段永平资料覆盖与长期跟踪
授权雪球时间线已完成平台可返回范围的 559/559 页，归档联合集含 10,831 个唯一帖子 ID；标示总数与可返回内容之间的 333 项仍不可观察。网易博客的网页档案层已完成 605/605 个静态页候选恢复，其中 601 页正文完整、4 页不完整，约 192.7 万字；但页面仍需区分本人原创、本人按语和转载，评论正文也未被静态存档保存。外部公开材料现登记 59 个独立事件或来源家族，23 个早期镜像仍需追索原刊或主办方载体。《大道》另有 1,901 个编辑本种子条目，不能当作逐字原帖。
一、三位投资者都已形成研究版，但都不宣称绝对穷尽
| 人物 | 当前已有 | 尚未完成 |
|---|---|---|
| 查理·芒格 | 66 个来源家族、32 项已归档、伯克希尔会议 3,622 段明确署名发言、25 章编选种子、30 章研究版书稿 | 西科 16 个 C1 年度追原始载体，每日期刊早期会议与演讲补完整影音 |
| Terry Smith | 40 个来源家族、18 份官方 PDF（220 页）、2010—2026 连续时间线、30 章研究版书稿 | 旧股东会视频逐场固化、文章正文快照、公司案例与同期披露交叉核验、2026 新方法的长期追踪 |
| 段永平 | 59 个外部来源事件或家族、网易博客 605/605 个候选页、授权雪球 559/559 页与 10,831 个唯一帖子 ID、《大道》1,901 个日期种子 | 23 个早期镜像追原刊、网易原创性与评论缺口审校、平台未返回项核验、跨平台观点演变 |
因此，59 是当前完成去重登记的“来源事件或来源家族”数量，不是永远不再增加的公开资料总量，也不是 59 篇可以公开转载的全文。机器可读总表与证据等级见 catalog/duan_research/source_registry.json。
二、平台边界与本项目的授权状态
截至 2026 年 7 月 19 日，雪球的服务协议明确限制：未经雪球或雪球用户同意，不得把雪球或用户发布的内容上传或提供给 AI；未经雪球事先同意，也不得把平台内容用于开发、运营或维护 AI，包括训练与 RAG。雪球的 robots.txt还明确禁止 AI 抓取，并禁止抓取 JSON 路径。
实际访问也显示，未登录的时间线接口要求重新登录，普通请求可能进入 WAF。本站不会绕过登录、破解 WAF 或调用超出授权范围的接口。
用户已于 2026 年 7 月 19 日向本项目确认：已经取得雪球授权，本次研究只作个人、非商用用途。仓库记录的是用户对授权的确认，不保存授权文件，也不把它扩大解释为公开转载或商业发布许可。基于这一权利基础，当前采用三层隔离：
- 公开站点只展示来源入口、独立编辑摘要和覆盖状态；
- 原帖正文、原始响应、版本历史和 AI 草稿只保存在不入 Git 的个人研究目录；
- Cookie 只从本地
.env读取，不写进语料、日志或仓库；接口不可用时改用授权导出文件，不绕过防护。
三、已启用的长期语料模型
网易博客与雪球分层保存。Internet Archive 的 CDX 索引中共有 3,748 个快照，经 URL 规范化得到 605 个不同 blog/static 页面标识；目前 605/605 均已取得本地记录，601 页正文完整，4 页为不完整快照。自动分流只把带有明确转载、引用或来源标记的 167 页列为“明确或疑似转载”，其余 434 页仍是“账号发布、原创性待审”，没有任何页面仅凭账号身份自动获得逐字引用资格。静态页也没有保存评论正文，因此博客评论问答仍需用带时间的历史摘录和编辑本种子补证。
年度覆盖显示两座平台是接力关系而不是重复关系：雪球在 2013—2017 年分别只有 1、0、2、1、0 条可返回帖子，网易博客同期恢复 69、43、35、19、10 个页面。以雪球单一平台总结这一阶段会严重失真。
《大道》种子层与雪球原帖层严格分开：前者是 C 级编选材料，覆盖 2004-05-15 至 2025-04-09，按书中日期切出 1,901 个条目并保留 PDF 页码；书中没有雪球 status_id 或永久链接，且第五章另有大量无日期演讲，因此种子条目只用于主题发现、原帖搜索和初步跨年综合。
