news/continuation.md

continuation.md

checkpoint @ 2026-08-22

---

本次完成 (2026-08-22) — 文档清理与重构

目标： 清理历史上多个 AI agent 文档残留,重构项目文档为 4 个核心文件。

删除的过时/残留文件 (4 个)：

1. project_plan.md (700 行) — 9 个 Milestone 全部完成,计划文档已无价值
2. docs/agent_prompt.md (80 行) — Cherry Studio Agent 使用说明,非本项目核心文档
3. docs/optimization_plan.md (144 行) — 8 项优化中 5 项已完成,剩余不再跟踪
4. docs/report_db_design.md (330 行) — M10 中间设计稿,逻辑已下沉到代码

新建/重写的文档 (5 个)：

文件	行数	说明
docs/architecture.md	~500	项目架构:11 包职责与导出 API、核心数据模型、配置体系、产物目录
docs/user-guide.md	~500	用户手册:15 个 CLI 子命令全量 + 增量/断点续跑 + MCP + systemd + FAQ
README.md	~120	精简为项目入口:简介 + 文档索引 + 命令速查
docs/db-schema.md	保留	日报表结构(API/前端对接,无需改动)
deploy/README.md	删除	已在服务器上直接修改,无需部署文档

docs/ 最终目录：

docs/
├── architecture.md    # 项目架构(新增)
├── user-guide.md      # 用户手册(重写)
└── db-schema.md       # 日报表结构(保留)

验证：

• 所有文档中文撰写,Markdown 格式,层次清晰
• architecture.md 准确反映 11 个包的实际公开 API(基于源码 __init__.py 导出)
• user-guide.md 覆盖全部 15 个 CLI 子命令(crawl/extract/dedup/events/embed/ingest/pipeline/search/status/report/report-import/cninfo/stock-report/watchlist/discover/add-entry)
• 无过时信息残留(不再提 M9 Agent/HTML 日报/旧版 Mac 部署等)

待办：

• git 提交本次改动(包括 2026-08-12 增量处理改动,仍未提交)
• 同步 pi5(代码 + 文档),重启 a-share-research

---

---

当前状态

项目	值
新闻源	14 个（13 Web + 1 API: xwlb 新闻联播）
Qdrant	本地文件模式 data/qdrant_storage/
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	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
增量/断点	M2/M4/M5 产物存在即跳过（--force 全量）；pipeline --once --resume 断点续跑（状态 data/pipeline/state.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 (2026-08-12) — 增量处理与 pipeline 断点续跑

目标： ① 全链路中断后可从断点恢复；② 各子任务排除已处理文件，避免全量重跑与重复 API 计费。

1. 各步骤增量处理（产物存在即跳过，--force 全量）：

• M2 run_extractor.py：输出目录已有 {url_hash}.json 即跳过提取，仅回补 index 行；--force 重建；成功率统计含跳过项（修复全跳过时误报 rc=1）
• M4 run_event_extraction.py：data/events/{day}/{url_hash}.json 已存在即跳过（不重复调用 LLM API）；--force 全量；failed.jsonl 只保留本次失败、index 累积追加
• M5 run_embedding.py：data/embeddings/{day}/{url_hash}.json 已存在即跳过（不重复调用 embed API）；--force 全量
• M1（seen_urls 增量）/ M3（指纹库判重）/ M6（upsert 幂等）为既有能力，README 汇总成表

2. pipeline 断点续跑（scheduler/pipeline.py + run_scheduler.py）：

• 新增 data/pipeline/state.json（按日期隔离，记录每步骤 ok/failed + 退出码 + 耗时），原子写
• run_pipeline(resume=True) 跳过连续成功前缀，从首个失败/未执行步骤继续执行到结尾
• pipeline --once --resume（默认全量不变；--resume 与 --steps 互斥报错）；定时守护模式不受影响

验证（Mac 本地，20260616 数据 100 篇）：

• pytest 225 passed（新增 tests/test_incremental.py 10 个：M2/M4/M5 跳过、状态记录、resume 续跑、resume 全完成 noop、--resume+--steps 互斥）；crawler 3 个基线失败仍与本次无关
• ruff 零新增（9 个基线错误不变）
• 端到端：M2 增量重跑 140 条跳过 126 条，2.5s 完成、rc=0（修复前误报失败）；state.json 正确记录 extractor ok

效果评估（100 篇规模中断重跑场景）：

• M4 减少约 100 次 LLM API 调用、M5 减少约 100 次 embedding API 调用 → 中断恢复不再重复计费，耗时从分钟级降至秒级
• M2 重跑从全量 GNE 提取（分钟级）降至约 2.5s
• 断点恢复操作：中断后直接重跑同一条 pipeline --once --resume 命令即可

