精简 README 当前阶段为能力清单并同步协作规则

README 把逐条流水账式进度改为当前能力与边界概述：已实现内存核心、
唯一组件 paper.arxiv_submission_stamp 和 87 项测试；进度细节交由
design 与带日期的 scratch 记录。补充测试数据来源说明和展开的目录
结构。AGENTS/CLAUDE 同步：阶段描述改为指向 README 唯一权威，定位
改为实验室共用库；正文镜像保持一致。gitignore 忽略 .claude/scratch。

.gitignore

@@ -5,6 +5,7 @@ __pycache__/
 .pytest_cache/
 .mypy_cache/
 .ruff_cache/
+.claude/scratch/
 dist/
 build/
 *.egg-info/

AGENTS.md

@@ -1,9 +1,9 @@
 # AGENTS.md
 
 > [!IMPORTANT]
-> **当前是文档治理基础阶段，不是已实现的清洗工具。**
+> **当前阶段与已实现范围只以根目录 `README.md` 为准。**
 >
-> 1. 本仓库研究政务文档 PDF→Markdown 清洗问题；当前没有可运行实现。
+> 1. 本仓库是实验室共用的 Markdown 清洗研究与基础工具库；已有实现不等于完整清洗工具或生产能力。
 > 2. 真实文档和外部数据默认只读，不修改、不复制、不提交。
 > 3. 面向用户的说明使用简体中文；代码、命令、路径和标识符使用英文。
 > 4. `AGENTS.md` 与 `CLAUDE.md` 是同步镜像，除第一行标题外正文必须一致。
@@ -28,11 +28,12 @@
 
 ## 1. 项目定位与当前阶段
 
-`mdpolish` 是独立的清洗算法研究与治理仓库。它用于理解 PDF→Markdown 噪音、定义清洗边界、
+`mdpolish` 是实验室共用的 Markdown 清洗研究与基础工具库。它用于理解 PDF、DOCX、OCR、网页等上游管线
-比较候选方案并积累可复核证据。
+生成的 Markdown 噪音，定义清洗边界，比较候选方案并积累可复核证据。
 
-当前只建立文档治理基础。源码目录、测试目录、依赖配置、命令行接口、规则格式和评估体系均未获批准、
+当前阶段、已经完成的工作和实际能力边界只查阅根目录 `README.md`，不在本文件维护第二份进度清单。
-也未实现。不得因为 README 中描述了目标，就把目标写成已经存在的能力。
+源码目录、测试目录、依赖配置、命令行接口、规则格式和评估体系都必须先经对应 design 批准后才能建立或改变；
+已经存在某个核心接口或单项组件，不表示完整规则集、文件适配、CLI、profile 或生产接口已经实现。
 
 本仓库的研究结论不会自动成为其他仓库的生产契约。跨仓落地必须在目标仓库重新评审并获得授权。
 
@@ -127,4 +128,3 @@ design 草稿可以在评审中修改；批准后冻结。决策发生变化时
 - 能在授权范围内安全判断的事项直接完成；会改变范围或契约的选择交给用户；
 - 进度和最终报告必须对应真实工具输出，不把计划描述成结果；
 - 不输出内部思维链，只提供可复核的依据、实际变更和验证结果。
-

CLAUDE.md

@@ -1,9 +1,9 @@
 # CLAUDE.md
 
 > [!IMPORTANT]
-> **当前是文档治理基础阶段，不是已实现的清洗工具。**
+> **当前阶段与已实现范围只以根目录 `README.md` 为准。**
 >
-> 1. 本仓库研究政务文档 PDF→Markdown 清洗问题；当前没有可运行实现。
+> 1. 本仓库是实验室共用的 Markdown 清洗研究与基础工具库；已有实现不等于完整清洗工具或生产能力。
 > 2. 真实文档和外部数据默认只读，不修改、不复制、不提交。
 > 3. 面向用户的说明使用简体中文；代码、命令、路径和标识符使用英文。
 > 4. `AGENTS.md` 与 `CLAUDE.md` 是同步镜像，除第一行标题外正文必须一致。
@@ -28,11 +28,12 @@
 
 ## 1. 项目定位与当前阶段
 
-`mdpolish` 是独立的清洗算法研究与治理仓库。它用于理解 PDF→Markdown 噪音、定义清洗边界、
+`mdpolish` 是实验室共用的 Markdown 清洗研究与基础工具库。它用于理解 PDF、DOCX、OCR、网页等上游管线
-比较候选方案并积累可复核证据。
+生成的 Markdown 噪音，定义清洗边界，比较候选方案并积累可复核证据。
 
-当前只建立文档治理基础。源码目录、测试目录、依赖配置、命令行接口、规则格式和评估体系均未获批准、
+当前阶段、已经完成的工作和实际能力边界只查阅根目录 `README.md`，不在本文件维护第二份进度清单。
-也未实现。不得因为 README 中描述了目标，就把目标写成已经存在的能力。
+源码目录、测试目录、依赖配置、命令行接口、规则格式和评估体系都必须先经对应 design 批准后才能建立或改变；
+已经存在某个核心接口或单项组件，不表示完整规则集、文件适配、CLI、profile 或生产接口已经实现。
 
