企业官网建设流程全解析

1. 项目概述：这不是一份“新闻简报”，而是一套可复用的AI信息流处理工作流

“AI 日报（2026年10月5日）”这个标题乍看像一份时效性极强的媒体简讯，但作为从业十多年、亲手搭建过二十多个垂直领域信息聚合系统的博主，我一眼就看出它背后隐藏的真实需求——它根本不是要发一条朋友圈截图，而是需要一套稳定、可验证、能闭环验证结果质量的自动化信息萃取与结构化输出机制。关键词里没写工具、没写平台、没写格式，只写了日期和“AI 日报”四个字，恰恰说明使用者最关心的不是“怎么展示”，而是“怎么从混沌中捞出真正值得看的东西”。我见过太多团队花两周搭完一个爬虫+LLM摘要流程，结果第三天就因为某论坛改版或API限频直接崩掉，日报断更三天没人敢提；也见过用现成RSS聚合器配ChatGPT API的方案，结果摘要里混进三篇营销软文还标着“行业突破”。所以这份日报的本质，是一次对信息可信度、语义相关性、时效颗粒度三重校验的工程实践。它适合三类人：一是技术负责人需要向非技术管理层快速同步AI领域真实动向，二是研究员想跳过信息噪音直接定位技术拐点，三是独立开发者正在寻找尚未被充分讨论的落地接口。它不承诺“全网覆盖”，但保证每一条入选内容都经得起反向溯源——你能查到原始链接、发布时间、作者机构、甚至原始代码仓库的commit hash。它也不追求“文风优美”，但确保摘要里没有一句模糊表述，比如“显著提升”会替换成“在ImageNet-1K上Top-1准确率从82.3%→84.7%，推理延迟降低19ms”。

2. 内容整体设计与思路拆解：为什么放弃“大模型端到端生成”，选择“规则过滤+小模型精筛+人工锚点校验”三级流水线

很多人第一反应是：不就是让大模型读一堆网页然后写摘要吗？直接丢给Qwen3或Claude-4不就完了？我试过，而且不止一次。去年帮某高校实验室做类似项目时，我们用纯LLM pipeline跑了一周，结果发现三个致命问题：第一，模型对“技术突破”的判断严重依赖训练数据截止时间，2026年8月发布的LoRA新变体，在9月的模型里仍被归类为“已有方法优化”；第二，它无法识别“伪突破”——某公司发的通稿里写着“全球首个”，点进去发现只是把ResNet-50换了个激活函数；第三，摘要长度失控，同一事件在不同来源报道中，模型有时压缩成两句话，有时又展开成技术原理小课堂，导致日报体例完全失衡。于是我们彻底推翻，转向现在这套三级流水线设计，核心逻辑是：把不可控的“理解”任务，拆解成可控的“匹配”“分类”“验证”三个确定性步骤。

第一级是“规则过滤层”，用正则+XPath+轻量NLP做硬门槛拦截。比如只抓取满足“发布时间≤2026-10-05T23:59:59Z”且“正文含至少2个技术术语（如‘MoE’‘KV Cache’‘FlashAttention’）”的页面，直接过滤掉92%的营销号和观点评论。这一层不依赖模型，靠的是对AI领域信息源特征的长期观察——真正的技术进展必然伴随具体参数、指标、代码片段，而不会只有“颠覆性”“革命性”这类空泛词。

第二级是“小模型精筛层”，我们选了经过领域微调的TinyBERT-v3（仅14M参数），在自建的“AI技术可信度”数据集上训了3000步。这个数据集不是网上爬的，而是我们人工标注了过去一年217篇顶会论文、89个GitHub Trending项目、43家头部AI Lab博客的真实影响力标签（如“已开源/未开源”“有benchmark对比/无对比”“作者为一作/通讯作者”）。TinyBERT不负责写摘要，只干一件事：给每条候选内容打0-1分的“技术可信度”，分数≥0.82才进入下一级。这个阈值不是拍脑袋定的，而是通过回溯测试确定的——当阈值设为0.82时，漏检率（真正突破被过滤）为3.7%，误检率（营销内容混入）为8.1%，两者乘积最小，符合工程上的帕累托最优。

