2026-09-01 本文总阅读量: 次 | 文章总字数: 2,016 字

投研简报如何保留原始出处：公告、网页正文与 AI 摘要证据链

投研简报如何保留原始出处，真正困难的通常不是完成一次 API 调用，而是让结果可以校验、失败可以定位、后续能够回到原始证据。本文围绕“如何汇总公告和网页内容，并让摘要、关键词与情感结果保持可追溯”给出一套可以直接落到任务状态和数据契约上的实现方式。

问题与结果

简报中的每条摘要都关联来源 URL、正文哈希、发布时间和生成版本，来源失败时不生成内容。

最终交付不是一段不可追溯的模型回答，而是一组带来源、版本、状态和失败记录的数据。这样既方便接入后续系统，也能在接口、页面或模型输出变化时定位问题。

适用场景

公司公告与行业新闻简报
主题资料持续跟踪
研究团队晨报素材整理

实现前先确定边界

公告和媒体文章使用不同来源类型
先保存正文证据，再运行摘要和标签
重复内容按来源与正文哈希去重

可验证工作流

投研简报如何保留原始出处工作流架构图

API 编排与职责

步骤	接口	请求方式	用途
港股公告	`港股上市公司公告`	GET	获取港股上市公司公告
公众号文章	公众号头条文章	GET	获取公众号文章来源；当前没有可验证的公开详情页链接
技术博客	`软件开发技术博文头条`	GET	适合技术行业简报来源
正文抓取	`获取任意链接文章正文`	POST	从 URL 抽取正文内容
文章抽取	`文章抽取信息化 JSON`	POST	生成更结构化的文章信息
文本摘要	`文本多语言 AI 摘要`	POST	生成简报摘要
关键词	`多语言长文本 AI 关键字提取`	POST	提取主题词
情感分析	`多语言文本 AI 情感分析`	POST	判断内容倾向

最小可运行实现

获取港股公告：

curl -G "https://api.gugudata.com/stock/hk/bulletin" \
  --data-urlencode "appkey=YOUR_APPKEY" \
  --data-urlencode "symbol=00700"

抓取任意链接正文：

curl -X POST "https://api.gugudata.com/news/fetchcontent?appkey=YOUR_APPKEY" \
  -H "Content-Type: application/json" \
  -d '{
    "url": "https://example.com/news/article"
  }'

生成摘要：

curl -X POST "https://api.gugudata.com/ai/text-summarize?appkey=YOUR_APPKEY&lang=zh-cn&streaming=false" \
  -H "Content-Type: application/json" \
  -d '{
    "textContent": "这里放入正文内容",
    "streaming": false
  }'

Agent 可以先做来源去重：

from hashlib import sha256

def source_fingerprint(title: str, url: str) -> str:
    """Build a stable fingerprint for report source dedupe."""
    normalized = f"{title.strip()}|{url.strip()}".lower()
    return sha256(normalized.encode("utf-8")).hexdigest()

简报结构设计

投研简报不应该只是若干摘要拼接。建议结构如下：

区块	内容
今日重点	按影响程度排列的 3 到 5 条内容
公司动态	公告、财报、重大事项
行业主题	关键词聚合后的行业变化
情绪变化	正负面内容比例和重点来源
来源索引	原始链接、发布时间、处理时间

这样输出既能快速阅读，也能回到来源复核。Agent 不应隐藏来源，也不应把不同来源的观点混成一个未经验证的事实。

失败分类与降级

如果某个 URL 抓取失败，应保留失败状态和来源，不要让模型根据标题补正文。如果摘要接口失败，可以先保存正文，稍后重试摘要。对于重复内容，应合并来源，不要重复进入简报。

当情感分析和人工判断不一致时，情感标签应作为辅助指标，而不是自动决定内容是否进入报告。

数据契约与留痕

建议至少保存以下字段；真实项目可以继续拆分，但不要删除来源、版本和状态信息。

字段	作用
`item_id`	稳定业务标识，用于关联记录并避免名称冲突
`source_type`	原始来源或原始响应，供后续复核
`source_url`	来源或目标 URL，保留最终跳转前后的差异
`published_at`	带时区的采样或生成时间，判断数据新鲜度
`content_hash`	内容哈希，用于完整性校验、版本识别和去重
`summary`	派生结果，必须关联输入版本与生成时间
`keywords`	业务数据字段，保存时记录来源、口径和缺失状态
`sentiment`	业务数据字段，保存时记录来源、口径和缺失状态

所有派生结果都应带生成时间和输入版本。发生重试时新增尝试记录，不要覆盖最后一次失败，以免排查时只剩“最终成功”而看不到中间问题。

验收清单

[ ] 每条简报都能打开或定位原始来源
[ ] 转载和重复正文可识别
[ ] 生成结论与原文事实明确分离

能力边界

自动摘要可能遗漏语境，情感标签也不代表市场影响；简报不构成投资建议。

示例中的 YOUR_APPKEY 仅为占位符。真实密钥只能放在服务端环境变量或密钥管理系统中，不应进入前端、文章、日志或版本库。

–EOF–

转载须以超链接形式标明文章原始出处和作者信息

微信公众号二维码