 本仓库的研究结论不会自动成为其他仓库的生产契约。跨仓落地必须在目标仓库重新评审并获得授权。
 
@@ -127,4 +128,3 @@ design 草稿可以在评审中修改；批准后冻结。决策发生变化时
 - 能在授权范围内安全判断的事项直接完成；会改变范围或契约的选择交给用户；
 - 进度和最终报告必须对应真实工具输出，不把计划描述成结果；
 - 不输出内部思维链，只提供可复核的依据、实际变更和验证结果。
-

README.md

@@ -12,41 +12,16 @@ profile 表达论文、政务文档、RAG、文档对比等不同需求。
 
 ## 当前阶段
 
-2026-08-20 已完成仓库重置与最小文档治理骨架：
+项目当前已经进入第一版可执行核心和真实组件验证阶段：
 
-- 原有 Python 实现、YAML 规则、测试和打包配置已经移除；
+- 提供可安装的 Python 3.11+ 内存处理包，运行时只依赖标准库；
-- `AGENTS.md` 与 `CLAUDE.md` 提供同步的协作规则；
+- 已实现不可变数据契约、组件基类、原子修改执行器、顺序流水线、审计记录和最终稳定性复查；
-- `research-wiki/` 按文档生命周期区分设计、说明、参考、指南和草稿；
+- 当前唯一正式组件是 `paper.arxiv_submission_stamp`，只删除严格整行匹配的 arXiv 提交边栏戳；
-- `research-wiki/design/0001-repository-foundation.md` 记录本次基础架构选择。
+- 该组件已在 5 份论文 Markdown 上只读验证，只命中 sim 和 springer 各一处，合法参考文献保持不变；
-- `research-wiki/reference/GOVDOC_SAAS_CLEANING_SCOPE.md` 保存 45 份外部测试 Markdown 的只读问题审计；
+- 当前基础检查为 Ruff、mypy 和 87 项 pytest 测试，实际命令见本文“当前可用检查”。
-- `research-wiki/scratch/markdown-cleaning-ecosystem-research-2026-08-20.md` 完成首轮生态与架构调研。
-- 2026-08-21 完成师姐项目（ClinDB-ReviewBench）5 份论文 Markdown 的问题审计
-  （`research-wiki/scratch/data-5papers-cleaning-audit-2026-08-21.md`），并确定其第一版清洗范围
-  （`research-wiki/reference/CLINDB_REVIEWBENCH_CLEANING_SCOPE.md`，8 类自动清洗候选）。
-- 2026-08-21 明确本项目定位为实验室共用库；GovDoc 和论文清洗都是使用场景，不是核心边界。
-- 2026-08-21 批准并冻结 `research-wiki/design/0002-composable-cleaning-pipeline.md`，确定只接收 Markdown、
-  项目显式组装组件、单轮修改加最终只读复查的总体组织方式。
-- 2026-08-22 批准并冻结 `research-wiki/design/0003-first-executable-core-architecture.md`，确定第一版只建设
-  Python 内存自动清洗核心：组件只提出确定可执行的精确修改，不同时建设独立检查、人工建议或真实清洗规则。
-- 2026-08-22 按 `0003` 实现第一版内存核心和测试：包括不可变数据契约、组件基类、原子修改执行器、
-  顺序流水线和最终稳定性复查；58 项测试以及 Ruff、mypy 检查均通过。
-- 2026-08-22 批准并实现 `research-wiki/design/0004-arxiv-submission-stamp-component.md`：新增严格整行匹配的
-  arXiv 提交边栏戳删除组件；5 份论文只读复核只命中 sim 和 springer 各一处，两处合法参考文献保持不变，
-  第二次运行零修改，源文件没有变化。
-- 2026-08-21 完成 HTML 表格清洗专题调研
-  （`research-wiki/scratch/html-table-cleaning-ecosystem-research-2026-08-21.md`）：核实 Pandoc 表格
-  方言能力边界、Turndown 不处理合并单元格、Docling Markdown 导出重复合并单元格内容、MinerU 全
-  HTML 输出，印证审计 T001 的分流方向。
-- 2026-08-21 完成 45 份测试 Markdown 中 HTML 表格的只读结构分析
-  （`research-wiki/scratch/html-table-real-data-analysis-2026-08-21.md`）：剔除空 `<tr>` 后
-  简单表 53% / 合法合并表 8% / 损坏表 40%，并定位标签不闭合、丢失 colspan 标注、无表头三类主因。
-- 2026-08-21 仓库由 `govdoc-md-cleaner` 更名为 `mdpolish`，GitHub 远程仓库与本地目录同步改名；
-  冻结的 design 记录和带日期的 scratch 笔记保留当时的旧名。
 
