DH-WP-001 S0 baseline 字段字典

0. 文档元信息

项	说明
消费者	Trading Matrix 策略种子工程、Data Horizon 导出脚本 / Open API 实现、运营复核
触发条件	Data Horizon 工程仓与 `dn_crawler_source` / `dn_kol` / `dn_raw_news` 事实核对完成，准备冻结第一版静态 baseline
下一步动作	按 S0 baseline 交付说明生成 `sources_baseline` / `samples_baseline`；交给 TM 后填写试消费反馈记录
Schema 版本	`dh-wp-001-s0-v1`（修订时递增，并在 `manifest.json` 中声明）
工程仓对照	data-horizon `docs/agent-tasks/dh-wp-001-trading-matrix-source-candidate.md` §3

本文冻结 DH-WP-001 S0 阶段 CSV / JSON 的字段名、必填规则、枚举值与 Data Horizon 现有表字段映射。S1 字段（dh_quality_grade 等）在本文标注为「S0 可空 / S1 必填」，导出时允许留空。

1. 交付文件与记录类型

文件名	记录类型	说明
`sources_baseline.csv` / `.json`	信源候选	一行一信源，稳定 `source_id`
`samples_baseline.csv` / `.json`	代表样本	一行一样本，稳定 `sample_id`，外键 `source_id`
`manifest.json`	元数据	生成时间、schema 版本、记录数、时间语义声明、已知限制

JSON 根结构建议：

{
  "schema_version": "dh-wp-001-s0-v1",
  "generated_at": "2026-05-27T00:00:00Z",
  "sources": [ /* 同 CSV 列 */ ],
  "samples": [ /* 同 CSV 列 */ ],
  "manifest": { /* 见 §6 */ }
}

2. 标识与引用约定（S0 冻结）

概念	格式	底层依据	备注
`source_id`	`cs_{id}`，例 `cs_12`	`dn_crawler_source.id`	对外字符串，避免与 TM 侧数字 ID 冲突
`sample_id`	`rn_{id}`，例 `rn_120073`	`dn_raw_news.id`	可选并列字段 `news_id`（MD5）供去重
`raw_ref`	HTTPS URL 或 `dh://raw_news/{id}`	`dn_raw_news.source_url` 或主键	必须可审计回链
时间格式	ISO 8601 UTC，例 `2026-05-27T08:00:00Z`	Unix 秒由 `source_timestamp` 转换	CSV 与 JSON 统一

2.1 三类时间语义（S0 重要声明）

字段	含义	S0 映射
`published_at`	信源侧原始发布时间	`dn_raw_news.source_timestamp`
`captured_at`	Data Horizon 首次捕获时间	`dn_raw_news.created_at`
`ingested_at`	进入 baseline 包 / 可被 TM 消费的时间	S0 与 `captured_at` 相同（均为 `created_at`）

已知限制：当前库表无独立「先入队列、后入库」时间戳。S0 在 manifest.json 中必须写明：captured_at 与 ingested_at 同源，不得用于推断采集延迟分布。S1 可在标准化完成时用 updated_at 或专用列区分。

3. 信源字段（`sources_baseline`）

3.1 字段表

字段	类型	S0 必填	说明	枚举 / 格式	DH 映射
`source_id`	string	✓	稳定信源 ID	`cs_{id}`	`dn_crawler_source.id`
`source_type`	string	✓	WP 侧信源类型	见 §3.2	由 `source_type` + `category_id` 映射
`display_name`	string	✓	展示名称	非空	`title` 优先，否则 `source_name`
`channel`	string	✓	来源渠道	见 §3.3	`platform`
`external_ref`	string	✓	外部账号 / 频道 / 链接	`{platform}:{external_id}`	`platform` + `external_id`
`market_scope`	string	建议	主要市场与标的范围	逗号分隔或 JSON 数组字符串	`dn_kol.market`（经 `kol_id`）
`signal_style`	string	建议	信号或内容风格	逗号分隔或 JSON 数组字符串	`dn_kol.strategy_style`
`active_status`	string	✓	追踪状态	见 §3.4	S0：`status=1`→`active`，`2`→`paused`；无 KOL 绑定的 signal 源→`pending_review`
`selection_reason`	string	建议	入选 / 优先验证理由	自由文本	运营填写；可来自 `tags` 含 `tm_priority`
`kol_id`	string	可空	关联 KOL	`kol_{id}`	`dn_crawler_source.kol_id`
`kol_name`	string	可空	KOL 名称	—	`dn_kol.kol_name`
`language`	string	建议	语言	`zh`, `en`, …	`language`
`last_sample_at`	datetime	建议	最近样本发布时间	ISO 8601	`MAX(FROM_UNIXTIME(source_timestamp))`
`sample_count_90d`	integer	建议	近 90 天样本数	≥0	聚合 `dn_raw_news`
`dh_quality_grade`	string	S0 可空	A/B/C/D 初评	A,B,C,D	S1；S0 留空
`dh_quality_reason`	string	S0 可空	初评理由	—	S1
`created_at`	datetime	✓	信源登记时间	ISO 8601	`dn_crawler_source.created_at`
`updated_at`	datetime	✓	最近更新时间	ISO 8601	无列时：`dn_kol.updated_at` 或导出时刻

