企业官网建设流程全解析

• 人工智能
• 大模型
• AI Agent
• RAG
• 深度研究
• 搜索引擎
• 后端
• 代码智能体

本文是 openJiuwen DeepSearch 子报告大纲阶段"覆盖证据（Coverage Evidence）通道"的实现详解。该通道与既有的key_passages（关键词相关性检索）并行，按客观信息密度从原文尾部抽取高密度事实段落，解决"原文含事实但不含提问关键词、被检索阶段丢弃、大纲看不见"的结构性事实遗漏问题。读完本文，你将掌握该通道的设计动机、数据契约、五类事实特征与计分口径、供给区切片方案、提示注入缓解策略、预算控制、边界处理与测试验证路径，可直接对照源码进行二次开发或效果评估。

1. 背景与动机：为什么需要关键词无关的证据通道

1.1 既有key_passages通道的局限

在子报告生成流程中，extract_key_passages（位于 collector_evidence.py）是 query/title关键词命中式的规则抽取：先由extract_keywords从 query 与标题提取轻量关键词（CJK 按 4/3/2 字滑窗切分、ASCII 按 token 切分，上限 30 个），再由_passage_score对每个段落打分（关键词命中 +2.0、数字单位 +1.5、长度适中 +0.5、超长 -1.0），排序后取 Top-K（默认 5 段）。

这种"相关性检索"存在一个结构性盲区：原文中不包含提问关键词、但确实包含数字/日期/实体/引用等高信息密度事实的段落，会在采集阶段被直接丢弃。大纲阶段因此"看不见"这些事实，也就不会为它们安排章节结构——最终表现为报告中的结构性事实遗漏（structural fact omission）。

1.2 Coverage 通道的定位与命名

Coverage Evidence 通道（源码注释中称为"方案 B"的工程实现）在抽取逻辑上与关键词完全无关，按客观信息密度（数字、日期、时间、实体、引用五类事实特征）打分，专门兜住关键词检索漏掉的事实段落。它与structured_evidence_guide（rationale 链路产出的维度级覆盖状态表）并存，但定位为段落级补充信号：

• structured_evidence_guide：维度级覆盖信号（哪些维度已覆盖、哪些薄弱）；
• Coverage 通道：段落级覆盖信号（这段原文有没有高密度事实、要不要喂给大纲）。

文档明确划定本通道的维护范围与边界（见 coverage-evidence-channel.md）：

• 覆盖：子报告大纲阶段的覆盖证据通道，即"规则版"实现；
• 不覆盖：写作阶段 prompt（方案 A，见sub_report_markdown/）、按section_iscore分级（未实现）；
• 后续 PR 规划中"LLM 压缩增量、直达注入虚拟条目"等增强 channel 均不在当前实现内。

2. 两阶段证据输入来源：大纲 vs 写作

子报告章节生成分大纲与写作两个阶段，各自接收的 channel 构成不同：

2.1 大纲阶段（_generate_sub_section_outline）

prompt 位于 sub_section_outline/（system.md+user.md）。输入包括：

• 章节结构上下文：章节标题/描述/格式要求、全局大纲、section_local_contract、research_intent、背景知识特例（sub_section_core_content_from_background_knowledge）；
• sub_section_core_content（顺序拼接、不交错）：
  1. 条目摘要块（build_core_content_list）：fulltext 条目渲染清洗后原文前 500 字符（outline_summary_text），passage 条目渲染被选中的段落；
  2. 规则版 coverage 聚合块（===== COVERAGE PASSAGES =====分隔符包裹，本通道范畴）；
• structured_evidence_guide：维度级覆盖状态表（rationale 链路产出）。

2.2 写作阶段（write_subsection_reports）

prompt 位于sub_report_markdown/。输入包括：

• classified_content（写作主证据）：fulltext 条目整篇原文 + passage 条目选中段，经build_citation_infos渲染为[citation:X]块；
• 本章提纲（大纲阶段产物，写作边界）、章节格式要求、背景知识等上下文。

3. 可见行为：双通道并存与运行开关

3.1 组装行为

_append_rule_coverage_to_core（evidence.py）对每个全文证据额外抽取覆盖证据，去重后聚合成一个===== COVERAGE PASSAGES =====块，追加到core_content_list末尾（key 块在前、coverage 块在后、不交错）。