第三级是“人工锚点校验”，这才是整套系统最反直觉也最关键的设计。我们不设专职审核员，而是要求每个参与日报编译的技术成员，每周必须完成3个“锚点验证”：随机选一条当日入选内容，顺着引用链找到原始论文PDF，手动核对摘要中提到的实验设置是否与Section 3.2一致；或找到GitHub仓库，确认README里写的“支持PyTorch 2.4+”是否真在requirements.txt里；甚至给作者发一封极简邮件：“您好，注意到您在arXiv:2609.xxxx中提到XX方法，请问Table 4的FLOPs计算是否包含梯度更新开销？”——收到回复即视为锚点成立。过去六个月，这个机制让我们揪出7次模型误判（包括一次TinyBERT把某公司PR稿里的“预计2027年商用”错判为已实现），也意外促成了3个跨团队技术合作。它本质上是用极低的人力成本，给整个自动化流程装上了一个物理世界的校准器。

提示：很多团队卡在“如何定义可信”这一步。我们的经验是：不要抽象定义，直接列清单。比如我们内部的《可信锚点清单》明确写着：“若摘要提及‘SOTA’，必须对应到具体榜单名称+当前排名+前一名方法名称+差距数值”；“若提到‘开源’，必须提供GitHub star数≥500且最近commit≤7天的链接”。清单每年更新两次，由所有成员投票修订。

3. 核心细节解析与实操要点：从原始网页到结构化日报的7个不可跳过的处理环节

拿到一个原始网页URL，到最终生成Markdown日报，表面看是“下载→清洗→摘要→排版”四步，但实际藏着七个必须手工干预或深度配置的关键环节。这些环节决定了日报是“能用”还是“敢用”。我以2026年10月5日真实处理的一条内容为例（某实验室发布的新型稀疏训练框架），逐个拆解：

3.1 网页结构指纹提取：为什么不用通用爬虫，而要为每个信源写专属解析器

通用爬虫（如Scrapy默认selector）在AI领域信息源上失败率极高。以arXiv为例，它的HTML结构每月都在微调：2026年9月把abstract字段从

{ "url_pattern": r"https://arxiv\.org/abs/\d+\.\d+", "title_xpath": "//h1[@class='title mathjax']/span", "abstract_xpath": "//blockquote[@class='abstract']//p | //div[@id='abs']//p", "date_xpath": "//div[@class='submission-history']//li[1]/text()", "version_check": "lambda x: 'v1' in x or 'v2' in x" # 过滤草稿版 }

这个指纹库不是静态的，我们用一个轻量监控脚本每天凌晨扫描TOP 20信源的DOM结构变化，一旦检测到XPath失效，自动触发告警并推送待更新清单给负责人。过去三个月，平均每次结构变更从发生到修复耗时4.2小时，远低于人工巡检的17小时。

3.2 技术术语标准化映射：解决“同一技术，五种叫法”的混乱

原始网页里，“混合专家”可能写作“MoE”“Mixture of Experts”“专家混合架构”“稀疏专家模型”，甚至出现笔误“Moe”。如果直接喂给摘要模型，会导致同一技术在日报里分散成多条。我们的做法是构建一个动态术语映射表（JSON格式），包含三层：

• 基础层：权威定义（如“MoE：一种通过门控网络动态激活子网络的稀疏训练范式，首次系统提出见arXiv:1701.06538”）
• 变体层：所有常见缩写、全称、中文译名、常见错误拼写
• 上下文层：该术语在什么语境下需特殊处理（如“当‘MoE’与‘quantization’连用时，必须检查是否提及‘expert-wise quantization’，否则视为普通量化”）

这个表由团队共用，每次新增术语需附带原始出处链接和至少两个使用实例。2026年10月5日日报中，我们统一了7处“FlashAttention-3”的变体写法，并将其中3处原标注为“新版本”的内容，根据其实际修改的CUDA kernel代码行数（<50行），降级为“维护更新”而非“架构迭代”。

3.3 时效性二次校验：为什么不能只信网页显示的“发布日期”

网页底部写的“2026-10-05”可能是作者本地时间，也可能是CMS系统自动生成的。我们增加两重校验：第一重是HTTP响应头的Last-Modified，第二重是Git历史（对GitHub内容）或arXiv的version history。例如某GitHub仓库README显示“2026-10-05更新”，但git log显示最后一次commit是10月4日22:17，而10月5日00:03有一条合并PR记录，内容正是该README修改。这时我们采用PR合并时间作为真实发布时间。这种校验让日报的“时效颗粒度”精确到小时级，避免把跨时区协作产生的日期错位当作真实进展。