待办：

• 同步 pi5（代码 + 文档），重启 a-share-research；首次同步后 pi5 的 data/pipeline/state.json 不存在 → resume 按全量处理，行为安全
• git 提交（本次改动尚未提交）

---

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。

1. AI 摘要可靠性（llm/client.py + scheduler/reporter.py）：

• 去掉内置默认模型兜底（deepseek-chat/qwen-plus），模型必须显式配置（DEEPSEEK_MODEL/QWEN_MODEL → LLM_MODEL），缺失即报错，避免静默用错模型
• _llm_call 增加指数退避重试：_LLM_RETRY_TIMES（默认 3 次）、_LLM_RETRY_BACKOFF_SEC（默认 2.0s，可 .env 覆盖），全部失败才抛异常
• 确认 AI 摘要模型：deepseek + deepseek-v4-flash（生产实测）

2. 日报取数逻辑（scheduler/pipeline.py + reporter.py）：

• pipeline report 步骤：report_date = date.today()（原为昨天+回溯 3 天）
• _collect_news_events：读当天+前一天事件目录，按 publish_time 过滤最近 30 小时（_NEWS_LOOKBACK_HOURS=30）；时区统一（naive 假定本地时区）；无时间戳事件保留
• _collect_xwlb：固定查 day_str 前一日（《新闻联播》19:00 播出，早间日报只能取昨晚已播出的一期）；source_date 同步为实际来源日
• 公告/调研/互动保持原设置：近 15 日（STOCK_REPORT_DAYS=15），irm 互动仍跳过——未受 30h 改动影响

验证（pi5）：

• 单测 9 个（30h 回溯/带时区时间戳/重试/模型缺失报错/xwlb 前一日）全部通过；全量 212 passed + 3 crawler 预存在失败
• 生产端到端 report_id=191（2026-08-05）：news 20 + cninfo 20 + xwlb 34（08-04 联播），AI 摘要 2076 字
• 生产服务已重启生效

本次代码尚未 git 提交（见待办）。

---

本次完成 (2026-08-03 22:00) — pi5 部署与生产测试

操作： M10 代码全量同步 pi5 + 生产环境验收（所有测试在 pi5 执行，Mac 不再作为测试环境）。

文件同步： rsync 本地 → pi5:/home/pi/news/（排除 .venv/data/logs/.git/.env/configs/*.yaml）；清除 pi5 根目录 6 月 17 日旧版散文件（已 tar 备份 /tmp/news_backup_20260803.tar.gz）；pi5 uv sync 装 pymysql。

DB 隧道修复： pi 原 autossh 参数 -L 13306:0.0.0.0:3306 未生效（0.0.0.0 被当远端目标），改为 -L 0.0.0.0:13306:127.0.0.1:3306 并持久化为 systemd 服务 a-share-db-tunnel（enabled + active）。

测试结果（pi5）：

• 全量 pytest：208 passed, 3 failed（3 个失败均为 crawler retry mock 预先存在问题，与 M10 无关）
• report-import 幂等：已存在文件正确 skipped
• 生产端到端：a-share report --date 20260802/20260803 → report_id=181/182 入库成功（AI 摘要正常，57/58 事件）
• DB 总量：finance 52 + intl 128 = 180 行（历史 177 + 端到端测试 2 + 本机 1）
• 生产服务 a-share-research 已重启 active，22:00 定时任务起用新代码

已知问题：

• tests/test_crawler.py 3 个 retry 测试失败（预先存在，crawl4ai mock 行为）
• Mac 本机 anaconda/uv python 出站到 192.168.1.10 被拦截（EHOSTUNREACH；nc/bash/系统 python 正常）——仅影响本机，pi5 不受影响；Mac 本地用 127.0.0.1 + ssh 隧道绕过
• 生产 pi5 的 .env 里 NEWS_DB_HOST=192.168.1.10（直连）；Mac 本地 .env 为 127.0.0.1（隧道）——两处 .env 不同，勿互相覆盖

---

本次完成 (2026-08-03) — M10 日报结构化入库

目标： 日报前后端分离的数据层——日报内容结构化存入 MySQL（news_ 前缀表），历史 178 份日报 HTML 解析入库；本项目不做 API/前端（用户另行实现）。

表结构（myquant 库，见 docs/db_schema.md）：

• news_report：主表，唯一键 (report_date, report_type, file_name)；file_name='' 表示新生成日报（每天每类型一行，重复生成覆盖）
• news_event：事件明细，section ∈ xwlb/news/cninfo/intl