• 纯叙述、无事实特征的文档不产生覆盖证据；
• 所有文档都无有效事实时不追加该块；
• 覆盖证据的供给区为文档大纲摘要块切片线之后的尾部（方案乙口径，见 §7）。

3.2 运行开关coverage_rule_block_enable

开关定义于 config.py 的AgentConfig.coverage_rule_block_enable，默认True，经请求配置统一下发（与visualization_enable等报告开关同风格）：

coverage_rule_block_enable: bool = Field( default=True, description="子报告大纲阶段规则版覆盖证据（coverage passages）开关，" "关闭后大纲证据仅含条目摘要块", )

下发链路在 main_graph_nodes.py（agent_config["coverage_rule_block_enable"] = origin_agent_config.get("coverage_rule_block_enable", True)），消费侧在 evidence.py 的_prepare_evidence：置False时大纲证据仅含条目摘要块，可单独回滚，不影响 key 通道与其他报告开关。测试test_coverage_rule_block_enable_default_matches_config与test_coverage_rule_block_enable_false_skips_rule_block（test_sub_report.py）双向绑定该行为。

3.3 大纲 prompt 的双通道语义

大纲 prompt（sub_section_outline/system.md的## Evidence Channels节）新增两路证据语义说明：

• key passages =relevance signal（相关性信号）；
• coverage passages =completeness signal（完整性信号），包含数字、日期、命名实体、引用，以及关键词匹配不到的非数字事实陈述（关系、结论、依赖）；
• 证据边界从"仅 key passages"放宽为"key passages + coverage passages"；
• 明确覆盖证据不强制开新标题，遵守"证据不改结构"规则——coverage 的事实归入最相关的既有标题；
• Document N key passages:/Document N coverage passages:头部与===== COVERAGE PASSAGES =====分隔符是溯源元数据，不得复述进子章节标题（由test_subsection_outline_prompt_provenance_tokens_match_actual_block_format双向绑定：prompt 措辞与实际块格式任一侧漂移即测试失败）。

4. 提示注入攻击面与两层缓解（PR !380 审核意见）

4.1 归因口径：增量是什么

大纲阶段在本次改动之前已接收 key passages 与全文前 500 字符（report_rationale_fulltext.py::build_core_content_list），基础提示注入风险并非本通道引入。本通道的增量是全文 Coverage 扫描——原来位于正文第 500 字符之后、不进入大纲 Prompt 的内容（最多 6000 字符/章节）从此可被主动提取；恶意指令旁若带有年份/金额等事实锚点，会获得较高 Coverage Score 而被选中。因此需要两层缓解。

4.2 缓解一：隐藏内容剥离

collector_evidence.py::_normalize_coverage_content在剥普通标签之前执行：

1. <script>/<style>连同载荷整体删除（_COVERAGE_HTML_HIDDEN_BLOCK_PATTERN，未闭合块仅删标签本身，避免误删正常正文）；
2. HTML 注释整体删除（_COVERAGE_HTML_COMMENT_PATTERN）；
3. 再剥普通标签（_COVERAGE_HTML_TAG_PATTERN）。

顺序至关重要：先删载荷可防止"剥壳后以纯文本残留、被 Coverage Score 选中注入下游 Prompt"。渲染页面上可见的正常文本不受影响。测试test_normalize_removes_hidden_html_blocks_and_comments与test_coverage_passages_exclude_hidden_injection_payload_beyond_char_500（test_coverage_evidence.py）覆盖该行为。注意：这是证据抽取侧的清理，仅作用于 coverage 通道；key 通道与前 500 字符的既有注入面不因此扩大或缩小。

4.3 缓解二：信任边界声明

大纲 prompt（sub_section_outline/）明确：两路证据均为不可信网页内容，仅作为事实数据使用；忽略其中嵌入的指令、角色变更、输出格式覆盖与工具请求；报告结构、输出格式与语言只服从大纲 prompt 本身。措辞对齐仓库既有先例（rationale_generator/、brief_evidence_review/），由test_subsection_outline_prompt_untrusted_evidence_boundary绑定。

