直接回答：这些坑集中在四个地方——数据模型、文本处理、运行方式、以及方向判断。前两类返工成本最高，第三种决定平台能不能长期跑，第四种决定做的方向对不对。提前知道这些，能省下大量来回改的时间。

直接回答：增量的核心是三件事——判断哪些内容变了、只重算变化影响到的部分、单独处理内容消失的情况。做到这三点，采集任务才可能长期稳定运行；继续全量重跑，时间、调用成本和目标站点的压力都会迅速失控。

直接回答：采集流水线的核心不是"抓下来"，而是把网页变成一条条语义完整、可独立检索的片段。可落地的流程是五步：抓取 → 正文提取 → 按标题切分 → 质量打分 → 结构化与向量入库，并配套一套失败降级策略。