashscope"):
-        api_key = _read_env("QWEN_API_KEY") or _read_env("DASHSCOPE_API_KEY") or ""
+        key_envs, base_envs, model_envs = provider_envs["qwen"]
-        base = _read_env("QWEN_BASE_URL", _QWEN_DEFAULT_BASE) or _QWEN_DEFAULT_BASE
+        default_base = _QWEN_DEFAULT_BASE
-        # QWEN_MODEL → LLM_MODEL；模型必须显式配置，不提供内置默认
-        m = model or _read_env("QWEN_MODEL") or _read_env("LLM_MODEL")
-        if not m:
-            raise ValueError("未配置 LLM 模型: 请设置 QWEN_MODEL 或 LLM_MODEL")
         p = "qwen"  # 内部统一用 qwen
     else:
         raise ValueError(f"未知 LLM provider: {p!r},仅支持 deepseek / qwen")
 
-    timeout = float(_read_env("LLM_TIMEOUT_SEC", str(DEFAULT_TIMEOUT_SEC)) or DEFAULT_TIMEOUT_SEC)
+    api_key = _first_env(key_envs) or ""
-    temperature = float(_read_env("LLM_TEMPERATURE", str(DEFAULT_TEMPERATURE)) or DEFAULT_TEMPERATURE)
+    base_url = _first_env(base_envs) or default_base
+    # 模型优先级:显式参数 > YAML 场景 > 环境变量;模型必须显式配置,无内置兜底
+    m = model or sc.get("model") or _first_env(model_envs)
+    if not m:
+        env_hint = "/".join(v for v in model_envs if v)
+        raise ValueError(
+            f"未配置 LLM 模型(场景 {scene or 'default'}): "
+            f"请在 configs/llm_models.yaml 的 model 或 .env 设置 {env_hint}"
+        )
+
+    timeout = _pick_float(sc, dflt, "timeout_sec", "LLM_TIMEOUT_SEC", DEFAULT_TIMEOUT_SEC)
+    temperature = _pick_float(sc, dflt, "temperature", "LLM_TEMPERATURE", DEFAULT_TEMPERATURE)
+    max_attempts = _pick_int(sc, "max_attempts", DEFAULT_MAX_ATTEMPTS)
 
     return LLMConfig(
         provider=p,
         model=m,
         api_key=api_key,
-        base_url=base,
+        base_url=base_url,
         timeout_sec=timeout,
         temperature=temperature,
+        max_attempts=max_attempts,
     )
 
 
+def _pick_float(
+    sc: dict,
+    dflt: dict,
+    sc_key: str,
+    env_key: str,
+    default: float,
+) -> float:
+    """数值参数选择:YAML 场景 > 环境变量 > YAML defaults > 内置默认(零值合法)。"""
+    v = _num(sc.get(sc_key))
+    if v is not None:
+        return v
+    v = _num(_read_env(env_key))
+    if v is not None:
+        return v
+    v = _num(dflt.get(sc_key))
+    return v if v is not None else default
+
+
+def _pick_int(sc: dict, sc_key: str, default: int) -> int:
+    v = _num(sc.get(sc_key))
+    return int(v) if v is not None else default
+
+
 def make_sync_client(config: LLMConfig) -> OpenAI:
     """构造同步 OpenAI 客户端(指向 DeepSeek/Qwen 兼容端点)。"""
     logger.debug(

llm/extractor.py

@@ -187,11 +187,15 @@ def extract_event(
     article: Article,
     *,
     template: PromptTemplate | None = None,
-    max_attempts: int = DEFAULT_MAX_ATTEMPTS,
+    max_attempts: int | None = None,
 ) -> ExtractedEvent:
-    """同步抽取单篇文章的事件(带重试)。"""
+    """同步抽取单篇文章的事件(带重试)。
+
+    max_attempts 为 None 时使用 config.max_attempts(来自 YAML/环境变量配置)。
+    """
     tpl = template or PromptTemplate()
     prompt = tpl.render(article)
+    max_attempts = max_attempts or config.max_attempts
 