新增/修改文件：

• report_db/（models/schema/db）：连接、建表、幂等 save_report
• report_import/（parser/importer）：历史 HTML 解析（表头驱动列映射）+ 批量导入
• scheduler/reporter.py：generate_report() 完全切换为结构化入库；_render_html/_upload 标记废弃保留
• a_share_cli/main.py：新增 report-import 子命令；report 命令改为入库提示
• pyproject.toml：uv add pymysql（唯一新增依赖）
• .env：新增 NEWS_DB_*（连接 127.0.0.1:13306，需 ssh 隧道）、REPORT_HISTORY_DIR
• docs/report_db_design.md（实现逻辑）、docs/db_schema.md（表结构，供 API/前端）

验证结果：

• 历史 178 份全部入库：scanned=178 imported=7(首轮)+170 skipped=171 failed=0；DB 177 行（finance 49 + intl 128，1 个跨目录同名文件被幂等合并）+ 事件 4222 条
• 端到端：a-share report --date 20260616 → report_id=180 入库成功，无 HTML 产出
• 单测 24 个通过（parser 19 + builder 4 + models/import 补充）

命令：

ssh -L 13306:127.0.0.1:13306 pi        # Mac 开发连库隧道
uv run a-share report --date YYYYMMDD # 生成日报入库
uv run a-share report-import          # 历史导入(幂等)

注意： 本机 .env 无 LLM API key，AI 摘要会降级 WARNING（不影响入库）；生产 pi5 需配置 NEWS_DB_PASSWORD 且解决 13306 隧道可达性（见待确认项）。

---

历史 (2026-07-17) — 禁用个股日报

操作： STOCK_REPORT_TIME= 设为空，run_scheduler.py 加空值守卫。

文件：

• scripts/run_scheduler.py L127-141：STOCK_REPORT_TIME 为空时跳过注册并输出 已禁用个股日报
• Pi .env：STOCK_REPORT_TIME=08:00 → STOCK_REPORT_TIME=

恢复方法： 改回 STOCK_REPORT_TIME=08:00，重启 a-share-research。

---

本次完成 (2026-07-13) — eeo 反爬修复 + 静态直连 + 超时保护

问题

eeo（经济观察网）在 Pi 上用 Playwright 连续抓取后触发反爬，服务器故意不响应导致 page.goto() 超时（30s → 60s 均超时）。而在本机 Mac 上一切正常——反爬是 IP 级别的，Pi 的 IP 已被限流。

根因

eeo 是纯静态页面（js_render: false），但 Crawl4AI 始终走 Playwright。eeo 检测到 headless Chrome 的连续请求模式后，对后续请求挂起 TCP 连接直至超时。

修复

crawler/engine.py — 三个改动：

1. 新增 _fetch_static()：js_render=False 且无 wait_for 的源用 httpx 直连，绕过 Playwright 反爬。HTML → Markdown 用 markdownify + BeautifulSoup 清洗。

2. 新增 _TimeoutGuard：同源连续超时 2 次后自动跳过剩余请求，防止整个 pipeline 被单一故障源拖死。

3. _crawl_once 分流逻辑：

   js_render=False 且无 wait_for → _fetch_static() (httpx)
   其他 → Playwright
   

configs/sources.yaml — eeo 源两处调整：

• 删除 wait_for: "css:body"（静态页面无需等待 CSS 选择器）
• page_timeout_ms: 30000 → 60000（恢复 Crawl4AI 默认值）

测试结果

环境	Playwright (修复前)	httpx (修复后)
Mac 本地	全部通过	36 篇 / 7 秒
Pi 服务器	前 3 个请求全部 15s 超时	36 篇 / 9 秒，0 失败

验证方法

Pi 上本地复现了反爬（Playwright 前 3 个 URL 全部超时），同批 URL 用 httpx 全部瞬间返回——证明方案有效。

---

历史 (2026-06-24)

1. 环境变量全面审计与修复

触发： 服务器 dedup 步骤超时 120s。

修复 6 个文件：

#	文件	修改
1	scheduler/pipeline.py	超时解析重写：TIMEOUT_{NAME} > PIPELINE_STEP_TIMEOUT > 硬编码 > 1800s
2	a_share_cli/main.py	新增 _resolve_timeout()，CLI 命令超时改为读环境变量
3	crawler/cninfo.py	CNINFO_PDF_BASE 从硬编码改为 os.environ.get()
4	scheduler/reporter.py	STOCK_REPORT_DAYS 默认值 7→15；max_tokens 600→1500
5	.env	清除 10 个死配置；EMBEDDING_MODEL→LOCAL_EMBEDDING_MODEL；补全遗漏参数
6	.env.example	重写为仅包含实际生效配置