3.2 `source_type`（WP 枚举）

值	含义	DH 默认映射规则
`professional_trader`	职业交易员	`source_type=signal` 且 `category_id=2`（带单信号）
`analyst`	分析师	`source_type=signal` 或 `social`，`category_id=3`（KOL 观点）
`channel`	频道 / 社群	`platform` 为 `telegram` / `discord`
`news`	新闻源	`source_type=news`
`onchain`	链上观察	`tags` 含链上相关或运营标注
`other`	其他	兜底

3.3 `channel`（与 `platform` 对齐）

值	说明
`twitter`	X / Twitter
`telegram`	Telegram
`discord`	Discord
`website`	网站 / RSS / API
`other`	其他

3.4 `active_status`

值	含义	S0 赋值规则
`active`	活跃追踪	`dn_crawler_source.status=1` 且近 90 天有样本
`low_activity`	低活跃	`status=1` 但 90 天内样本 < 阈值（默认 5）
`pending_review`	待复核	新登记、未绑 KOL、或运营未确认
`paused`	暂停	`status=2`
`retired`	淘汰	`is_deleted=1` 或运营标记（不进 baseline）

4. 样本字段（`samples_baseline`）

4.1 字段表

字段	类型	S0 必填	说明	枚举 / 格式	DH 映射
`sample_id`	string	✓	稳定样本 ID	`rn_{id}`	`dn_raw_news.id`
`news_id`	string	建议	内容去重键	32 位 MD5	`dn_raw_news.news_id`
`source_id`	string	✓	所属信源	`cs_{id}`	`source_id`
`raw_ref`	string	✓	原始记录引用	URL 或 `dh://raw_news/{id}`	`source_url` 或构造
`raw_content`	string	✓	原始正文或可审计摘要	见 §4.3	`content`；合规限制时用摘要
`published_at`	datetime	✓	原始发布时间	ISO 8601	`source_timestamp`
`captured_at`	datetime	✓	DH 捕获时间	ISO 8601	`created_at`
`ingested_at`	datetime	✓	入库 / 交接时间	ISO 8601	S0 同 `created_at`
`symbols`	string	建议	涉及标的	逗号分隔，例 `BTC,ETH`	`subjects` JSON
`direction`	string	建议	方向线索	见 §4.2	S0 可空或 `unknown`
`time_horizon`	string	建议	交易周期	见 §4.2	S0 可空或 `unknown`
`entry_hint`	string	建议	入场线索	自由文本	S0 可空
`exit_hint`	string	建议	退出线索	自由文本	S0 可空
`risk_hint`	string	建议	风险提示	自由文本	S0 可空
`parse_status`	string	✓	可解析性	见 §4.2	规则计算，见 §5.2
`quality_flags`	string	建议	质量标记	逗号分隔	见 §5.3
`source_author`	string	可空	私域发布者	—	`source_author`
`language`	string	建议	语言	—	`language`
`title`	string	可空	标题	—	`title`

4.2 枚举值

direction：long | short | neutral | risk_alert | unknown

time_horizon：intraday | short_term | swing | medium_long | unknown

parse_status：

值	含义	S0 判定（满足即成立）
`parsable`	可尝试生成策略种子	有 `published_at`、非空 `raw_content`、有 `raw_ref`，且 `quality_flags` 不含 `invalid`
`needs_review`	需人工复核	缺 `source_url` 仅内文、或交易线索全空但内容像信号
`unparsable`	不可解析	`status=3`（失败/无效）或 `raw_content` 过短（< 20 字符）且无 URL

