[路线图] 鼠钟：设计阶段与一期 #2

欢迎在这里提建议、补充使用场景，或参与设计与开发。各方向的具体方案和认领在对应的任务 Issue 里跟进；问题反馈和新建议请用模板另开 Issue。

更新于 2026-11-14。一期开工了：大家共用的部分已经由维护者做好（#21），包括表结构、网站和抓取节点之间的接口、收抓取结果和归并、登录和权限、页面的框架和样式。剩下的拆成了下面的任务，可以并行认领。

本地怎么跑见 AGENTS.md 的「命令」：pnpm seed 填示例数据，登录用假的鼠洞。设计见总体设计，参与方式见 CONTRIBUTING。

引用说明：Issue 用于需求和讨论，PR 用于方案和实现。PR 合并不等于上线，任务 Issue 按验收标准关闭。

实验和数据

• 扩充标注集：初筛覆盖全部 45 个列表页，抽取扩到 150 条左右，以后换模型跑一遍就能定门槛；待认领，初筛的部分适合新人。[任务] 扩充初筛和抽取的标注集 #84

一期：能看、能改

网站

网站这边一期的任务由维护者 @JunieXD 做，做完的见下面的「已完成」；有建议直接开 Issue。

• 证据只在图片里的值送审核页：图片附件的文字是 DeepSeek 读出来的，认错的值在快照里照样「原样找得到」，所以证据只在图片附件里的字段一律送审核页，规则写进总体设计 §8.3；抓取节点上线前做。

抓取节点

• 失败的模型调用也算进用量：初筛中途失败、抽取答错时，这次调用的用量交不到网站，抓取看板的用量统计里少了它（抽取的先记在日志里）；要让 POST /runs 带上失败调用的用量，网站和抓取节点都要改。待认领
• 列表页的年份写在分组标题里时读出日期：有的列表页把年份写在分组标题里，每行只写月和日，现在这些条目读不出日期；第一次抓往回翻两年靠条目的日期判断停在哪，日期全空的来源会一直翻到最后一页。接通抓取节点试抓与配置生成 #101 试抓时发现。待认领

鼠洞登录

鼠钟这边已经做好（#25）。鼠洞的授权接口已在 mousebaoyan/mousehole#347 合并，本地对着它走通了登录，文档在 #78 里更新。上线时在鼠洞后台登记鼠钟，把 client_id 和密钥填进鼠钟的配置。