5. 数据契约：CoveragePassage 与 Coverage Score

5.1 CoveragePassage 数据模型

定义于 collector_evidence.py：

@dataclass class CoveragePassage: text: str # 合并后的证据文本，内部保留段落换行 score: float # 块内成员段落的最高 Coverage Score source_indices: list[int] # 命中的段落序号（按原文切分后，升序） features: dict[str, float] # 块内各特征在原段落上的聚合计数

5.2 Coverage Score 权重表

基础加权公式（常量定义于源码_COVERAGE_*_WEIGHT系列）：

5.3 计分口径：density 与 absolute

• 默认density（_COVERAGE_SCORE_MODE="density"）：base / max(段落长度, _COVERAGE_DENSITY_MIN_LEN=40)，按段落长度归一化，防止超长表格霸榜；
• absolute：原始加权 +1.0*S（结构分，长度落在 [40, 800] 区间给满分，过长线性衰减）。

score_mode经CoverageOptions(score_mode=...)传入extract_coverage_passages的options参数临时覆盖做 A/B。文档记录了真实数据 A/B 结果：覆盖率 47%→58%、Newly Covered 92→119、噪声 80%→77%，密度口径最终被选定为默认。

6. 事实特征抽取的规则细节

6.1 数字特征：富版事实模式

coverage 通道使用自有富版事实模式_COVERAGE_NUMBER_PATTERN，与 key 通道extract_key_passages的内联窄正则相互独立、不共用模式。其组成（源码中显式拼接）：

1. 数字+单位分类（_SUFFIX_UNIT_PATTERN：货币/大数/百分比/时间/计数/长度/重量/体积/技术/电气/医学/学术共 12 类单位，长词在前防止"万亿"被"万"抢先短路）；
2. 前置货币符号（$¥€£₩₹₽+ 数字，如$100 million）；
3. 学术统计模式（p<0.05、n=1000、r=0.85、R²=0.76、95% CI、±1.5、α=0.05）；
4. 裸数字兜底（含千分位与拉丁边界，(?<![A-Za-z0-9])...(?![A-Za-z])避免 "5Very" 误判）。

日期内部数字由日期区间排除（_count_numbers_outside_date_spans）。季度/半年归入日期特征（权重 2.0），相对时间词归入时间特征（权重 1.5）。测试test_coverage_features_date_not_counted_as_number、test_large_number_with_year_suffix_not_date覆盖边界。

6.2 实体特征：正字法结构信号

• 中文侧：前缀 + 机构后缀结构信号判定（_COVERAGE_ENTITY_SUFFIXES：公司/集团/大学/研究院/研究所/科学院/委员会/基金会/银行/医院/总局/基地/产业园/论坛/峰会/实验室/中心/协会等）；紧邻的法定/附属尾词（如"股份有限公司""附属医院"）去重，避免把单个机构算成多个实体（test_cjk_compound_org_not_double_counted）；
• 英文侧：只认正字法结构信号——词内第二处大写字母（OpenAI/NASA/iPhone/U.S，与位置无关）或非句首的首字母大写词（"at Microsoft" 的 Microsoft）；句首首字母大写是英文书写规范而非专名信号（Revenue/However 会被误判为实体，PR !380 评审意见），不作为判定依据；连续 Title 词序列（Goldman Sachs / 标题行 Markets Fall Again）压缩计 1 个实体，序列连续性按 token 间间隔判定——只有纯水平空白延续序列，间隔含逗号/顿号/数字即重置（"Apple, Microsoft, Google" 列举各自计数）；句首专名（"Microsoft announced..."）因此漏检，由 key 通道关键词兜底（宁可漏检不可误报，整段叙述文本涌入 coverage 是更坏的失败）。

计数（_count_entities）与锚点提取（extract_fact_anchors）共用_iter_english_entities同一口径，避免两处判定漂移。test_english_narrative_sentence_not_entity、test_english_entity_structural_signals、test_english_title_sequence_gap_breaks_on_nonblank、test_english_carriage_return_is_sentence_break等测试覆盖这些细节。

