feat(write_attachments): add --append mode, fix batch timing and SQL Server param limit

- Add --append flag: diff source-table 总排号 against existing
  Common.Attachment SN and classify/write only the missing ones. --limit
  caps the per-run append count, --order sets the direction. Backed by
  new fetch_existing_attachment_sns() in db.py.
- Fix batch elapsed-time accounting: summarize_results() summed each
  task's per-item elapsed_ms, which overcounts under ThreadPoolExecutor
  concurrency (cumulative work time, not real wall-clock — 100 tasks on
  8 workers reported ~5x the actual runtime). Callers now time
  classify_batch() via perf_counter and pass wall_clock_ms; both the
  write_attachments [汇总] line and main.py --summary report wall-clock
  separately from the cumulative sum.
- Format durations >=1s in seconds (88851.4 ms -> 88.85 s) in the
  human-readable [汇总] line; structured JSON --summary fields stay in ms.
- Chunk all IN (...) lists to 2000 items to respect SQL Server's 2100
  bind-parameter hard limit (previously --append --limit 5000 failed at
  the fetch step with "COUNT 字段不正确"). Applied to fetch_params_by_ids
  (sn / id paths) and to the DELETE inside upsert_attachments.

Co-Authored-By: Claude <noreply@anthropic.com>

README.md

@@ -173,9 +173,13 @@ python main.py --sn 26B742,26B743 --summary
 "meta": {"elapsed_ms": 1476.6, "attempts": 1, "llm": {"model": "deepseek-v4-flash", "elapsed_ms": 1472.8, "usage": {"prompt_tokens": 1297, "completion_tokens": 15, "total_tokens": 1312, "prompt_cache_hit_tokens": 1280, "prompt_cache_miss_tokens": 17, "cache_hit_rate": 0.9869}}}
 ```
 
-`--summary` 打印的整批汇总字段与 `meta.llm.usage` 对应：`count` / `total_elapsed_ms` / `llm_calls` /
-各类 `total_*_tokens` / `total_cache_hit_tokens` / `total_cache_miss_tokens` / `avg_cache_hit_rate`
-（按 token 加权的整体命中率）。
+`--summary` 打印的整批汇总字段与 `meta.llm.usage` 对应：`count` / `wall_clock_ms` / `total_elapsed_ms` /
+`llm_calls` / 各类 `total_*_tokens` / `total_cache_hit_tokens` / `total_cache_miss_tokens` /
+`avg_cache_hit_rate`（按 token 加权的整体命中率）。
+
+两个耗时字段的区别（`classify_batch` 是并发执行的）：
+- `wall_clock_ms`：整批分类的**真实墙钟**耗时（在 `classify_batch` 外层用 `perf_counter` 计时），即你实际等的时间。
+- `total_elapsed_ms`：各结果自身耗时 `elapsed_ms` 的**累加**（相当于把这些任务串行跑的总时长），并发下会明显大于墙钟；二者之比 ≈ 并发增益（≈ `max_workers`）。
 
 ## 对话日志
 
@@ -265,6 +269,11 @@ python write_attachments.py --range 800,805
 # 组合：区间内降序、再取前 3 个
 python write_attachments.py --range 800,805 --order desc --limit 3
 
+# 追加模式：仅补写源表中存在、但 Common.Attachment 还没有的总排号
+# --limit 此时是"本次最多追加多少个 SN"的上限；--order 决定从哪一端补起
+python write_attachments.py --append --limit 10
+python write_attachments.py --append --order desc --limit 10
+
 # 指定总排号文件（每行一个，键类型 sn）
 python write_attachments.py --ids-file ids.txt
 
@@ -293,7 +302,9 @@ python write_attachments.py --mode fine --enable-other
 ```
 
 运行结束后，除上面的 `ok/empty_param/not_found/error` 与"将写入行数/跳过数"统计外，还会打印一行
-`[汇总]`：本批总耗时、LLM 调用次数、token 总量（prompt/completion/total）与加权缓存命中率，便于核算成本。
+`[汇总]`：本批**总耗时**（整批分类的真实墙钟）、**LLM 累计**（各任务自身耗时的累加，并发下大于墙钟，
+括号标注并发数 `max_workers`）、LLM 调用次数、token 总量（prompt/completion/total）与加权缓存命中率，
+便于核算成本与并发效率。
 