已完成

• 总体设计：添加初始设计文档和项目规矩 #1
• 技术选型：网站和鼠洞同一套，抓取节点用 Python，见总体设计 §5。Issue：[任务] 技术选型：网站和抓取节点 #3；PR：定下技术栈：网站和鼠洞同一套，抓取节点用 Python #11
• 项目骨架和协作设施：PR 要通过 CI 的检查才能合并。Issue：[任务] 项目骨架和协作设施 #8；PR：统一换行和编辑器设置，任务按部署单元加标签 #9、搭好网站和抓取节点的骨架，接上 CI #12
• 一期的主干：Issue：[任务] 一期的主干：先定下共用的部分 #21；PR：建好一期的表，定下抓取节点的交接流程 #22–加上页面共用的时间值显示和项目状态 #30
• 管理院校清单和来源：管理员在网页上维护院校和来源。Issue：[任务] 管理院校清单和来源 #37；PR：添加管理员院校与来源管理 #52
• 带令牌的请求不再按会话 Cookie 认人：认证收到一处。Issue：[任务] 带令牌的请求不再按会话 Cookie 认人 #56；PR：带令牌的请求不再按会话 Cookie 认人 #58
• 抓取不再读 robots.txt：有的学院官网一请求 robots.txt 就断开连接。PR：抓取不再读 robots.txt #70
• 第一批来源清单：7 所学校 45 个通知列表页，学院和研究生院的都有，见 data/sources.csv。Issue：[任务] 第一批来源清单 #5；PR：补充第一批来源清单 #66
• 院校清单和学院页：按学校找学院，看它的来源和历年的项目。Issue：[任务] 院校清单和学院页 #33；PR：实现院校清单和学院页 #71
• 句子、日期和链接的编号：抽取时模型只选编号，程序按编号取值和原文证据。Issue：[任务] 句子、日期和链接的编号 #43；PR：实现原文句子日期和链接编号 #75
• 初筛的实验：用 SemIf 判别模型只看标题，门槛 0.1，见总体设计 §8.1、§8.5；标注集扩充后重跑（[任务] 扩充初筛和抽取的标注集 #84）。Issue：[任务] 初筛的实验 #4；PR：补充初筛标注集 #67、添加初筛评估脚本和实验结果 #68、补充 System One 多模型初筛比较结果 #80
• 读列表：按页面上重复的结构认出列表，认不出的用配置指定；第一次抓往回翻到两年前。Issue：[任务] 读列表：通用抓取、配置和往回翻页 #6；PR：实现通知列表解析、配置和历史翻页 #83
• 抽取的实验：选定 DeepSeek V4.1 Flash 的编号方案，见总体设计 §8.5；上线走 DeepSeek 官方接口。Issue：[任务] 抽取的实验 #18；PR：补充抽取实验标注集 #72、补充基于编号的抽取评估和实验结果 #81
• 总表（首页）：一届的项目按截止时间排好，能筛选、排序、搜索和分页，条件在网址里，数据没变时浏览器不重新下载。Issue：[任务] 总表（首页） #31；PR：实现总表的接口、页面、筛选和分页 #87
• 校验提示写明是哪一项、怎么改：比如「学校名称不能为空」，以后要人填的字段照这样起名。Issue：[任务] 校验不通过时显示好懂的中文提示 #57；PR：校验不通过时提示是哪一项、怎么改 #88
• 详情页：原文放在最上面，每个字段能看到原文里的句子和来自哪一版，每一版都能打开快照；快照净化后只留文字、表格和链接。Issue：[任务] 详情页：字段、证据和快照 #32；PR：实现项目详情页、版本和快照 #89
• 直接修改、修改记录、撤销和已核对：L3 以上在详情页直接改，人改的字段之后的通知不覆盖；每次修改都有记录，撤销时连来源一起放回去；管理员能一次撤销某人的全部修改。Issue：[任务] 直接修改、修改记录、撤销和已核对 #35；PR：实现直接修改、修改记录、撤销和已核对 #90
• 审核页：抽取拿不准的字段和归并由 L3 以上对照原文决定，通过就照那个版本上表或者归并，驳回只关掉这一条；下面列全站最近的修改。Issue：[任务] 审核页 #36；PR：实现审核页 #91
• 抓取看板：按天看每个来源每一轮的结果、没抓成的通知和模型用量，连续失败的标红、旺季里 30 天没有新通知的标黄，抓取节点很久没来领活时提示；来源管理页的最近一次结果链接过来。Issue：[任务] 抓取看板 #34；PR：实现抓取看板 #92
• 抓取节点令牌：站长在系统设置里生成和作废，令牌只显示一次，作废马上生效。Issue：[任务] 抓取节点令牌：站长的系统设置 #39；PR：实现抓取节点令牌的管理 #93
• 试抓（网站这边）：管理员在来源管理页试抓列表页，看抓到的条目和生成的配置，采用后保存来源。Issue：[任务] 试抓：网站这边 #38；PR：实现试抓的网站这一半 #94
• 读正文和附件：正文按建站系统的正文容器取，认不出的记进抓取记录、不猜；附件按页面上的顺序下载、取出文字，要验证码下载的照样列出、文字留空。选定的库见总体设计 §5.1。Issue：[任务] 读正文和附件 #40；PR：实现读正文和附件 #98
• 浏览器抓取：要执行脚本才显示内容的来源用无头 Chromium 打开再抓，一轮里同一个来源共用一个无痕会话，页面访问和附件下载照样守同一网站一次一个请求的规矩。Issue：[任务] 浏览器抓取 #41；PR：接入浏览器抓取 #77
• 重新设计网站的界面：项目一个一张卡片，筛选可多选并显示数量，加上校徽；适配手机，切换时有过渡动效，页面和静态文件压缩传输。PR：重新设计网站的界面，加上校徽 #95
• 初筛接进一轮：新通知按标题初筛，过门槛的才往下读；初筛不成的记进没抓成的通知，下一轮再初筛。Issue：[任务] 初筛接进一轮 #42；PR：实现一轮中的初筛步骤 #82、加上抓取节点的入口和镜像 #100
• 抽取接进一轮：读到的正文和附件交给 DeepSeek，模型只选编号，程序按编号取出值和原文证据交给网站。Issue：[任务] 抽取接进一轮 #44；PR：将编号抽取接进一轮 #96
• 入口和 Dockerfile：抓取节点作为常驻进程运行，每分钟领活、各来源同时抓，停止时做完进行中的几轮再退出；镜像带无头 Chromium。Issue：[任务] 抓取节点的入口和 Dockerfile #45；PR：加上抓取节点的入口和镜像 #100
• 试抓（抓取节点这边）：领到试抓只读列表第一页，带了配置按配置读，没带的先通用解析、取不到条目才让 DeepSeek 生成选择器；条目、配置、失败原因和用量交回网站，抓取节点上线后管理员就能在来源管理页试抓。Issue：[任务] 试抓：抓取节点这边 #46；PR：接通抓取节点试抓与配置生成 #101
• 补上认不出的日期写法：认得出带完整年份的数字年月日、「号」、中文数字的年月日和旬，以及括号里的日期后面紧跟的时刻；6.30 这样的短数字月日不认，见总体设计 §8.2。Issue：[任务] 补上日期识别认不出的写法 #85；PR：补齐通知日期写法并保留编号证据 #97
• 图片和扫描件里的文字：图片附件和没有文字层的 PDF 交给 DeepSeek 读，长图切成小块一次送完，扫描的 PDF 由 pypdf 取出每页的图片；同一张图每次读的可能不一样，读过的文件存在抓取节点上，没变就不重读。起初用本地的 RapidOCR，比较后换成 DeepSeek：9 张样本的关键信息认对 111/113，RapidOCR 是 94/113，见总体设计 §5.2。Issue：[任务] 图片和扫描件的文字识别 #47、[任务] 实验：让 DeepSeek 直接读图片附件 #102、[任务] 图片改由 DeepSeek 切块读 #105；PR：实现图片附件的文字识别 #74、识别扫描的 PDF 里的文字 #103、写下图片改由 DeepSeek 读的比较和结论 #104、图片改由 DeepSeek 切块读 #106

之后

二期（提醒和大家一起纠错）、三期（Agent 接入）和以后的计划见总体设计 §17。

目标是一期和二期在 2027 年 3 月底前上线，赶上 28 届的夏令营季。