-当前已有只处理内存字符串的底层执行机制和函数级契约，运行时只依赖 Python 标准库。组件可以针对当前
+项目还没有完整清洗规则集、Markdown/HTML parser、profile 格式、文件读写、CLI、批处理或生产接口。当前组件
-Markdown 快照提出精确修改，流水线负责原子应用、审计记录、失败隔离和最终稳定性复查。当前唯一正式组件只删除
+只能证明第一条严格规则已经闭环，不能据此认为论文、GovDoc、表格或图片已经具备完整清洗能力。
-完整匹配的 arXiv 提交边栏戳，不能把这一项能力理解为已经具备完整论文、GovDoc、表格或图片清洗能力。
-调研报告中的解析器、内部 IR、具体 profile 和其他真实清洗规则仍是候选方案，尚未批准。
 
 ## 服务对象与复用目标
 
@@ -59,6 +34,15 @@ Markdown 快照提出精确修改，流水线负责原子应用、审计记录
 当前用例只用于发现真实问题和验证通用能力，不能反过来限定库的设计。核心代码不得依赖论文 DOI、
 GovDoc 目录、具体客户名称或某一转换器的固定输出路径。
 
+## 测试数据
+
+- **论文 Markdown**：`data/md/`，共 5 份，按 ClinDB-ReviewBench 中使用的论文缩写命名，
+  供本地查看和组件只读验证；
+- **GovDoc Markdown**：`/home/lihaoze/gov_test_data/compare`，共 7 组、45 份，输入位于各组 `uploads/` 下，
+  保持仓库外只读，不复制到本项目。
+
+两组数据都不是可提交的自动测试 fixture。`data/` 已被 Git 忽略，清洗实验不得覆盖这些输入。
+
 ## 面向复用的设计原则
 
 - **通用核心**：只接收 Markdown；第一版只执行确定、可审计的精确修改，不读取 PDF、图片或转换器 JSON；
@@ -68,41 +52,46 @@ GovDoc 目录、具体客户名称或某一转换器的固定输出路径。
 - **可复现**：规则、配置、输入哈希、输出和每次变更都可以追踪；
 - **可扩展**：新增项目在自身边界处理上游适配，并主要组合或补充组件和 profile，而不是复制一套清洗器。
 
-## `data/` 的职责
-
-`data/` 是实验室项目的本地数据工作区。当前存放师姐论文清洗项目的输入和转换产物，未来可能继续加入
-其他项目的数据。新增数据时应逐步按项目命名空间组织，例如 `data/<project_id>/...`，避免不同项目的
-输入、产物和评测结果混在一起。
-
-数据目录与通用库保持以下边界：
-
-- `data/` 已被 Git 忽略，不作为库源码、公开 fixture 或发布包的一部分；
-- 默认把项目数据视为只读输入，清洗结果写到独立输出位置，不覆盖原文件；
-- 数据可以推动通用规则设计，但项目专属规则必须进入对应 profile；
-- 测试需要的公开样例应单独制作脱敏、最小化 fixture，不能直接复制真实项目文档；
-- `/home/lihaoze/gov_test_data` 等仓库外真实材料同样保持只读，不复制、不修改、不提交。
-
-任何清洗语义、规则格式、评估指标、代码目录或运行依赖，都应先形成设计记录并获得确认。研究结果进入
-具体项目或生产系统前，还需要在使用方范围内独立验证。
-
 ## 目录结构
 
 ```text
 mdpolish/
+├── .gitignore
 ├── AGENTS.md
 ├── CLAUDE.md
 ├── README.md
-├── pyproject.toml          # Python 包、构建和开发检查的唯一配置
+├── pyproject.toml                    # Python 包、构建和开发检查配置
-├── src/mdpolish/           # 第一版内存核心和已批准的业务组件
+├── src/
-├── tests/                  # 核心契约和组合行为测试
+│   └── mdpolish/
-├── data/                   # 本地项目数据；Git 忽略，未来按项目分区
+│       ├── __init__.py               # 第一版核心公共导出
+│       ├── component.py              # 组件基类和元数据契约
+│       ├── edits.py                  # 文本编辑验证与原子应用
+│       ├── models.py                 # 不可变数据模型和运行状态
+│       ├── pipeline.py               # 顺序执行和最终稳定性复查
+│       ├── py.typed                   # 类型信息声明
+│       └── components/
+│           ├── __init__.py
+│           └── arxiv_submission_stamp.py
+├── tests/
+│   ├── test_arxiv_submission_stamp.py
+│   ├── test_component.py
+│   ├── test_edits.py
+│   ├── test_models.py
+│   └── test_pipeline.py
+├── data/                              # 本地测试数据；Git 忽略；此处只展开常用入口
+│   └── md/
+│       ├── dmp.md
+│       ├── ejhf.md
+│       ├── jama.md
+│       ├── sim.md
+│       └── springer.md
 └── research-wiki/
-    ├── README.md
+    ├── README.md                       # Wiki 分类与维护规则
-    ├── design/       # 方案选择与冻结决策
+    ├── design/                         # 批准前的选择；批准后冻结
     ├── explanation/                    # 当前有效机制及原因
-    ├── reference/    # 需要准确查询的稳定事实
+    ├── reference/                      # 稳定查询事实
-    ├── guides/       # 已实际验证的操作步骤
+    ├── guides/                         # 已验证操作步骤
-    └── scratch/      # 调研笔记和未收敛草稿
+    └── scratch/                        # 调研和未收敛材料
 ```
 
 ## 开始工作