6.3 合并跨度上限与近似去重

• max_merge_span=5：相邻高分段连续并入一个证据块超过该上限即另起新块，防止雪崩吞并（_COVERAGE_MAX_MERGE_SPAN）；块间天然不共享段落（test_max_merge_span_caps_block_size）；
• 两级去重：
  • Level 1 精确去重：归一化文本（NFKC + 换行/连续空白规整）相同即丢弃；
  • Level 2 近似去重（方案4 锚点级，v2 口径）：按锚点键重合率≥_COVERAGE_ANCHOR_DEDUP_RATIO=0.85判定"同一事实的换措辞"。
• 锚点键规整（_anchor_dedup_key）：数值锚点保留原文（数字/小数点/正负号/单位/量级词一律不折叠），仅做三类字符级规整——千分位逗号（1,000≡1000）、全半角百分号（20%≡20％）、数字与单位间排版空白（3 万≡3万）。因此20%与20个百分点不同键、1.5亿元与15%不同键——数字相同但单位/量级/写法不同的锚点不被折叠，避免锚点级去重误删"数字核心相同、语义维度不同"的真实事实；
• 单锚点块跳过近似去重：一个共享数字不足以判定"同一事实的换措辞"（如"收入增长20%"与"成本下降20%"），误删代价大于漏删；
• 结构相似但版本/年份/单位/量级不同的事实不会被误删（test_anchor_dedup_key_preserves_magnitude_unit、test_anchor_dedup_keeps_same_number_different_metric、test_anchor_dedup_keeps_same_number_different_direction_or_subject、test_anchor_level_dedup_keeps_structural_similar_different_facts等）。

7. 供给区切片（方案乙）：摘要块之外的尾部全量供给

7.1 演进背景

rationale 选材接管证据选择后，key_passages通道已退役（不再进入大纲/写作 prompt，仅保留 target-paper 兜底用途）。早期实现是"全文抽取后按文本重叠 + 锚点救援判重剔除"，但锚点是字面记号而非语义——不同事实可共用同一组锚点（如"收入增长20%"与"成本下降20%"），重叠块因"无新锚点"被整段误删（PR !406 评审复现）。切片方案把判重环节整个移除。

7.2 互补切片机制

条目摘要块的实际渲染文本（与report_rationale_fulltext.build_core_content_list渲染口径一致）为：

• fulltext 条目：清洗后原文前 500 字符（collector_evidence.py::outline_summary_text，OUTLINE_SUMMARY_MAX_CHARS = 500单一真源，防两处维护漂移）；
• passage 条目：被选中的passage_text（当前规则块只对 fulltext 条目运行，此条供后续复用方沿用同一口径）。

覆盖证据不做与摘要块的判重，直接从outline_summary_tail_text返回的尾部抽取——该函数与outline_summary_text在同一个_normalize_coverage_content清洗文本上取互补切片（[OUTLINE_SUMMARY_MAX_CHARS:]）：

def outline_summary_text(content: str, max_chars: int = OUTLINE_SUMMARY_MAX_CHARS) -> str: text = _normalize_coverage_content(str(content or "")) return text[:max_chars] if len(text) > max_chars else text def outline_summary_tail_text(content: str, max_chars: int = OUTLINE_SUMMARY_MAX_CHARS) -> str: text = _normalize_coverage_content(str(content or "")) return text[max_chars:]

因此摘要块已供给的内容在抽取阶段构造性地不被触碰，摘要块之外的内容全部供给。原则是宁可多供（token 冗余）不可漏供（事实丢失），冗余由单文档/章节共享预算兜底。测试test_outline_summary_tail_is_exact_complement_of_summary、test_doc_coverage_supply_zone_excludes_summary_prefix、test_reviewer_repro_cost_fact_with_shared_anchors_is_supplied、test_supply_zone_fact_right_after_500_boundary_is_supplied覆盖。

7.3 边界行为

清洗后 ≤ 500 字符的 fulltext 文档整篇已进大纲摘要块，尾部供给区为空，覆盖证据对该文档为空——这是方案乙切片的必然结果，属正确行为而非缺陷（test_extract_coverage_passages_empty_for_short_fulltext_doc）。