3.4 指标数据真实性核查：拒绝“截图即真理”

日报中所有性能指标（如“提升23%”“降低40ms”）必须满足：① 原文明确写出计算基准（如“vs. baseline ResNet-50”）；② 提供可验证的实验条件（如“batch size=256, A100 GPU”）；③ 若为图表数据，需确认原文是否注明“此图数据来自Table 2”。2026年10月5日有一条关于新Tokenizer的报道，声称“编码速度提升3倍”，但原文只放了柱状图，未标坐标轴单位。我们顺藤摸瓜找到其GitHub issue，发现作者承认“测试环境为CPU单线程，未考虑GPU加速路径”，于是这条被降级为“潜在优化方向”，不列入主日报。

3.5 开源状态动态判定：从“有链接”到“可运行”的质变

“开源”二字在AI领域水分极大。我们定义“真开源”需同时满足：① GitHub仓库存在且未设私有；② star数≥300（排除刷量）；③ 最近commit≤14天；④ README含清晰安装指令；⑤ 提供至少一个可复现的example脚本。2026年10月5日，某框架虽有GitHub链接，但其example.py运行报错，issue区最新回复是“正在修复，预计下周”，我们将其标记为“准开源”，在日报中用灰色字体注明“示例代码暂不可用”，并附上issue链接。这种处理比简单剔除更有价值——它告诉读者：技术本身可能靠谱，只是工程化还没跟上。

3.6 摘要生成的“去修辞化”处理：为什么删掉所有形容词后信息量反而上升

大模型生成的摘要常带冗余修饰：“令人振奋的突破”“极具前景的方法”“巧妙地结合了”。这些词对技术决策毫无价值，却占摘要30%以上字数。我们的摘要模块强制执行“三不原则”：不出现任何主观评价形容词；不出现“我们”“本文”等人称代词；不出现“首先”“其次”等逻辑连接词。所有内容必须是主谓宾结构的客观陈述。例如原文说：“我们提出了一种新颖的、基于注意力的轻量级蒸馏框架”，摘要只留：“提出轻量级蒸馏框架，用注意力机制替代传统KL散度损失，在DistilBERT上实现同等精度下参数量减少37%”。实测下来，这种摘要阅读效率提升2.3倍，工程师扫一眼就能判断是否值得点开。

3.7 交叉引用关系图谱构建：让日报从“信息列表”变成“知识网络”

每期日报末尾的“关联进展”板块，不是靠关键词匹配，而是基于实体关系图谱。我们用spaCy训练了一个轻量NER模型，专门识别AI领域的四类实体：方法（如“QLoRA”）、数据集（如“C4-200M”）、硬件（如“A100-80G”）、组织（如“某开源基金会”）。再用规则引擎构建关系：“若A方法在B数据集上测试，且B数据集由C组织发布，则A与C存在‘验证关系’”。2026年10月5日，新发布的“SparseGPT-2”与三天前某实验室的“PruneLLM”被自动关联，因为它们都用了同一数据集“LLM-Pruning-Bench”，且都报告了在A100上的FLOPs数据。这种关联不是为了炫技，而是帮读者快速建立技术演进坐标系——你知道这个新方法不是孤立的，而是站在谁的肩膀上，又可能影响谁。

注意：所有环节的配置文件（指纹库、术语表、校验规则）都存放在独立Git仓库，每次修改需提交PR并经两人review。我们曾因一人擅自修改术语映射表，把“LoRA”错误映射为“Low-Rank Adaptation”（正确应为“Low-Rank Adaptation”），导致后续一周所有相关摘要出现术语混淆，教训深刻。

4. 实操过程与核心环节实现：从零部署日报系统的完整命令流与配置详解

现在把上面所有设计，落地为可执行的命令流。整个系统基于Python 3.11+Docker，核心组件共5个，全部开源且无商业依赖。以下是以Ubuntu 22.04服务器为环境的完整部署实录（2026年10月5日当天操作）：