 落库约定（与 `db.py` 常量、`write_attachments.py` 的转换逻辑保持一致）：
 

classifier.py

@@ -265,12 +265,21 @@ def classify_single(
     )[0]
 
 
-def summarize_results(results: list[dict[str, Any]]) -> dict[str, Any]:
+def summarize_results(
+    results: list[dict[str, Any]],
+    wall_clock_ms: float | None = None,
+) -> dict[str, Any]:
     """汇总一批 classify_batch 结果的运行统计。
 
-    从每条结果的 meta 里累加：总耗时、实际 LLM 调用次数、各类 token 总量、
-    以及整体缓存命中率（按 prompt_cache_hit_tokens / prompt_tokens 加权）。
-    供 CLI 打印批统计用，不改变 classify_batch 的返回结构。
+    从每条结果的 meta 里累加：各结果 elapsed_ms 的总和、实际 LLM 调用次数、
+    各类 token 总量，以及整体缓存命中率（按 prompt_cache_hit_tokens /
+    prompt_tokens 加权）。供 CLI 打印批统计用，不改变 classify_batch 的返回结构。
+
+    注意耗时两个字段的区别（classify_batch 是并发执行的）：
+      - total_elapsed_ms：各结果自身耗时(elapsed_ms)的**累加**，即"累计工作量"
+        （相当于把这些任务串行跑的总时长），并发下会明显大于真实墙钟；
+      - wall_clock_ms：调用方传入的整批分类**真实墙钟**耗时（在 classify_batch
+        外层用 perf_counter 计时），二者之比 ≈ 并发增益（≈ max_workers）。
     """
     total_elapsed = 0.0
     llm_calls = 0
@@ -291,7 +300,7 @@ def summarize_results(results: list[dict[str, Any]]) -> dict[str, Any]:
                 sum_hit += u.get("prompt_cache_hit_tokens", 0) or 0
                 sum_miss += u.get("prompt_cache_miss_tokens", 0) or 0
     avg_cache_hit_rate = round(sum_hit / sum_prompt, 4) if sum_prompt else 0.0
-    return {
+    out = {
         "count": len(results),
         "total_elapsed_ms": round(total_elapsed, 1),
         "llm_calls": llm_calls,
@@ -302,3 +311,6 @@ def summarize_results(results: list[dict[str, Any]]) -> dict[str, Any]:
         "total_cache_miss_tokens": sum_miss,
         "avg_cache_hit_rate": avg_cache_hit_rate,
     }
+    if wall_clock_ms is not None:
+        out["wall_clock_ms"] = round(float(wall_clock_ms), 1)
+    return out

db.py

@@ -43,11 +43,24 @@ __all__ = [
     "fetch_params_by_ids",
     "fetch_param_by_id",
     "fetch_all_ids",
+    "fetch_existing_attachment_sns",
     "upsert_attachments",
     "init_schema",
 ]
 
 
+# SQL Server 单条语句最多 2100 个绑定参数，WHERE col IN (?, ?, ...) 每项占 1 个，
+# 超过会报 "COUNT 字段不正确或语法错误"。这里把超长 IN 列表按 2000 一批分片查询
+# （2000 < 2100，留安全余量；对 PostgreSQL 的 65535 上限也完全够用）。
+_PARAM_CHUNK = 2000
+
+
+def _chunked(seq: list, size: int = _PARAM_CHUNK):
+    """把列表切成 <= size 的连续片段，用于分批 IN 查询。"""
+    for i in range(0, len(seq), size):
+        yield seq[i : i + size]
+
+
 def _build_source_table(db_cfg: dict[str, Any]):
     """按配置动态构造源表 Core 结构（带 quote，保证跨库标识符正确引用）。"""
     schema = db_cfg["schema"]
@@ -102,8 +115,9 @@ def fetch_params_by_ids(
     def _fill_sn() -> None:
         if not sn_items:
             return
-        stmt = select(sn_c, param_c).where(sn_c.in_(sn_items))
         with engine.connect() as conn:
+            for chunk in _chunked(sn_items):
+                stmt = select(sn_c, param_c).where(sn_c.in_(chunk))
                 for row in conn.execute(stmt):
                     ident = str(row[0])
                     entry = result.get(ident)
@@ -119,8 +133,9 @@ def fetch_params_by_ids(
             logger.warning(
                 "未配置 database.id_field，--id 将退化为按总排号列 [%s] 查询", sn_col
             )
-            stmt = select(sn_c, param_c).where(sn_c.in_(id_items))
             with engine.connect() as conn:
+                for chunk in _chunked(id_items):
+                    stmt = select(sn_c, param_c).where(sn_c.in_(chunk))
                     for row in conn.execute(stmt):
                         ident = str(row[0])
                         entry = result.get(ident)
@@ -144,8 +159,9 @@ def fetch_params_by_ids(
         if not id_ints:
             return
 