8. 核心流程与两级预算控制

8.1 核心调用链

1. 大纲输入装载（generate_sub_report→enrich_fulltext_for_section+_append_rule_coverage_to_core），对每个全文证据：
   • extract_coverage_passages(outline_summary_tail_text(item.original_content), max_passages=_COVERAGE_TOP_K_CAP, max_chars=1200)从尾部抽取覆盖证据块；
   • 结果按(content, 全部参数)做进程内有界缓存（functools.lru_cache(maxsize=512)，_COVERAGE_CACHE_MAXSIZE），同章节重试/重生成不重复计算；缓存键含CoverageOptions（frozen dataclass 可哈希），返回对象每次调用新建、调用方可自由修改不影响缓存或其他调用方（test_extract_uses_bounded_cache_per_content_and_params、test_extract_returns_independent_objects_not_shared_by_cache）；
   • 选段不预设硬 Top-K（_COVERAGE_TOP_K_CAP=128仅作候选池上限），由单文档字符预算兜底（方案2：预算即终止条件）；
   • 裁入章节级总预算_COVERAGE_MAX_TOTAL_CHARS = 6000（_fit_coverage_to_budget）。
2. 组装：所有 key 块先进入core_content_list；最终把一个聚合 coverage 块追加到末尾。
3. 拼入 prompt：_generate_sub_section_outline把sub_section_core_content（含两路证据）与structured_evidence_guide一起拼入 outline prompt。
4. 大纲生成：大纲模型依据两路证据设计子章节标题结构；覆盖证据中的事实归入最相关的既有标题，不要求为它单独开标题。

8.2 两级预算：单文档 1200 字符 + 章节共享 6000 字符

• 单文档预算：extract_coverage_passages的max_chars参数（默认_COVERAGE_MAX_CHARS_PER_DOC=1200，生产路径显式传此值；公共签名默认值引用同一常量，test_extract_coverage_passages_default_max_chars_matches_production防漂移）；
• 章节共享预算：_COVERAGE_MAX_TOTAL_CHARS=6000，由evidence.py集成层_fit_coverage_to_budget二次裁剪。

8.3 预算裁剪语义

_fit_coverage_to_budget（与抽取内部预算循环同语义）：

• 整块能放下的完整保留；
• 放不下且已有更高考分块的整块跳过、继续尝试后面更小的块（test_fit_coverage_to_budget_skips_oversized_block_and_keeps_smaller_later_blocks）；
• 仅当第一个块即超出预算时截断该块，保证每个文档至少能贡献一个证据块（test_fit_coverage_to_budget_keeps_whole_blocks_and_truncates_first_only）；
• 章节共享预算耗尽后跳过剩余文档的抽取（结果恒为空，无谓开销）（test_append_rule_coverage_to_core_skips_extraction_when_budget_exhausted）；
• max_chars <= 0时extract_coverage_passages返回空列表（test_zero_budget_returns_empty）。

8.4 组装块格式

compact_doc_info.py::build_coverage_passage_block产出实际块格式（文档编号与 key 通道Document N key passages对齐，保持两路证据可溯源）：

===== COVERAGE PASSAGES ===== Document 1 coverage passages: - <覆盖证据文本 1> - <覆盖证据文本 2> ... Document 3 coverage passages: - <覆盖证据文本>

无任何覆盖内容时返回空串、不追加块（test_build_coverage_passage_block_empty_returns_empty_string）；test_build_coverage_passage_block_formats_aggregate_sections验证多文档聚合格式。

8.5 性能预算

文档与源码注明（生产口径 top_n=10 × 10000 字符、高事实密度最坏用例，含缓存未命中的冷调用）：约150 ms 纯 CPU（锚点去重键集合已按块缓存复用；2026-08 测量口径，优化前同用例约 1.5 s）。_append_rule_coverage_to_core被_prepare_evidence经asyncio.to_thread调用，不阻塞事件循环。规则版不引入 LLM/网络调用，无外部依赖。