     last_err: Exception | None = None
     for attempt in range(1, max_attempts + 1):
@@ -241,12 +245,16 @@ async def extract_event_async(
     article: Article,
     *,
     template: PromptTemplate | None = None,
-    max_attempts: int = DEFAULT_MAX_ATTEMPTS,
+    max_attempts: int | None = None,
     semaphore: asyncio.Semaphore | None = None,
 ) -> ExtractedEvent:
-    """异步抽取(批处理用),与同步版逻辑等价。"""
+    """异步抽取(批处理用),与同步版逻辑等价。
+
+    max_attempts 为 None 时使用 config.max_attempts。
+    """
     tpl = template or PromptTemplate()
     prompt = tpl.render(article)
+    max_attempts = max_attempts or config.max_attempts
 
     async def _run() -> ExtractedEvent:
         last_err: Exception | None = None

scheduler/reporter.py

@@ -17,7 +17,10 @@ import time
 from collections import Counter
 from datetime import date, datetime, timedelta
 from pathlib import Path
-from typing import Any
+from typing import TYPE_CHECKING, Any
+
+if TYPE_CHECKING:
+    from llm.client import LLMConfig
 
 from dotenv import load_dotenv
 from loguru import logger
@@ -519,10 +522,10 @@ def _generate_ai_summary(news: dict, cninfo: dict, day_str: str,
         return ""
 
     try:
-        from llm.client import load_llm_config, make_sync_client
+        from llm.client import SCENE_DAILY_REPORT, load_llm_config, make_sync_client
-        config = load_llm_config()
+        config = load_llm_config(scene=SCENE_DAILY_REPORT)
         client = make_sync_client(config)
-        return _llm_summarize(client, config.model, lines, day_str)
+        return _llm_summarize(client, config, lines, day_str)
     except Exception as e:
         logger.warning("AI 摘要生成失败: {}", e)
         return ""
@@ -548,8 +551,12 @@ def _split_lines_into_chunks(lines: list[str], max_chars: int = 3000) -> list[li
     return chunks
 
 
-def _llm_summarize(client, model: str, lines: list[str], day_str: str) -> str:
+def _llm_summarize(client, config: LLMConfig, lines: list[str], day_str: str) -> str:
-    """LLM 摘要：单块直接总结，多块先分段总结再合并。"""
+    """LLM 摘要：单块直接总结，多块先分段总结再合并。
+
+    config 为 llm.client.LLMConfig(daily_report 场景),提供 model / temperature。
+    """
+    model = config.model
     chunks = _split_lines_into_chunks(lines)
 
     if len(chunks) == 1:
@@ -609,9 +616,10 @@ def _build_prompt(lines: list[str], day_str: str) -> str:
 直接输出要点列表："""
 
 
-def _llm_call(client, model: str, prompt: str, max_tokens: int = 1500) -> str:
+def _llm_call(client, config: LLMConfig, prompt: str, max_tokens: int = 1500) -> str:
     """单次 LLM 调用（带重试），返回 strip 后的文本。
 
+    config 为 llm.client.LLMConfig(daily_report 场景),提供 model / temperature。
     失败按指数退避重试 `_LLM_RETRY_TIMES` 次（默认 3），全部失败则抛出最后一次异常。
     若 finish_reason 为 'length' 则说明达到 max_tokens 上限被截断。
     """
@@ -619,12 +627,12 @@ def _llm_call(client, model: str, prompt: str, max_tokens: int = 1500) -> str:
     for attempt in range(_LLM_RETRY_TIMES):
         try:
             resp = client.chat.completions.create(
-                model=model,
+                model=config.model,
                 messages=[
                     {"role": "system", "content": "你是 A 股日报撰写助手,输出简洁、有洞察的新闻摘要。"},
                     {"role": "user", "content": prompt},
                 ],
-                temperature=0.3,
+                temperature=config.temperature,
                 max_tokens=max_tokens,
             )
             content = (resp.choices[0].message.content or "").strip()

scheduler/stock_reporter.py

@@ -232,7 +232,7 @@ def _generate_ai_summary(company_name: str, announcements: list[dict],
                          news: list[dict], research: list[dict],
                          irm: list[dict]) -> str:
     """LLM 生成个股要点分析。"""
-    from llm.client import load_llm_config, make_sync_client
+    from llm.client import SCENE_STOCK_REPORT, load_llm_config, make_sync_client
 
     lines = []
 