-        stmt = select(id_c, sn_c, param_c).where(id_c.in_(id_ints))
         with engine.connect() as conn:
+            for chunk in _chunked(id_ints):
+                stmt = select(id_c, sn_c, param_c).where(id_c.in_(chunk))
                 for row in conn.execute(stmt):
                     idv = row[0]
                     orig = id_int_map.get(idv)
@@ -227,6 +243,26 @@ def fetch_all_ids(
         raise DatabaseError(f"查询总排号失败: {e}") from e
 
 
+def fetch_existing_attachment_sns(db_cfg: dict[str, Any]) -> set[str]:
+    """读取 Common.Attachment 中已存在的全部 SN（distinct）。
+
+    用于"追加"模式做差集：源表总排号集合 减去 这里返回的 SN 集合，
+    得到"源表有、但目标表还没写过"的总排号，只对这部分分类写入。
+
+    返回 set[str]（空表返回空集合）；SN 统一转成 str，便于与源表总排号
+    （同样是 str）直接做集合比较。NULL 值会被过滤掉。
+    """
+    engine = get_engine(db_cfg)
+    try:
+        with engine.connect() as conn:
+            stmt = select(Attachment.SN).distinct()
+            return {
+                str(row[0]) for row in conn.execute(stmt) if row[0] is not None
+            }
+    except SQLAlchemyError as e:
+        raise DatabaseError(f"读取已有附件 SN 失败: {e}") from e
+
+
 def upsert_attachments(
     db_cfg: dict[str, Any],
     rows: list[tuple[str, str, str]],
@@ -237,6 +273,9 @@ def upsert_attachments(
     对出现的每个 SN 先 DELETE 其旧行，再批量 INSERT——保证重跑总是反映
     最新分类结果，不会因唯一约束（复合主键 (SN,大类,小类)）冲突而失败。
 
+    DELETE 的 IN 列表按 _PARAM_CHUNK 分片执行，避免 SN 过多时单条语句超过
+    SQL Server 的 2100 绑定参数上限；整个"删 + 插"在同一事务内完成，语义不变。
+
     返回 (deleted_rows, inserted_rows) 计数。
     """
     if not rows:
@@ -247,10 +286,14 @@ def upsert_attachments(
 
     try:
         with Session(engine) as session:
+            # 分片 DELETE：单条 IN (...) 最多 _PARAM_CHUNK 个参数，避免触发 2100 上限
+            deleted = 0
+            for chunk in _chunked(distinct_sn):
                 del_res = session.execute(
-                delete(Attachment).where(Attachment.SN.in_(distinct_sn))
+                    delete(Attachment).where(Attachment.SN.in_(chunk))
                 )
-            deleted = del_res.rowcount if del_res.rowcount is not None else 0
+                if del_res.rowcount:
+                    deleted += del_res.rowcount
             session.execute(
                 insert(Attachment),
                 [

main.py

@@ -62,6 +62,7 @@ import argparse
 import json
 import logging
 import sys
+import time
 from pathlib import Path
 
 sys.path.insert(0, str(Path(__file__).resolve().parent / "src"))
@@ -166,6 +167,10 @@ def main() -> None:
     # 只能从"关"打开成"开"，不支持反过来用命令行强制关闭配置文件里已打开的设置。
     enable_other = bool(args.enable_other) or bool(cfg["business"].get("enable_other_category", False))
 