截至 2026 年 7 月 19 日，授权登录态下已读取时间线 559/559 页。首轮与首页复抓的归档联合集去重后为 10,831 个唯一帖子 ID，覆盖 2011-03-23 至 2026-07-19，其中 1,862 条包含图片或视频媒体。页码审计为 0 缺页、0 坏 JSON、0 规范化漏项；首轮只有 1 个跨页重复，首页复抓另捕获 1 条回填过程中新增的帖子。
接口标示总数为 11,164，但最新页快照实际返回 10,831 行、10,830 个唯一 ID；144 个页面少于标准的 20 条。对第 117、159、160、201、202、241、510 和 559 页复抓后，条数与首轮完全相同，因此差异不是本地丢包。归档联合集与标示总数仍相差 333 项，这些只能登记为删除、私密、屏蔽或其他平台未返回内容，不能伪造或从编选书籍反推。1,901 个书籍种子也绝不能与雪球帖子数相加。
正文层现已按用户确认的授权启用。每条帖子不能只保存一句“金句”，至少要保留以下字段：
- 原帖 ID、永久链接、作者 ID、发布时间、修改时间和抓取时间；
- 帖子类型：原创、回复、转发，并保存被回复问题与必要上下文；
- 原始版本哈希、后续版本哈希、删除或不可见状态；
- 涉及公司、主题、时间跨度、观点强度与证伪条件；
- 事实陈述、当时判断、编辑归纳三者分栏，禁止混写；
- 摘要所引用的单帖链接，以及生成模型、提示词版本和人工复核状态。
数据应当追加保存，不能用新版本覆盖旧版本。这样才能分辨他是重复原则、补充条件、改变看法，还是只在回答不同问题。
四、总结不按“金句”，而按四个时间尺度
每周增量卡
只回答三个问题：本周新增了什么；哪些只是既有原则的重复；哪些判断出现了新条件或疑似变化。每条必须带原帖链接，不做投资建议。
每月主题账
按“商业模式、企业文化、产品与用户、估值、买卖纪律、机会成本、杠杆与风险、具体公司”聚合。摘要要同时记录支持例、反例和含糊处，不能只收集一致观点。
每年观点年报
比较年初与年末：关注对象如何变化，哪些公司判断被强化、弱化或撤回，哪些底层原则多年未变。公司结论必须与当时价格、公开事实和提问语境一起读。
多年方法论版本
只有跨年证据足够时才改写方法论正文。每次更新写变更日志，说明新增证据、删改段落和信心等级，保留上一版供核对。
五、授权与质量闸门
正文层基于用户已确认的雪球授权运行，并固定为个人、非商用、可做 AI 摘要但不公开正文或草稿。若授权范围、保存期限或平台规则发生变化，自动同步应立即暂停并重新核对。
项目中的 catalog/duan_xueqiu_registry.json 是当前机器可读状态；scripts/import_duan_book_seed.py 负责编辑本种子导入，scripts/sync_duan_xueqiu.py 负责授权接口或导出文件的增量入库，scripts/audit_duan_xueqiu_backfill.py 检查缺页、重复、稀疏页与规范化漏项，scripts/summarize_duan_xueqiu.py 负责周/月/年 AI 草稿，scripts/synthesize_duan_book_methodology.py 负责跨年度总纲，scripts/duan_xueqiu_registry.py 只维护重点证据链接。覆盖数字会在每次审计后更新，避免把“平台可返回页面已回填”误报成“删除或私密内容也已取得”。
六、建议运行节奏
| 频率 | 动作 | 目的 |
|---|---|---|
| 每天 | 同步时间线前 5 页 | 捕捉新增帖子与近期修改，不调用模型 |
| 每周一 | 总结上一个完整自然周 | 区分新增、重复与增加条件 |
| 每月 1 日 | 总结上一个完整自然月 | 更新主题账、公司账和待核问题 |
| 每年 1 月 | 总结上一自然年 | 比较观点强化、弱化、撤回与关注对象变化 |
| 每月一次 | 扩大页数做深度回扫 | 发现较旧帖子的编辑或分页漂移 |
| 每季度 | 复核授权范围、平台规则和人工抽样 | 保证权利基础、证据链接和 AI 转述质量仍然有效 |
初次历史回填已经完成；后续每天同步前几页捕捉新增与近期修改，每月做深度回扫。全页审计、首页复抓和代表性稀疏页复抓均已完成，但“已回填”仍不等于绝对全量：删除、仅自己可见、搜索遗漏或接口未返回的内容继续列为不可验证缺口。
周期摘要默认只处理已经结束的周、月、年，防止把半个月的临时变化写成月度结论。需要临时观察本期时必须显式使用 --include-current，输出仍保持 ai_draft，后续新增帖子或正文版本变化会让该周期自动重新生成。