@@ -277,12 +277,12 @@ def _generate_ai_summary(company_name: str, announcements: list[dict],
 直接输出要点列表:"""
 
     try:
-        config = load_llm_config()
+        config = load_llm_config(scene=SCENE_STOCK_REPORT)
         client = make_sync_client(config)
         resp = client.chat.completions.create(
             model=config.model,
             messages=[{"role": "user", "content": prompt}],
-            temperature=0.3, max_tokens=500,
+            temperature=config.temperature, max_tokens=500,
         )
         return (resp.choices[0].message.content or "").strip()
     except Exception as e:

scripts/run_dedup.py

@@ -2,9 +2,12 @@
 
 输入: data/processed/{source}/{YYYYMMDD}/*.json (M2 产物)
 输出:
-    - 指纹库:data/dedup/fingerprints.sqlite3
+    - 指纹库:data/dedup/fingerprints.sqlite3 (source_ids 列记录多源)
-    - 唯一文章:data/deduped/{YYYYMMDD}/uniques/{url_hash}.json
+    - 唯一文章:data/deduped/{YYYYMMDD}/uniques/{url_hash}.json (含 sources 多源字段)
+    - 多源记录:data/deduped/{YYYYMMDD}/sources.json
+                {url_hash: [source_id, ...]},一条唯一新闻的全部来源
     - 重复记录:data/deduped/{YYYYMMDD}/duplicates.jsonl
+                (含 matched_source_id / matched_source_ids)
 
 用法:
     uv run python -m scripts.run_dedup                       # 处理今日全部源
@@ -56,14 +59,60 @@ def _list_source_dirs(processed_root: Path) -> list[str]:
     return sorted(p.name for p in processed_root.iterdir() if p.is_dir())
 