+    # 整批分类的真实墙钟：在并发 classify_batch 外层计时（perf_counter）。
+    # summarize_results 累加的 total_elapsed_ms 是各任务自身耗时的总和（并发下的
+    # 累计工作量，会明显大于墙钟），二者之比 ≈ 并发增益；wall_clock_ms 才是真实墙钟。
+    t0 = time.perf_counter()
     results = classify_batch(
         db_cfg=cfg["database"],
         llm_cfg=cfg["llm"],
@@ -175,6 +180,7 @@ def main() -> None:
         log_dir=log_dir,
         enable_other=enable_other,
     )
+    wall_ms = (time.perf_counter() - t0) * 1000
 
     if args.pretty:
         print(json.dumps(results, ensure_ascii=False, indent=2))
@@ -183,7 +189,7 @@ def main() -> None:
             print(json.dumps(r, ensure_ascii=False))
 
     if args.summary:
-        summary = summarize_results(results)
+        summary = summarize_results(results, wall_clock_ms=wall_ms)
         print("--- 运行汇总 ---", file=sys.stderr)
         print(json.dumps(summary, ensure_ascii=False, indent=2), file=sys.stderr)
 

write_attachments.py

@@ -15,6 +15,8 @@
     python write_attachments.py --limit 10 --order desc   # 按真实 ID 降序取前 10 个
     python write_attachments.py --range 800,805       # 真实 ID 在 [800,805] 闭区间内
     python write_attachments.py --range 800,805 --order desc --limit 3  # 组合：区间内降序取前3
+    python write_attachments.py --append --limit 10   # 追加模式：仅补写源表中还没写过的前 10 个总排号
+    python write_attachments.py --append --order desc --limit 10  # 追加模式：从最大 ID 端开始补 10 个
     python write_attachments.py --ids-file ids.txt    # 指定总排号（文件，每行一个）
     python write_attachments.py --sn 26B742           # 单个总排号写入（键类型 sn）
     python write_attachments.py --sn 26B742,26B743    # 多个总排号（逗号分隔）写入
@@ -35,6 +37,7 @@ from __future__ import annotations
 import argparse
 import logging
 import sys
+import time
 from pathlib import Path
 
 sys.path.insert(0, str(Path(__file__).resolve().parent / "src"))
@@ -49,12 +52,28 @@ from db import (  # noqa: E402
     SENTINEL_MINOR,
     NO_MINOR,
     fetch_all_ids,
+    fetch_existing_attachment_sns,
     get_engine,
     init_schema,
     upsert_attachments,
 )
 
 
+def _format_duration(ms: float | None) -> str:
+    """把毫秒耗时格式化为人类友好的时长字符串。
+
+    超过 1 秒（>=1000ms）按秒输出（保留 2 位小数），否则按毫秒（保留 1 位小数）。
+    例：88851.4 -> "88.85 s"，458.9 -> "458.9 ms"。None / 异常值回退为 "0 ms"。
+    """
+    try:
+        v = float(ms)  # type: ignore[arg-type]
+    except (TypeError, ValueError):
+        return "0 ms"
+    if v >= 1000:
+        return f"{v / 1000:.2f} s"
+    return f"{v:.1f} ms"
+
+
 def convert_results_to_rows(results: list[dict], mode: str) -> tuple[list[tuple[str, str, str]], list[str]]:
     """将 classify_batch 的结果列表转成可写入 Common.Attachment 的行。
 
@@ -146,6 +165,13 @@ def main() -> None:
         "--ids-file", type=str, default=None,
         help="包含总排号的文本文件路径，每行一个总排号（键类型 sn）；可单独使用或与 --id/--sn 合并",
     )
+    parser.add_argument(
+        "--append", action="store_true",
+        help="追加模式：对比源表全部总排号与 Common.Attachment 已有 SN，仅对"
+             "「源表存在、Attachment 尚未写入」的总排号分类写入。--limit 此时是"
+             "「本次最多追加多少个 SN」的上限，--order 决定从哪一端（升/降序）补起；"
+             "与 --id/--sn/--ids-file 互斥",
+    )
     parser.add_argument(
         "--mode", type=str, default=None, choices=["coarse", "fine"],
         help="分类粒度，不指定则用配置文件 business.default_mode",
@@ -194,6 +220,9 @@ def main() -> None:
 
