# TANDIU 算力采购记录口径 v1.1

- 版本：1.1（2026-11-07 起）。上一版：[v1.0](procurement_schema_v1.0.md)
- 适用：`/demand/<id>`、`/procurement/<id>`、`/data/records/<id>.json`、`/deal-rate`、`/data/budget_deal_rate.json`
- 版本规则：改下面任何一条定义都要升版本号。已入账的记录不回溯改写，新旧口径并存，每条记录和每个配对都带自己的版本号。

## 1. 永久 ID 与 URL

- ID：`dm-`（需求侧公告，含流标、变更）或 `pd-`（成交侧公告）+ 来源 URL 的 SHA-1 前 8 位。
- 页面：`https://www.tandiu.cn/demand/dm-xxxxxxxx`、`https://www.tandiu.cn/procurement/pd-xxxxxxxx`。
- JSON：`https://www.tandiu.cn/data/records/<id>.json`。Markdown：页面路径加 `.md`。
- 一经发布永不变更、永不复用。ID 在首次入账时写入账本，之后不再重新计算。
- 记录页不随列表页的 183 天窗口消失。来源页打不开不算下线，只记入 `verify_result`。
- 记录下线只由人工清单触发（如合规删除请求），之后返回 HTTP 410，不返回 404。

## 2. 字段

未披露的字段置空（`null` 或空数组），不推断补全。金额、日期、名称均为公告披露值。

| 字段 | 定义 |
|---|---|
| `id` / `kind` | 永久 ID；`demand` 或 `deal` |
| `schema_version` | 该记录入账时的口径版本 |
| `status` | 见第 3 节 |
| `stage_raw` | 来源的频道名或阶段原文 |
| `source_name` / `source_url` | 来源平台；公告原始 URL |
| `published_date` | 公告发布日期（来源只给到日） |
| `first_fetched_at` | 首次抓取时间（UTC）。取采集器记录的最早时间 |
| `last_verified_at` / `verify_result` | 最后一次成功读取来源页的时间；结果：`captured` 首次留档，`same` 与最新快照一致，`changed` 来源内容有变（字段不改，另存新版本快照），`unreachable` 本次打不开 |
| `buyer` / `buyer_is_code` | 采购单位原文；涉密或未公开单位在来源里只有账号编码时为 `true` |
| `region` | 来源的行政区域，集团采购平台没有此字段 |
| `project_id` / `project_name` / `title` | 项目编号、项目名称、公告标题 |
| `category` | 见第 4 节 |
| `budget_cny` | 预算或最高限价（需求侧） |
| `award_amount_cny` | 中标或成交金额（成交侧） |
| `suppliers[]` | `name`、`amount_cny`、`role`（`中标` 或 `第N名候选`） |
| `response_deadline` | 响应截止时间原文 |
| `content` | 公告里的采购内容原文摘取 |
| `content_sha256` | 首次抓取时公告全文（去标签后）的 SHA-256；集团采购平台没有 |
| `snapshot` | 原文快照信息，见第 6 节 |
| `pair` / `related` | 派生链接：配对结果、同项目编号的流标或变更公告。不属于冻结字段 |

## 3. 状态

| 值 | 含义 | 来源 |
|---|---|---|
| `需求` | 招标、磋商、询价或采购公告 | 政府采购网公开招标/竞争性磋商/询价频道；集团平台「采购公告」 |
| `成交` | 中标或成交结果 | 政府采购网中标、成交公告频道；集团平台明确标为中标的 |
| `成交候选` | 候选人公示，尚不是最终中标 | 集团平台「成交候选人公示」 |
| `流标` | 废标或流标 | 政府采购网废标频道 |
| `变更` | 更正或变更 | 政府采购网更正频道；集团平台「变更公告」 |
| `其他` | 来源阶段无法归入以上各类 | 集团平台「其他公告」 |