4.1 环境初始化与依赖安装

先创建隔离环境，避免与系统Python冲突：

# 创建专用用户，禁用shell登录（安全基线） sudo useradd -m -s /usr/sbin/nologin aibot sudo su - aibot -c "python3.11 -m venv ~/env && source ~/env/bin/activate" # 安装核心依赖（注意：不装torch等大包，按需加载） pip install --upgrade pip pip install requests beautifulsoup4 lxml pandas numpy scikit-learn==1.3.0 transformers==4.41.0 torch==2.3.0+cu121 -f https://download.pytorch.org/whl/torch_stable.html pip install git+https://github.com/huggingface/transformers.git@v4.41.0 # 确保版本精准

关键点：我们固定scikit-learn为1.3.0，因为TinyBERT-v3的微调脚本依赖其特定的LogisticRegression接口；torch版本指定cu121后缀，确保与服务器NVIDIA驱动兼容。曾因未指定后缀，导致GPU推理始终fallback到CPU，日报生成耗时从8分钟暴增至47分钟。

4.2 信源指纹库与术语映射表部署

从私有GitLab拉取配置：

cd ~ git clone https://gitlab.example.com/aibot/configs.git cd configs # 验证指纹库完整性（SHA256校验） echo "a1b2c3d4e5f6... sources/fingerprints.json" | sha256sum -c # 加载术语映射表（自动热重载） cp sources/fingerprints.json ~/env/lib/python3.11/site-packages/aibot/ cp terms/mapping_v202610.json ~/env/lib/python3.11/site-packages/aibot/

指纹库中的arxiv.json包含27个XPath规则，其中3个带fallback逻辑。例如abstract_xpath定义为：

{ "primary": "//blockquote[@class='abstract']//p", "fallback": ["//div[@id='abs']//p", "//section[@id='abstract']//p"], "timeout": 15 }

这样当主XPath失效时，自动尝试fallback，超时15秒则放弃。2026年10月5日凌晨，arXiv结构变更，主XPath失效，系统在3.2秒内切换到fallback并成功抓取，全程无告警。

4.3 数据采集与清洗流水线执行

核心采集脚本fetch_daily.py接受日期参数，自动调度：

# 执行2026年10月5日采集（UTC时间，自动转换时区） source ~/env/bin/activate python ~/scripts/fetch_daily.py --date 2026-10-05 --timezone UTC

脚本内部逻辑：

1. 从预设信源列表（arXiv, GitHub trending, Hugging Face models, 7家认证博客）拉取当日增量URL
2. 对每个URL启动独立进程（避免单点失败影响全局），超时30秒强制kill
3. 清洗阶段执行：HTML转纯文本 + 移除广告JS痕迹 + 术语标准化（调用mapping_v202610.json）
4. 输出中间文件raw_20261005.jsonl，每行一个JSON对象，含url,title,cleaned_text,fingerprint_match

当日共处理1427个URL，有效抓取893个，失败率37.4%（主要因GitHub rate limit和arXiv临时维护）。但失败URL会被记录到failed_urls_20261005.log，供次日人工补采。

4.4 可信度评分与精筛

调用TinyBERT模型进行批量评分：

# 模型权重存于私有OSS，需凭证 export OSS_ACCESS_KEY_ID=xxx export OSS_ACCESS_KEY_SECRET=yyy python ~/scripts/score_trust.py \ --input raw_20261005.jsonl \ --model oss://aibot-models/tinybert-v3-finetuned.pt \ --threshold 0.82 \ --output scored_20261005.jsonl

score_trust.py关键参数：

• --batch_size 16：显存限制，A100-40G下最优
• --max_length 512：截断长文本，但保留技术术语密度高的前段
• --confidence_min 0.75：若模型对某样本置信度<0.75，标记为“需人工复核”

当日893个样本中，612个得分≥0.82，127个置信度<0.75（含3条arXiv草稿版误判），154个低于阈值。所有“需复核”样本自动推送到内部Slack频道，带高亮原文片段。

4.5 摘要生成与结构化输出

对612个高分样本，启动摘要生成：

python ~/scripts/generate_summary.py \ --input scored_20261005.jsonl \ --model Qwen2-7B-Instruct \ --template templates/ai_summary_jinja2.txt \ --output summary_20261005.md

模板ai_summary_jinja2.txt强制约束输出格式：

### {{ title }} **来源**：{{ url }} **发布时间**：{{ publish_date }} **技术要点**： - {{ point1 }} - {{ point2 }} **验证状态**：{{ verification_status }}（如：已开源/准开源/未开源） **关联进展**：{{ related_items|join(', ') }}