 
+def _write_unique(
+    url_hash: str,
+    article: Article,
+    uniques_dir: Path,
+    sources_map: dict[str, list[str]],
+) -> None:
+    """写 uniques JSON,附加 sources 多源字段(向后兼容:下游 Pydantic 忽略多余字段)。"""
+    data = json.loads(article.model_dump_json())
+    data["sources"] = list(dict.fromkeys(sources_map.get(url_hash, [article.source_id])))
+    out_path = uniques_dir / f"{url_hash}.json"
+    out_path.write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
+
+
+def _update_unique_sources(
+    url_hash: str,
+    uniques_dir: Path,
+    sources_map: dict[str, list[str]],
+) -> None:
+    """仅更新已存在 uniques 文件的 sources 字段(不覆盖原文内容)。
+
+    跨日命中时对应 uniques 文件在历史日期目录,不在本次处理范围,以指纹库为准。
+    """
+    uniq_path = uniques_dir / f"{url_hash}.json"
+    if not uniq_path.is_file():
+        return
+    try:
+        data = json.loads(uniq_path.read_text(encoding="utf-8"))
+        data["sources"] = list(dict.fromkeys(sources_map.get(url_hash, [])))
+        uniq_path.write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
+    except (json.JSONDecodeError, OSError) as e:
+        logger.warning("更新 uniques 多源失败 {}: {}", uniq_path, e)
+
+
+def _merge_sources(url_hash: str, new_source: str, sources_map: dict[str, list[str]]) -> None:
+    """把新源并入 url_hash 的源列表(去重保序,主源居首)。"""
+    cur = sources_map.setdefault(url_hash, [])
+    if new_source not in cur:
+        cur.append(new_source)
+
+
 def _process_source_day(
     source_id: str,
     day: str,
     processed_root: Path,
     out_root: Path,
     deduper: Deduper,
+    sources_map: dict[str, list[str]],
 ) -> tuple[int, int, Counter]:
-    """处理单源单日。返回 (uniques, duplicates, layer_counter)。"""
+    """处理单源单日。返回 (uniques, duplicates, layer_counter)。
+
+    sources_map: 本次去重涉及内容组的 url_hash -> 全部来源列表(跨源累积,
+    最终写入 data/deduped/{day}/sources.json,供「显示新闻源」使用;
+    跨日命中的历史内容组也会记录,权威多源以指纹库 source_ids 列为准)。
+    """
     src_dir = processed_root / source_id / day
     if not src_dir.is_dir():
         logger.info("源 {} 日期 {} 无 processed 目录,跳过", source_id, day)
@@ -92,6 +141,11 @@ def _process_source_day(
                 dup_cnt += 1
                 if result.matched_layer is not None:
                     layer_cnt[result.matched_layer.value] += 1
+                # 记录多源:把被去重文章的源并入对应唯一新闻
+                if result.matched_url_hash:
+                    _merge_sources(result.matched_url_hash, article.source_id, sources_map)
+                    # 若该唯一新闻文件在当天目录,同步更新其 sources 字段
+                    _update_unique_sources(result.matched_url_hash, uniques_dir, sources_map)
                 dup_f.write(
                     json.dumps(
                         {
@@ -107,6 +161,8 @@ def _process_source_day(
                             "matched_url": result.matched_url,
                             "matched_url_hash": result.matched_url_hash,
                             "matched_title": result.matched_title,
+                            "matched_source_id": result.matched_source_id,
+                            "matched_source_ids": result.all_source_ids,
                             "hamming_distance": result.hamming_distance,
                         },
                         ensure_ascii=False,
@@ -115,8 +171,8 @@ def _process_source_day(
                 )
             else:
                 uniq_cnt += 1
-                out_path = uniques_dir / f"{article.url_hash}.json"
+                sources_map[article.url_hash] = [article.source_id]
-                out_path.write_text(article.model_dump_json(indent=2), encoding="utf-8")
+                _write_unique(article.url_hash, article, uniques_dir, sources_map)
 
     total = uniq_cnt + dup_cnt
     rate = dup_cnt / max(total, 1)
@@ -173,14 +229,35 @@ def main() -> int:
         total_uniq = 0
         total_dup = 0
         total_layers: Counter = Counter()
+        # 当天唯一新闻 url_hash -> 全部来源列表(跨源累积,多源记录)
+        sources_map: dict[str, list[str]] = {}
         for src in sources:
             u, d, lc = _process_source_day(
-                src, args.date, processed_root, out_root, deduper
+                src, args.date, processed_root, out_root, deduper, sources_map
             )
             total_uniq += u
             total_dup += d
             total_layers.update(lc)
 
+        # 多源记录汇总:data/deduped/{day}/sources.json
+        # {url_hash: [source_id, ...]},配合 uniques/{url_hash}.json 的 sources 字段
+        # 与指纹库 source_ids 列,提供「一条唯一新闻多个来源」的完整记录。
+        sources_path = out_root / args.date / "sources.json"
+        sources_path.write_text(
+            json.dumps(
+                {k: v for k, v in sources_map.items() if v},
+                ensure_ascii=False,
+                indent=2,
+            ),
+            encoding="utf-8",
+        )
+        logger.info(
+            "多源记录已写入 {} ({} 条唯一新闻,{} 条含多源)",
+            sources_path,
+            len(sources_map),
+            sum(1 for v in sources_map.values() if len(v) > 1),
+        )
+
         total = total_uniq + total_dup
         rate = total_dup / max(total, 1)
         logger.info(

scripts/run_event_extraction.py

@@ -31,6 +31,7 @@ from pydantic import ValidationError
 
 from extractor import Article
 from llm import (
+    SCENE_EVENT_EXTRACTION,
     ExtractedEvent,
     LLMCallError,
     PromptTemplate,
@@ -88,7 +89,10 @@ def _load_article(p: Path) -> Article | None:
 