一个项目的多份公告是多条记录，状态各自独立，不合并、不覆盖。

## 4. 品类

- `category.class`：按项目名称关键词，先匹配先赢。依次为：运维服务（运维、运行维护、维保）；算力租赁/服务（租赁、算力服务、算力支持、云服务、算力资源）；大模型开发服务（大模型、智能体、模型建设、开发服务）；算力硬件设备（服务器、集群、GPU、算力平台、设备、超算、计算机、工作站）；其余为「其他」。
- `category.gpu_models`：公告全文里明确出现的 GPU 型号或品牌字样，原样记录。空数组只表示公告没写，不表示没用。
- `category.compute_scale`：公告全文里明确写出的算力规模字样（如 PFLOPS 数、GPU 张数、GPU 服务器台数），原样记录，不换算。
- `category.service_types`：标题和采购内容命中的服务形态：时租、算力租赁、云服务、算力服务、托管。
- `category.compute_tags`：采集时命中的算力关键词。

## 5. 金额

- 币种：人民币（`currency: CNY`），单位：元。公告写「万元」的乘以 10000。
- 预算取公告里的预算金额或最高限价，不是合同价。
- 未披露金额置空，不估算。多包项目的成交金额是公告披露的总额或各包之和。

## 6. 原文快照

- 每条记录保存来源页原文（HTML，gzip）。内部留存，不对外发布；对外只公开哈希和留档时间，公告原文请看 `source_url`。
- `snapshot.captured_at`：留档时间。v1.0 之前入账的记录是在 2026-11-07 起补存的。
- `snapshot.text_sha256`：去标签后全文的 SHA-256。
- `snapshot.matches_original`：与首次抓取时的 `content_sha256` 是否一致，`null` 表示当时没有哈希可比。
- 来源内容变化时另存新版本（`snapshot_versions[]`），旧版本保留。

## 7. 需求→成交配对

折价率字段 `ratio` = 成交金额 ÷ 预算。历史字段 `discount_pct` = (预算 − 成交) ÷ 预算 × 100，保留不变。

硬约束（任一不满足即否决）：成交日期不早于需求日期；成交金额落在预算的 0.3～1.5 倍之间。

| 档 | `match_method` | 条件 | `confidence` | 进折价率统计 |
|---|---|---|---|---|
| 1 | `project_id` | 项目编号归一化后相等，或共享 8 位及以上的编号片段 | 0.99 | 是 |
| 2 | `buyer+name+window` | 至少一方没有项目编号；采购单位归一化后完全相同；项目名称相似度 ≥ 0.90；间隔 ≤ 180 天；需求和成交互相唯一 | 0.5 + 0.4 × 相似度（0.86～0.90） | 否 |

- 两方都有编号但编号不同的，一律不配。同一单位常有名称几乎相同的不同项目。
- 其余名称相似的候选只进内部待核实清单，不配对。
- 第 2 档配对在数据集和单条页展示，但不进中位数等统计，以保持统计序列口径不变。每个配对带 `in_stats` 和 `pair_schema_version`。
- 配对只增不删：已发布的配对不因后来的新数据消失，也保留原来的 `pair_schema_version`。
- 统计序列：v1.1 起样本含成交公告，样本数有一次跳变。与之前可比的序列看 `groups["source:中标公告"]`。

## 8. 来源范围

- 中国政府采购网：中央和地方的公开招标、竞争性磋商、询价、中标、成交、废标、更正频道。按算力关键词筛选，详情完整才发布。
- 通用技术集团中心采购平台（cg.gt.cn）：采购公告、成交候选人公示、变更公告。

## 9. 已知覆盖缺口

- 政府采购网频道索引最多翻 25 页（第 26 页起拒绝访问）。公告量大的频道一天就可能超过，2026-11-07 之前每天只采一次、需求频道只翻 10 页，**这段历史有漏采，且无法从索引补回**，所以 11-07 前后的收录数不能直接比。
- 11-07 起每天采两次，每个频道翻到上次已采的位置为止；翻满 25 页仍没接上的频道记入 `truncated_channels`。
- 成交公告（cjgg）、废标（fbgg）、更正（gzgg）2026-11-07 才开始采集，更早的只有当时索引页能翻到的范围（成交公告约回溯到 11-03）。
- 终止公告（zzgg）频道拒绝访问，未覆盖。

## 10. 版本记录

- 1.1（2026-11-07）：来源范围加入政府采购网成交公告频道；字段和配对规则不变。
- 1.0（2026-11-07）：首版。