4.3 `raw_content` 与合规

场景	导出内容
可对外全文	完整 `content`
私域 / 授权限制	≤500 字摘要 + `raw_ref` 指向 DH 内链；`manifest` 注明 `content_redacted=true`
超长正文	全文保留，`manifest` 可注明 `max_export_chars`

5. 校验与过滤规则

5.1 信源入包条件

is_deleted=0；
source_type=signal 且已绑 kol_id（S0 第一批默认范围，可配置）；
active_status ≠ retired；
近 90 天内至少 1 条有效样本（dn_raw_news.status != 3）。

5.2 `parse_status` 计算伪代码

if raw_news.status == 3: unparsable
else if empty(content) or len(content) < 20 and no source_url: unparsable
else if has published_at and content and raw_ref and not duplicate-invalid: parsable
else if missing source_url but has content: needs_review
else: needs_review

5.3 `quality_flags`

标记	触发条件
`duplicate`	`repeat_news_id` 非空
`invalid`	`status=3`
`missing_published`	`source_timestamp` 为空
`missing_url`	`source_url` 为空
`stale`	`published_at` 早于窗口起点（默认 90 天）
`noise`	运营或 S1 Agent 标注（S0 可空）

5.4 去重

样本：同一 news_id 仅保留一条；
信源：同一 external_ref + channel 仅保留一条，合并时保留 sample_count_90d 最高者。

6. `manifest.json` 必填键

键	说明
`schema_version`	`dh-wp-001-s0-v1`
`generated_at`	导出 UTC 时间
`sample_window_days`	默认 `90`
`samples_per_source_max`	默认 `50`
`source_count` / `sample_count`	记录数
`time_semantics_note`	固定文案：S0 `captured_at` === `ingested_at`
`candidate_filter`	例 `signal + kol_id + status=1`
`content_redaction`	是否摘要导出
`dh_repo_commit`	可选，导出脚本所在 commit

7. Trading Matrix 反馈字段（S0 占位）

S0 文件不包含下列字段；TM 试消费后写入试消费反馈记录，S1 起落库 dn_tm_source_feedback。

字段	说明
`tm_seed_status`	是否已生成策略种子
`tm_validation_status`	是否进入回测 / 模拟 / 小资金实盘
`tm_asset_status`	观察 / 失败 / 暂停 / 核心候选等
`tm_feedback_reason`	反馈理由
`tm_last_feedback_at`	最近反馈时间

8. 与 Open API 的字段别名（过渡期）

在 export_tm_baseline CLI 完成前，TM 可通过现有 Open API 拉取部分样本：

baseline 字段	Open API（`POST /v1/open/kol/source-signal-list`）现状	缺口
`sample_id`	`id`（数字）	需映射为 `rn_{id}`
`published_at`	`source_timestamp`（Unix）	需 ISO8601
`raw_content`	`content`	✓
`raw_ref`	—	待扩展 `source_url`
`captured_at` / `ingested_at`	—	待扩展

扩展项跟踪：工程仓 S0-B03（open.api）。

9. 版本变更

版本	日期	变更
`dh-wp-001-s0-v1`	2026-05-27	初版冻结：基于 DH 工程仓表结构与 DH-WP-001 任务包 §5 对齐

Changelog / 演化记录

2026-05-27：创建 S0 baseline 字段字典 v1，明确 ID 规则、时间语义、枚举、映射与校验规则。

0. 文档元信息​

1. 交付文件与记录类型​

2. 标识与引用约定（S0 冻结）​

2.1 三类时间语义（S0 重要声明）​

3. 信源字段（sources_baseline）​

3.1 字段表​

3.2 source_type（WP 枚举）​

3.3 channel（与 platform 对齐）​

3.4 active_status​

4. 样本字段（samples_baseline）​

4.1 字段表​

4.2 枚举值​

4.3 raw_content 与合规​

5. 校验与过滤规则​

5.1 信源入包条件​

5.2 parse_status 计算伪代码​

5.3 quality_flags​

5.4 去重​

6. manifest.json 必填键​

7. Trading Matrix 反馈字段（S0 占位）​

8. 与 Open API 的字段别名（过渡期）​

9. 版本变更​

Changelog / 演化记录​