 async def _run(args: argparse.Namespace) -> int:
     load_dotenv()  # 读 .env 到 os.environ
-    config = load_llm_config(provider=args.provider, model=args.model)
+    # scene=event_extraction: 读取 configs/llm_models.yaml 场景 1 配置,未配置字段回退 .env
+    config = load_llm_config(
+        provider=args.provider, model=args.model, scene=SCENE_EVENT_EXTRACTION
+    )
     logger.info(
         "LLM provider={} model={} base_url={}",
         config.provider, config.model, config.base_url,

tests/test_dedup.py

@@ -380,3 +380,123 @@ def test_stats_aggregates_by_source(tmp_db: Path) -> None:
         assert stats.total == 3
         assert stats.by_source == {"cls": 2, "sina": 1}
         assert stats.earliest is not None
+
+
+# --------------------------------------------------------------------------- #
+# 多源记录(source_ids)
+# --------------------------------------------------------------------------- #
+
+def test_fingerprint_source_ids_default_to_source() -> None:
+    """source_ids 未显式给定时,自动包含主源 source_id。"""
+    fp = Fingerprint(
+        url_hash="h", content_hash="c", simhash=0,
+        source_id="cls", url="u", title="t",
+    )
+    assert fp.source_ids == ["cls"]
+
+
+def test_fingerprint_source_ids_keeps_main_source_first() -> None:
+    """source_ids 无论怎么传,主源 source_id 始终居首且去重。"""
+    fp = Fingerprint(
+        url_hash="h", content_hash="c", simhash=0,
+        source_id="cls", url="u", title="t",
+        source_ids=["sina", "cls", "eastmoney", "sina"],
+    )
+    assert fp.source_ids[0] == "cls"
+    assert len(fp.source_ids) == len(set(fp.source_ids))  # 无重复
+
+
+def test_store_persists_source_ids(tmp_db: Path) -> None:
+    fp = Fingerprint(
+        url_hash="h", content_hash="c", simhash=0,
+        source_id="cls", url="u", title="t",
+        source_ids=["cls", "sina", "eastmoney"],
+    )
+    with FingerprintStore(tmp_db) as store:
+        store.upsert(fp)
+        got = store.get_by_url_hash("h")
+        assert got is not None
+        assert got.source_ids == ["cls", "sina", "eastmoney"]
+
+
+def test_store_migrates_old_schema_without_source_ids(tmp_db: Path) -> None:
+    """旧库(无 source_ids 列)打开时应自动迁移,旧数据回退为 [source_id]。"""
+    import sqlite3
+
+    conn = sqlite3.connect(tmp_db)
+    conn.executescript(
+        "CREATE TABLE fingerprints ("
+        " url_hash TEXT PRIMARY KEY, content_hash TEXT NOT NULL, simhash_hex TEXT NOT NULL,"
+        " source_id TEXT NOT NULL, url TEXT NOT NULL, title TEXT NOT NULL,"
+        " publish_date TEXT, ingested_at TEXT NOT NULL);"
+    )
+    conn.execute(
+        "INSERT INTO fingerprints VALUES (?, ?, ?, ?, ?, ?, ?, ?)",
+        ("old1", "ch1", "0000000000000000", "cls", "u1", "t1", "2026-06-01", "2026-06-01T00:00:00"),
+    )
+    conn.commit()
+    conn.close()
+
+    with FingerprintStore(tmp_db) as store:
+        got = store.get_by_url_hash("old1")
+        assert got is not None
+        assert got.source_ids == ["cls"]  # 迁移后回退主源
+        # 迁移后可正常写入多源
+        store.upsert(Fingerprint(
+            url_hash="new1", content_hash="c2", simhash=1,
+            source_id="sina", url="u2", title="t2",
+            source_ids=["sina", "cls"],
+        ))
+        assert store.get_by_url_hash("new1") is not None  # type: ignore[union-attr]
+
+
+def test_ingest_merges_sources_on_duplicate(tmp_db: Path) -> None:
+    """同一内容被多个源发布时,重复文章的来源并入唯一新闻指纹。"""
+    body = "宁德时代今日发布新一代麒麟电池,能量密度 255Wh/kg。" * 4
+    a1 = _article(source_id="cls", url="https://cls/a", url_hash="aaaa111111111111",
+                  content=body)
+    a2 = _article(source_id="sina", url="https://sina/b", url_hash="bbbb222222222222",
+                  content=body)
+    a3 = _article(source_id="eastmoney", url="https://em/c", url_hash="cccc333333333333",
+                  content=body)
+
+    with Deduper(db_path=tmp_db) as d:
+        r1 = d.ingest(a1)
+        assert not r1.is_duplicate
+        r2 = d.ingest(a2)
+        assert r2.is_duplicate
+        assert r2.matched_layer == DedupLayer.CONTENT
+        assert r2.matched_source_id == "cls"
+        # 命中后 all_source_ids 立即包含两个源
+        assert r2.all_source_ids == ["cls", "sina"]
+
+        r3 = d.ingest(a3)
+        assert r3.is_duplicate
+        assert r3.all_source_ids == ["cls", "sina", "eastmoney"]
+
+        # 指纹库持久化多源
+        matched = d.store.get_by_url_hash("aaaa111111111111")
+        assert matched is not None
+        assert matched.source_ids == ["cls", "sina", "eastmoney"]
+        assert d.stats().total == 1  # 内容组只算 1 条唯一
+
+
+def test_check_reports_all_sources_without_writing(tmp_db: Path) -> None:
+    """check(只读)命中重复时也能看到全部来源,且不写库。"""
+    body = "宁德时代发布新一代麒麟电池产品。" * 6
+    a1 = _article(source_id="cls", url="https://cls/a", url_hash="aaaa111111111111",
+                  content=body)
+    a2 = _article(source_id="sina", url="https://sina/b", url_hash="bbbb222222222222",
+                  content=body)
+
+    with Deduper(db_path=tmp_db) as d:
+        d.ingest(a1)
+        d.ingest(a2)
+        # 第三次来一篇同样内容的文章,仅 check
+        a3 = _article(source_id="eastmoney", url="https://em/c", url_hash="cccc333333333333",
+                      content=body)
+        result = d.check(a3)
+        assert result.is_duplicate
+        assert result.matched_source_id == "cls"
+        assert result.all_source_ids == ["cls", "sina"]
+        assert d.stats().total == 1  # check 不写库