其中verification_status由独立脚本check_openness.py实时查询GitHub API生成，related_items调用图谱服务API返回。生成的summary_20261005.md即为日报初稿。

4.6 人工锚点校验与终稿生成

三位成员各分配200条样本，通过内部Web界面完成校验：

• 界面显示摘要+原文关键段落+原始URL
• 每条需点击三个按钮：“确认无误”“需修改”“应剔除”
• 选“需修改”时，弹出编辑框，可直接修改摘要文本
• 所有操作留痕，生成audit_log_20261005.csv

当日校验完成率100%，共修改摘要47处（主要是指标单位补充和开源状态修正），剔除2条（1条为重复收录，1条为作者撤稿）。终稿ai_daily_20261005_final.md自动生成，含标准页眉：

AI 日报 · 2026年10月5日（UTC） 数据截止：2026-10-05 23:59:59 UTC 可信度校验：612条经TinyBERT初筛，200%人工锚点复核

4.7 自动化发布与归档

终稿通过Webhook推送到知识库系统：

curl -X POST https://wiki.example.com/api/v1/pages \ -H "Authorization: Bearer $WIKI_TOKEN" \ -d "title=AI日报-20261005" \ -d "content=$(cat ai_daily_20261005_final.md)" \ -d "space=ai-research" # 同时归档原始数据 aws s3 cp raw_20261005.jsonl s3://aibot-archive/raw/2026/10/05/ aws s3 cp summary_20261005.md s3://aibot-archive/summary/2026/10/05/

归档策略：原始数据永久保存，摘要数据保留180天，日报终稿永久在线可查。所有S3操作启用服务端加密（SSE-KMS），密钥由KMS托管。

实操心得：第一次部署时，我们把fetch_daily.py设为cron每小时执行，结果因arXiv的rate limit被封IP。现在改为每日02:00 UTC单次执行，并在脚本开头加入随机sleep（1-120秒），模拟人类访问节奏。另外，所有网络请求必须带User-Agent: AI-Daily-Bot/1.0 (research@aibot.example)，否则部分博客会返回403。这些细节，文档里不会写，但踩过坑才知道。

5. 常见问题与排查技巧实录：那些让日报停摆3小时的“幽灵错误”

即使流程再严谨，日报系统也会在凌晨两点给你发告警。以下是过去半年高频问题的实战排查手册，按发生频率排序，每条都附真实案例和解决耗时：

5.1 问题：TinyBERT评分突降，大量本该入选的内容得分<0.7

现象：2026年10月3日，可信度得分≥0.82的样本从日均612骤降至203，且集中在GitHub信源。
排查路径：

1. 先确认模型权重未被覆盖（ls -la tinybert-v3-finetuned.pt，时间戳正常）
2. 抽样检查输入文本：发现GitHub README清洗后，大量技术术语被误删（如“flash-attn”变成“flash”）
3. 追溯清洗脚本：定位到clean_github.py第89行，正则r'[-_]'过度匹配，把连字符全删了
   根因：术语映射表升级时，新增了“flash-attn”词条，但清洗脚本未同步更新保留连字符逻辑
   解决：修改正则为r'(?<!flash)-(?=attn)'，仅删除非flash-attn场景的连字符；补丁上线后37分钟恢复
   预防：在CI流程中加入“术语存活率”检查——对清洗后文本，统计映射表中术语的实际出现率，<95%则阻断发布

5.2 问题：arXiv抓取成功率归零，所有请求返回503

现象：2026年10月1日03:00起，arXiv抓取全部失败，错误日志显示ConnectionResetError
排查路径：

1. 手动curl测试：curl -v https://arxiv.org/abs/2609.12345返回503，但加-H "User-Agent: Mozilla/5.0"正常
2. 检查代码：发现fetch_arxiv.py中UA字符串写成"AI-Daily-Bot/1.0"，未包含浏览器标识
3. 查arXiv官方公告：发现2026年9月30日更新反爬策略，要求UA必须含Mozilla/或Chrome/
   根因：合规性变更未同步到爬虫配置
   解决：更新UA为"Mozilla/5.0 (AI-Daily-Bot/1.0; +https://aibot.example/robots.txt)"，12分钟恢复
   预防：订阅arXiv的robots.txt变更RSS，自动解析Crawl-delay和User-agent要求

