智迹闻 AuraTracer · 科技新闻事件追踪引擎

独立设计并上线的开源中文科技事件追踪引擎：聚合 237 路公开信源（含 319 个 X 账号批量检索），用混合推理把碎片报道归并为可溯源的事件页，近实时更新、由自研运营 agent 常驻巡检保障无人值守运行、纯静态站公开。

访问线上系统 (auratracer.kyleforge.com)

问题

同一科技事件分散在多家媒体，读者需要反复搜索与核对。

我的贡献

独立设计、开发并上线，从异构采集到事件聚合、可视化与增量发布。

结果

形成可溯源的事件页与时间线，以自动化测试保障持续运行。

237 路

启用信源 · 内容包 + 热榜 + X 通道
X 通道覆盖 319 个账号（2 RPS）

90,661

条入库新闻条目
跨中英文、含历史回溯

31,227

个聚合事件
实体词典 3.4 万条

529 项

自动化测试
初筛标注集准确率 84%，80% 为 CI 通过线

「追踪事件脉络，看见信息全貌。」
Trace the signal. See the whole story.

采集按信源产量分级调度：热榜每 30 分钟一轮，其余按近 7 日产量分 10 分钟至 6 小时；站点结构各异且部分有强风控，统一封装 RSS / HTML / JSON / sitemap / 热榜五类适配器，并逐个处理反爬、编码与发布时间格式差异。标准轮约 5–7 分钟，无新数据时只做热度与建站，另有 6 小时一轮的去重调和消化积压；自研运营 agent 常驻巡检，信源增删改走治理提案队列。

Step 1

逐条相关性初筛

云端 Spark-X2.5-4B 关闭思考模式，单条约 2 秒；强制逐条（batch=1）避免批量 JSON 协议把边界相关性判反，三级解析容错保证 JSON 稳定可解析。100 条人工标注集准确率 84%；被内容审核拦截时按 gpt-oss-120b → qwen3.8-27b → Qwen3.5-4B 三层兜底链逐层重发。

Step 2

跨语言同事件聚类

词面强合并 + 多语言向量 + 灰区 LLM 裁决三级策略，实体别名归一（「美联储」＝「Federal Reserve」）。阈值按实测空带划分，防止「同一公司、不同事件」误并。

Step 3

倒金字塔忠实摘要

不超过 300 字，只用原文事实、逐句可溯源；公开层标注「由 AI 生成」。正文若补抓仅用于本地初筛与摘要，永不进入模板、API 或静态站。

Step 4

事件框架化

把多篇报道整合为结构化框架：事件性质、当前状态、关键数字卡组与按时间分层的阶段叙事；同日多篇报道合并为一个阶段，无 LLM 时确定性按日聚合兜底。

Step 5

云端双语翻译与兜底

云端接入 xf-yun MaaS 混元 Hy-MT2-7B，配置 Gemini / Azure 多层自动兜底链；标题 / 摘要 / 事件框架字段全量双语入库，保障全天候吞吐与高质量译文；英文站配置保留，当前发布中文站。

Step 6

热度计算与二次去重

多信源交叉权重与时效衰减计算热度，站外热榜命中计入信号；合成后第二遍事件级去重跨包合并同事件，保留顺序确定性，旧事件页链接不 404。

纯静态站 + 手写 SVG 可视化

Jinja2 生成首页 / 热榜 / 时间线 / 洞察 / 分类 / 检索 / 关于与数千事件页。全部图表为手写 SVG，零 CDN 图表库：报道柱、构成环、词移发散、分类×日期热力下钻、阶段轨道。洞察页按叙事序组织，每图带口径条。

增量发布与静默运维

发布只推送改动过的文件，并同步删除远端已下线的页面。Windows 登录计划任务静默拉起采集、翻译、看门狗与本机监控站，密钥只进进程环境，不进命令行、日志、仓库与静态站。

异构信源适配

统一封装 RSS / HTML 列表 / JSON / sitemap / 热榜五类适配器，逐个适配 TLS 指纹拦截、UA 黑名单、JS 壳页、GB2312、锚文本时间戳与 URL 内嵌日期；直连受限的 FT / The Information / 36氪改走公开 Google News RSS 只取标题流。

合规边界写进产品

公开站只呈现标题、机器摘要、原文链接与信源署名，不转载正文、不绕过付费墙登录；付费媒体只取标题流，正文补抓仅供本地初筛与摘要。信源明细与方法口径不下放公开站。

Sensor

ops_agent 常驻巡检

12 个只读传感器覆盖本机进程 / 端口 / 日志与数据质量、公网与 SSH 白名单远端探针，四态状态机（ok / warn / unknown / idle）；远程探针首次失败降级 unknown，连续失败才告警，防网络抖动误报。已连续巡检 6,838 轮。

Runbook

规则引擎 + gated act

YAML 规则按真实分布校准阈值（失败信源中位 4 / p90≈8），streak≥2 连续命中防抖；命中动作经白名单解释器与既有脚本结构校验，观察期内仅记录不执行，每条动作在审计库留存 before 快照（runs / results / acts，WAL）。

Governor

source_governor 信源治理

按入选 / 删除 / 间隔调整 / D1-D3 试采 / 停用恢复规则生成治理提案，人工 apply 才改 packs 配置；写入前保存原始字节、YAML 字节级最小变换（保留注释与顺序），可逐字节回滚，上线以来零自动变更。

Canonical

规范事件层 v2

独立保存「公开事件身份 + 证据」，原始聚类怎么变，公开页的事件 ID 与历史页都保持稳定。现有 31,731 个规范事件、66,467 个内容版本、35,484 条事件—报道证据关联；人工复核规则按主体 / 产品 / 动作 / 阶段 / 时间定义事实键并附官方原文链接，671 条归并裁决中 116 条把同一产品的不同阶段拆开，36 个已确认别名让旧链接继续指向新事件。

Enrich