tests/test_embedding.py

@@ -167,6 +167,27 @@ def test_resolve_provider_type_env_override(monkeypatch: pytest.MonkeyPatch) ->
     assert resolve_provider_type() == EmbeddingProviderType.LOCAL_BGE
 
 
+def test_resolve_provider_type_scene_override(monkeypatch: pytest.MonkeyPatch) -> None:
+    """configs/llm_models.yaml 的 scenes.embedding.provider 优先于 .env。"""
+    monkeypatch.delenv("EMBEDDING_PROVIDER", raising=False)
+    monkeypatch.setattr(
+        "embedding.factory.load_scene_config",
+        lambda scene: {"provider": "local-bge"} if scene == "embedding" else {},
+    )
+    assert resolve_provider_type() == EmbeddingProviderType.LOCAL_BGE
+
+
+def test_resolve_provider_type_explicit_arg_beats_scene(
+    monkeypatch: pytest.MonkeyPatch,
+) -> None:
+    """显式参数优先级最高,覆盖 YAML 场景。"""
+    monkeypatch.setattr(
+        "embedding.factory.load_scene_config",
+        lambda scene: {"provider": "local-bge"} if scene == "embedding" else {},
+    )
+    assert resolve_provider_type("dashscope") == EmbeddingProviderType.DASHSCOPE
+
+
 def test_resolve_provider_type_unknown_raises() -> None:
     with pytest.raises(EmbeddingError):
         resolve_provider_type("anthropic-emb")