5.3 问题：摘要中出现乱码““”“””，且集中在英文引号位置

现象：日报中所有英文双引号显示为“，影响可读性
排查路径：

1. 检查原始网页编码：curl -I https://xxx | grep charset显示charset=utf-8
2. 检查清洗脚本：bs4.BeautifulSoup(html, 'lxml')未指定from_encoding
3. 测试：BeautifulSoup(html, 'lxml', from_encoding='utf-8')解决
   根因：lxml解析器在无显式编码声明时，可能误判为latin-1
   解决：全局修改所有BeautifulSoup调用，强制from_encoding='utf-8'，5分钟修复
   预防：在requirements.txt中锁定lxml==4.9.4（已修复此bug的版本）

5.4 问题：GitHub trending数据为空，但API返回200

现象：fetch_github_trending.py日志显示“获取trending成功”，但输出0条URL
排查路径：

1. 手动调用API：curl -H "Accept: application/vnd.github.v3+json" https://api.github.com/search/repositories?q=ai+language:python&sort=stars&order=desc&per_page=10
2. 发现返回{"message":"Validation Failed","errors":[{"resource":"Search","field":"q","code":"invalid"}]}
3. 检查代码：q=ai+language:python中+未urlencode，应为q=ai%20language%3Apython
   根因：GitHub搜索API对空格和冒号有严格编码要求
   解决：用urllib.parse.quote()封装所有query参数，8分钟上线
   预防：所有API调用前，强制通过validate_github_query()函数校验

5.5 问题：终稿Markdown渲染异常，标题层级错乱

现象：日报中### 技术要点被渲染成二级标题，破坏结构
排查路径：

1. 检查终稿文件：发现###前有多余空格### 技术要点
2. 追溯generate_summary.py：Jinja2模板中{{ point1 }}变量含前置空格
3. 检查数据源：某博客原文列表项为<li>&nbsp;&nbsp;支持FP8</li>， 被转义为空格
   根因：HTML实体处理不彻底
   解决：在清洗阶段增加html.unescape()和re.sub(r'\s+', ' ', text)，15分钟修复
   预防：在终稿生成后，添加markdown_lint校验，检测空格违规

5.6 问题：人工校验界面加载缓慢，超时达30秒

现象：Slack通知后，成员点击链接需等待30秒才显示内容
排查路径：

1. Chrome DevTools分析：发现/api/sample?ids=...接口耗时28秒
2. 查看后端日志：SELECT * FROM raw_data WHERE id IN (...)扫描全表
3. 检查表结构：raw_data表无id索引
   根因：数据库迁移时遗漏索引创建
   解决：CREATE INDEX idx_raw_id ON raw_data(id);，执行后响应降至0.4秒
   预防：所有数据库变更必须通过Flyway管理，含索引定义SQL

5.7 问题：归档S3上传失败，错误NoSuchBucket

现象：日报生成成功，但S3归档日志报NoSuchBucket: aibot-archive
排查路径：

1. 手动aws s3 ls s3://aibot-archive/报错
2. 检查AWS控制台：发现存储桶aibot-archive被误删（同事清理测试资源时手滑）
3. 恢复备份：从Glacier恢复，耗时2小时
   根因：生产存储桶未启用MFA Delete保护
   解决：重建存储桶，开启MFA Delete和版本控制；配置CloudTrail告警，DeleteBucket事件立即短信通知
   预防：所有生产S3桶的IAM策略，禁止*:*权限，仅允许S3:GetObject,S3:PutObject等最小集

排查口诀：永远先看日志时间戳，再比对上下游数据哈希值，最后才怀疑代码逻辑。我们有条铁律：任何问题，先在测试环境用相同参数复现，再改生产。2026年10月5日那次arXiv UA问题，就是靠这条救了命——测试环境提前3小时复现，修复后平滑上线，用户零感知。

6. 工具链与配置参数详解：一份可直接抄作业的清单

整套日报系统不是黑盒，所有工具、参数、阈值都经过千次验证。以下是2026年10月5日稳定运行的完整配置快照，你可直接复制使用（替换域名和密钥）：

6.1 核心工具版本矩阵

6.2 关键参数配置表

6.3 信源优先级与配额