9. 边界与错误处理

• 空内容/纯噪声：过短（_COVERAGE_MIN_PARAGRAPH_CHARS=10）、标题行（^#{1,6}\s+\S+）、导航词（首页/上一页/下一页/目录/更多/返回/免责声明/关于我们/联系我们）、无数字分隔行、纯引用/链接列表（剥掉引用标记与网址后 < 6 字符）、无任何事实特征 → 不产覆盖证据（test_extract_coverage_passages_returns_empty_for_junk_content、test_pure_citation_list_is_filtered_as_noise、test_pipe_nav_breadcrumb_without_digits_filtered）；
• 时间话语连接词：仅含"目前/当前/近期"的段落不产生时间特征（test_time_discourse_markers_alone_not_evidence）；
• Markdown 表格原子性：_coverage_split_passages把连续以|起始的行识别为原子单元（表格识别复用 key 通道_is_markdown_table），超长表格经_split_long_table按行切分并逐片段保留表头；单行|片段保持独立成段。表头与数据行不会因分隔行被噪声过滤丢弃而下标断档分块，列语义随表头进入证据块（test_markdown_table_with_numeric_header_stays_one_block、test_markdown_table_header_without_digits_kept_with_data_rows、test_markdown_table_surrounded_by_paragraphs_keeps_boundaries、test_pipe_fact_table_row_survives_noise）；
• 段落切分独立于上游：coverage 侧固定采用句末与换行级别切分（_coverage_split_passages），不复用split_passages的句子级滑动窗口——上游窗口会破坏 coverage 依赖的"句/段粒度"候选与邻域窗口语义；
• 邻域扩张：Top-K 段落保留 ±window（默认 1）上下文，兜住跨句表达的事实（test_extract_neighbor_expansion_merges_adjacent_fact_paragraphs、test_neighbor_window_expands_beyond_adjacent）；已按事实密度达到阈值的段落不再拉取邻居（expansion_density_threshold，默认 0 即关闭，保留参数供有限 K 场景评估）；
• 分离事实岛不合并：非相邻高分段不会跨噪声段合并成一块（test_extract_separated_fact_islands_do_not_merge）；
• 结构特征门控：仅对至少含一个事实特征的段落生效，避免纯叙述段只靠长度入选（test_structure_feature_gated_by_fact_features）。

10. 测试与验证

覆盖证据通道的验证分三层：

1. 定向单元测试：uv run pytest tests/info_collector/algorithm/test_coverage_evidence.py—— 事实密度优先于位置（test_extract_coverage_passages_prioritizes_fact_density_over_position）、噪声过滤、特征计数与封顶（test_coverage_score_weights_and_caps）、Neighbor Expansion 与相邻合并、两级去重、字符预算、摘要基准去重（含锚点救援与基准内包含判定）、候选池两级装配、缓存键隔离与返回隔离、markdown 表格原子性；
2. 组装与 prompt：uv run pytest tests/report/test_sub_report.py tests/report/test_tools_in_report.py——_append_rule_coverage_to_core追加 coverage 块（test_append_rule_coverage_to_core_builds_rule_block_and_texts）、outline prompt 渲染两路证据语义（test_subsection_outline_prompt_mentions_coverage_channels）、provenance 标记双向绑定（test_subsection_outline_prompt_provenance_tokens_match_actual_block_format）、不可信证据边界（test_subsection_outline_prompt_untrusted_evidence_boundary）、预算耗尽跳过抽取、开关默认值与关闭路径；
3. 集成降级：test_generate_sub_report_degrades_when_all_coverage_batches_fail验证所有 coverage batch 失败时章节不丢失（成功降级，success is True）。

11. 关键代码路径速查

12. 相关文档

• 子报告生成整体流程：sub-report-generation.md
• 文档选源（分类/矩阵链路）：coverage-matrix-doc-selection.md

13. 小结：设计要点回顾

Coverage Evidence 通道通过"关键词无关 + 客观信息密度打分 + 摘要块互补切片供给 + 两级预算兜底 + 锚点级近似去重 + 隐藏内容剥离与信任边界"六重设计，在不引入 LLM/网络调用、不依赖外部依赖的前提下，把"原文有事实但关键词检索不到"的段落稳定送入大纲证据。其核心取舍可概括为：

• 宁多供不漏供：供给区与摘要块构造性互补，冗余由预算兜底，彻底杜绝"锚点判重误删事实"；
• 宁漏检不误报：英文实体只认正字法结构信号，句首普通词不判实体，整段叙述文本不会涌入 coverage；
• 证据不改结构：coverage 是段落级补充信号，事实归入既有标题，绝不强制开新标题；
• 可单独回滚：coverage_rule_block_enable=False即回到"仅条目摘要块"的基线行为。

该通道与structured_evidence_guide（维度级）、key passages（相关性）共同构成子报告大纲阶段的三层证据体系，是 openJiuwen DeepSearch 报告"覆盖完整、可溯源、抗注入"能力在段落粒度上的工程底座。

• 人工智能
• 大模型
• AI Agent
• RAG
• 深度研究
• 搜索引擎
• 后端
• 代码智能体