     # 1) 取总排号列表
     if args.id or args.sn or args.ids_file:
+        if args.append:
+            print("[错误] --append 不能与 --id/--sn/--ids-file 同时使用", file=sys.stderr)
+            sys.exit(1)
         ids = _parse_ids(args)
         if not ids:
             print("[错误] --id / --sn / --ids-file 未解析到任何有效的标识符", file=sys.stderr)
@@ -201,6 +230,22 @@ def main() -> None:
         n_id = sum(1 for _, k in ids if k == "id")
         n_sn = sum(1 for _, k in ids if k == "sn")
         logger.info("从 --id/--sn/--ids-file 读取 %d 个标识符（id=%d, sn=%d）", len(ids), n_id, n_sn)
+    elif args.append:
+        # 追加模式：源表全部总排号 − Common.Attachment 已有 SN = 待补写集合。
+        # 全表拉取源表总排号（按真实 ID 排序），再做差集；--order 控制补写方向，
+        # --limit 此时是"本次最多追加多少个 SN"的上限。
+        all_sns = fetch_all_ids(cfg["database"], order=args.order)
+        existing = fetch_existing_attachment_sns(cfg["database"])
+        missing = [s for s in all_sns if s not in existing]
+        print(
+            f"[追加] 源表 {len(all_sns)} 个总排号，Common.Attachment 已有 "
+            f"{len(existing)} 个，待追加 {len(missing)} 个（order={args.order}）"
+        )
+        if args.limit is not None:
+            missing = missing[: args.limit]
+            print(f"[追加] 应用上限 --limit {args.limit}，本次将处理 {len(missing)} 个")
+        ids = [(s, "sn") for s in missing]
+        logger.info("追加模式：待处理 %d 个总排号", len(ids))
     else:
         # 全表扫描路径：--range/--order/--limit 仅在此生效
         if args.range:
@@ -233,6 +278,10 @@ def main() -> None:
 
     # 2) 分类
     logger.info("开始分类 (mode=%s, enable_other=%s)", mode, enable_other)
+    # 整批分类的真实墙钟：在并发 classify_batch 外层计时（perf_counter）。
+    # 注意 summarize_results 里累加的 total_elapsed_ms 是各任务自身耗时的总和
+    # （并发下的"累计工作量"，会明显大于这里测得的墙钟），二者之比 ≈ 并发增益。
+    t0 = time.perf_counter()
     results = classify_batch(
         db_cfg=cfg["database"],
         llm_cfg=cfg["llm"],
@@ -242,6 +291,7 @@ def main() -> None:
         log_dir=log_dir,
         enable_other=enable_other,
     )
+    wall_ms = (time.perf_counter() - t0) * 1000
 
     # 3) 转换
     rows, skipped = convert_results_to_rows(results, mode)
@@ -261,12 +311,14 @@ def main() -> None:
         f"跳过(无附件判定=null) {len(skipped)} 个"
     )
 
-    # 运行汇总：总耗时/token 总量/缓存命中率，从每条结果的 meta 累加。
+    # 运行汇总：墙钟耗时 + 各任务累计工作量 + token 总量/缓存命中率。
     # 走 stdout 与上面的 [统计] 一致；不属于落库动作本身，仅作诊断输出。
-    summary = summarize_results(results)
+    summary = summarize_results(results, wall_clock_ms=wall_ms)
     print(
-        f"[汇总] 总耗时 {summary['total_elapsed_ms']} ms, "
-        f"LLM 调用 {summary['llm_calls']} 次, "
+        f"[汇总] 总耗时 {_format_duration(summary['wall_clock_ms'])}, "
+        f"LLM 累计 {_format_duration(summary['total_elapsed_ms'])} "
+        f"(并发 {cfg['business']['max_workers']}), "
+        f"调用 {summary['llm_calls']} 次, "
         f"token: prompt={summary['total_prompt_tokens']} "
         f"completion={summary['total_completion_tokens']} "
         f"total={summary['total_tokens']}, "