AI 工具站数据自动维护Agent产品系统Vibe Coding

约 6.2 万条 AI 工具原始数据，人工维护简介、标签、分类成本极高，且易出现「有分类计数、列表为空」等口径错误。我为自有 AI 工具站搭建后端维护 Agent：默认不上架，按白名单 / 每日 drip 谨慎放出；自动做分类、标签、长简介生成与 URL 存活巡检，并把规模、质量异常推送到日报，让目录站运营可复盘、可交接。

核心是一条可编排的运营流水线，而不是全库乱爬乱上架：

上架闸门：全库默认隐藏；品牌白名单保底；每日 drip 配额（如 ≤5 条）从未上架池择优放出。
内容校对：对已上架条目做分类 / 标签 / 长简介补齐与校正（规则 + LLM），低质量短简介进入人工关注。
存活巡检：对已上架 URL 定时检测，连续失败达阈值则软下架，不删库。
管理台核验：按「地址有效 → 分类标签 → 简介」顺序单条或批量操作，全量扫描与烧 token 必须人工确认。
资产日报：每日汇总上架规模、简介字数分布、标签覆盖、增量与待补项，HTML 邮件推送。
线上已跑通：全库约 6.2 万、上架约 75；一轮 QA 71/71 成功；已上架平均简介约 274 字，标签全覆盖。

本人独立完成：需求与运营策略、SQLite 数据模型、维护 Agent（tools_maintain CLI + cron）、前台工具库、管理台动作面板、DeepSeek 校对与日报邮件。

技术要点：Python + SQLite；Skill 链路 fetch → classify → generate_description → dedup → check_url_alive → upsert → human_review；cron 分时段巡检 / drip / QA / 日报；默认 listed=0，全量与高成本动作需 CONFIRM:。难点在「规模大但不能乱上架」与「LLM 要写准且可审计」——用配额、闸门和日报把 Agent 约束成可交付的运营系统，而非不可控爬虫。