审计结果：

类别	数量	处理
✅ 正常工作	23	—
❌ 死配置	10	已清除
⚠️ 默认值不一致	1	已统一
🔧 硬编码	1	已修复

2. AI 摘要截断修复

触发： 日报 AI 摘要内容极少（137 字），末尾被截断。

根因： _llm_call() max_tokens=600 太低，deepseek-v4-flash 输出被硬截断。

修复： max_tokens 三处提升 + 截断检测日志。

位置	修复前	修复后
_llm_call() 默认	600	1500
分块摘要	400	800
合并摘要	600	1500

验证： 手动生成日报，摘要从 137 字 → 486 字，结构完整无截断。

---

超时优先级（最终设计）

TIMEOUT_{NAME} 环境变量          ← 单步精确控制
    ↓ 未设
PIPELINE_STEP_TIMEOUT 环境变量   ← 全局兜底 (覆盖所有硬编码)
    ↓ 未设
STEP_TIMEOUTS 硬编码字典         ← 代码内默认值
    ↓ 步骤不在字典中
1800s                            ← 最终兜底

---

服务器 .env 当前配置

# ---- 调度 ----
SCHEDULE_TIMES=07:00,12:00,18:00,22:00
CNINFO_SCHEDULE_TIME=06:00
STOCK_REPORT_TIME=08:00
STOCK_REPORT_DAYS=15

# ---- Pipeline 超时 ----
PIPELINE_STEP_TIMEOUT=3600
TIMEOUT_CRAWLER=900
TIMEOUT_XWLB=60
TIMEOUT_EXTRACTOR=300
TIMEOUT_DEDUP=900
TIMEOUT_LLM=900
TIMEOUT_EMBEDDING=900
TIMEOUT_QDRANT=1800
TIMEOUT_CNINFO_CRAWL=900
TIMEOUT_CNINFO_EXTRACT=900
TIMEOUT_CNINFO_PDF=900

---

调度器

时间	步骤
06:00	cninfo 公告管道
07:00	crawler→xwlb→extractor→dedup→llm→embedding→qdrant→日报
08:00	个股日报
12:00	crawler→xwlb→extractor→dedup→llm→embedding→qdrant
18:00	crawler→xwlb→extractor→dedup→llm→embedding→qdrant
22:00	crawler→xwlb→extractor→dedup→llm→embedding→qdrant

---

常用命令

# 全链路 + 日报
uv run a-share pipeline --once --report

# 仅日报 (指定日期)
/home/pi/.local/bin/uv run python -m scripts.run_scheduler --once --date 20260623 --steps report

# 检索
uv run a-share search "关键词" --top 5

# 同步到服务器
scp <file> pi@192.168.1.160:/home/pi/news/<path>/

# 重启服务
ssh pi@192.168.1.160 "sudo systemctl restart a-share-research"

---

已知技术债务

问题	文件	状态
QdrantClient HTTP 超时硬编码 10s	vectorstore/client.py:93	无可配环境变量
DashScope HTTP 超时硬编码 60s	embedding/remote.py:81	无可配环境变量
超时解析逻辑在 pipeline.py 和 main.py 各一份	两处	可抽取公共函数
deepseek-v4-flash 概率性返回空	—	分块处理 + 失败跳过
wallstreetcn JS 渲染拦截	—	正文提取率 0%
eeo 列表页仍走 Playwright（仅文章页走 httpx）	crawler/engine.py	列表页目前正常，暂不改动

---

架构备忘：静态/动态抓取分流

SourceConfig.js_render == False 且 wait_for == None
  → _fetch_static() → httpx 直连 (无浏览器, 快, 不被反爬)
  → markdownify + BeautifulSoup (清洗 script/style 后转 Markdown)

SourceConfig.js_render == True 或 wait_for 有值
  → _crawl_once() → Playwright (现有逻辑)

_TimeoutGuard:

• 同源连续超时 2 次 → skip=True
• 后续请求在 semaphore 内检查 guard.skip，立即返回 Skipped
• 一次成功即重置计数器

---

记忆

• never-change-llm-model.md — 绝不允许修改大模型配置
• deploy-html.md — user_guide.html 同步到 Pi 和 Web 服务器
• sync-sources-yaml.md — 修改 sources.yaml 前从 Pi 拉取，改完推回
• update-user-guide.md — 更新 md+html+部署