tests/test_llm.py

@@ -362,3 +362,114 @@ def test_load_llm_config_missing_model_raises(monkeypatch: pytest.MonkeyPatch) -
     monkeypatch.delenv("LLM_MODEL", raising=False)
     with pytest.raises(ValueError, match="模型"):
         load_llm_config(provider="deepseek")
+
+
+# --------------------------------------------------------------------------- #
+# load_llm_config —— configs/llm_models.yaml 场景配置
+# --------------------------------------------------------------------------- #
+
+def _patch_scene(monkeypatch: pytest.MonkeyPatch, cfg: dict) -> None:
+    """替换场景加载,模拟 configs/llm_models.yaml 中的某场景配置。"""
+    monkeypatch.setattr(
+        "llm.client.load_scene_config",
+        lambda scene: cfg if scene == "daily_report" else {},
+    )
+
+
+def test_load_llm_config_scene_overrides_env(monkeypatch: pytest.MonkeyPatch) -> None:
+    """YAML 场景配置优先于 .env:provider / model / temperature / timeout / max_attempts。"""
+    monkeypatch.setenv("DEEPSEEK_API_KEY", "sk-env")
+    monkeypatch.setenv("DEEPSEEK_MODEL", "deepseek-env-model")
+    monkeypatch.setenv("QWEN_API_KEY", "sk-qwen")
+    _patch_scene(monkeypatch, {
+        "provider": "qwen",
+        "model": "qwen-max",
+        "temperature": 0.5,
+        "timeout_sec": 99,
+        "max_attempts": 5,
+    })
+    cfg = load_llm_config(scene="daily_report")
+    assert cfg.provider == "qwen"
+    assert cfg.model == "qwen-max"
+    assert cfg.api_key == "sk-qwen"
+    assert cfg.temperature == 0.5
+    assert cfg.timeout_sec == 99
+    assert cfg.max_attempts == 5
+
+
+def test_load_llm_config_scene_blank_fields_fall_back_to_env(
+    monkeypatch: pytest.MonkeyPatch,
+) -> None:
+    """YAML 场景未配置的字段(如 model 留空)回退 .env,保持向后兼容。"""
+    monkeypatch.setenv("DEEPSEEK_API_KEY", "sk-env")
+    monkeypatch.setenv("DEEPSEEK_MODEL", "deepseek-env-model")
+    _patch_scene(monkeypatch, {"provider": "deepseek", "model": "", "temperature": 0.7})
+    cfg = load_llm_config(scene="daily_report")
+    assert cfg.provider == "deepseek"
+    assert cfg.model == "deepseek-env-model"
+    assert cfg.api_key == "sk-env"
+    assert cfg.temperature == 0.7
+
+
+def test_load_llm_config_scene_api_key_env_name(monkeypatch: pytest.MonkeyPatch) -> None:
+    """api_key_env 指向自定义环境变量时,优先使用该变量。"""
+    monkeypatch.setenv("MY_CUSTOM_KEY", "sk-custom")
+    monkeypatch.setenv("DEEPSEEK_API_KEY", "sk-default")
+    monkeypatch.setenv("DEEPSEEK_MODEL", "deepseek-m")
+    _patch_scene(monkeypatch, {
+        "provider": "deepseek",
+        "model": "deepseek-scene-m",
+        "api_key_env": "MY_CUSTOM_KEY",
+    })
+    cfg = load_llm_config(scene="daily_report")
+    assert cfg.api_key == "sk-custom"
+    assert cfg.model == "deepseek-scene-m"
+
+
+def test_load_llm_config_scene_explicit_args_win(monkeypatch: pytest.MonkeyPatch) -> None:
+    """CLI/显式参数优先级最高,覆盖 YAML 场景。"""
+    monkeypatch.setenv("DEEPSEEK_API_KEY", "sk-env")
+    _patch_scene(monkeypatch, {"provider": "qwen", "model": "qwen-max"})
+    monkeypatch.setenv("QWEN_API_KEY", "sk-qwen")
+    cfg = load_llm_config(provider="deepseek", model="deepseek-chat", scene="daily_report")
+    assert cfg.provider == "deepseek"
+    assert cfg.model == "deepseek-chat"
+
+
+def test_load_llm_config_scene_missing_model_raises(monkeypatch: pytest.MonkeyPatch) -> None:
+    """场景与 .env 都未配置模型时必须报错(无内置兜底)。"""
+    monkeypatch.setenv("DEEPSEEK_API_KEY", "sk-test")
+    monkeypatch.delenv("DEEPSEEK_MODEL", raising=False)
+    monkeypatch.delenv("LLM_MODEL", raising=False)
+    _patch_scene(monkeypatch, {"provider": "deepseek", "model": ""})
+    with pytest.raises(ValueError, match="模型"):
+        load_llm_config(scene="daily_report")
+
+
+def test_load_llm_config_real_yaml_parseable() -> None:
+    """真实 configs/llm_models.yaml 必须可解析且包含全部场景(回归保护)。"""
+    from configs.loader import load_defaults, load_scene_config
+
+    for scene in ("event_extraction", "daily_report", "stock_report", "embedding"):
+        assert isinstance(load_scene_config(scene), dict)
+    assert isinstance(load_defaults(), dict)
+
+
+def test_load_llm_config_temperature_zero_is_respected(
+    monkeypatch: pytest.MonkeyPatch,
+) -> None:
+    """temperature=0 是合法配置,不应被 or 链回退默认。"""
+    monkeypatch.setenv("DEEPSEEK_API_KEY", "sk-env")
+    monkeypatch.setenv("DEEPSEEK_MODEL", "deepseek-m")
+    _patch_scene(monkeypatch, {"provider": "deepseek", "model": "deepseek-m", "temperature": 0})
+    cfg = load_llm_config(scene="daily_report")
+    assert cfg.temperature == 0.0
+
+
+def test_load_llm_config_scene_max_attempts_zero() -> None:
+    """max_attempts=0 由 _pick_int 显式处理。"""
+    from llm.client import _pick_int
+
+    assert _pick_int({"max_attempts": 0}, "max_attempts", 3) == 0
+    assert _pick_int({"max_attempts": ""}, "max_attempts", 3) == 3
+    assert _pick_int({}, "max_attempts", 3) == 3

tests/test_report_builder.py

@@ -113,10 +113,20 @@ class TestLlmCallRetry:
 
         return SimpleNamespace(chat=SimpleNamespace(completions=Completions())), n
 
+    @staticmethod
+    def _cfg():
+        from llm.client import LLMConfig
+
+        return LLMConfig(
+            provider="deepseek", model="deepseek-v4-flash",
+            api_key="sk-test", base_url="https://api.deepseek.com",
+            temperature=0.3,
+        )
+
     def test_success_first_try(self) -> None:
         from scheduler.reporter import _llm_call
         client, n = self._fake_client(0)
-        out = _llm_call(client, "deepseek-v4-flash", "p")
+        out = _llm_call(client, self._cfg(), "p")
         assert out == "今日要点摘要"
         assert n["count"] == 1
 
@@ -125,7 +135,7 @@ class TestLlmCallRetry:
         monkeypatch.setattr(rep, "_LLM_RETRY_TIMES", 3)
         monkeypatch.setattr(rep, "_LLM_RETRY_BACKOFF_SEC", 0.01)
         client, n = self._fake_client(2)  # 前 2 次失败，第 3 次成功
-        out = rep._llm_call(client, "deepseek-v4-flash", "p")
+        out = rep._llm_call(client, self._cfg(), "p")
         assert out == "今日要点摘要"
         assert n["count"] == 3
 
@@ -135,7 +145,7 @@ class TestLlmCallRetry:
         monkeypatch.setattr(rep, "_LLM_RETRY_BACKOFF_SEC", 0.01)
         client, n = self._fake_client(99)  # 一直失败
         with pytest.raises(ConnectionError):
-            rep._llm_call(client, "deepseek-v4-flash", "p")
+            rep._llm_call(client, self._cfg(), "p")
         assert n["count"] == 2  # 重试 2 次后放弃