409 lines
19 KiB
Markdown
409 lines
19 KiB
Markdown
# 0008：函数式通用库边界与项目组件外置
|
||
|
||
## 状态
|
||
|
||
已于 2026-08-26 经用户明确批准。本文自批准起冻结；后续若改变这里的公共边界或修改语义，应新增 design，
|
||
不得回写本文掩盖决策变化。
|
||
|
||
`supersedes: 0003`（范围有限）：本文拟替代基于 `Component` 抽象基类的扩展接口和当前公共导出形式；
|
||
快照绑定、精确修改、整批验证、原子应用、显式顺序、单轮执行和最终稳定性复查继续保留。
|
||
|
||
`supersedes: 0005, 0007`（仓库职责范围）：本地实验产物和评审器不再属于通用库交付物。它们曾经完成的实验
|
||
和验证仍是历史事实，但不继续作为 `mdpolish` 的当前能力维护。
|
||
|
||
`supersedes: 0006`（仓库职责范围）：ClinDB 第一批组件、固定参数、流水线和验收计数不再由通用库拥有。
|
||
本文不否定这些规则当时在 5 份论文上的验证结果，只改变它们今后的代码归属。
|
||
|
||
`0001`、`0002` 中的保真优先、项目显式组装、Markdown 单一输入、核心无文件 I/O 和外部真实材料只读边界继续有效。
|
||
历史 design 保持冻结，不回写成新的决定。
|
||
|
||
## 1. 问题与可观察现象
|
||
|
||
仓库的底层修改执行器和 `Pipeline` 不认识具体项目，但当前交付物已经与 ClinDB 深度绑定：
|
||
|
||
- 发布包内包含 `paper.*` 组件，其中多项识别条件来自 5 份论文的特定形态；
|
||
- first-batch 脚本固定了 5 个文档 ID、8 个组件、6 条断词映射和执行顺序；
|
||
- README、reference、guide 和 explanation 以 ClinDB 的 155 条修改作为主要成果；
|
||
- artifact、review locator 和 React 评审器围绕这套本地实验流程继续扩张；
|
||
- 外部使用者若只需要安全修改内核，仍会看到项目术语、实验入口和第二套 Node.js 工具链。
|
||
|
||
这与新的目标不一致。新的 `mdpolish` 应是一个真正可复用的 Python 库：它定义怎样描述、组合、校验和应用修改，
|
||
但不拥有任何项目的规则集合、数据清单、流水线或评审流程。
|
||
|
||
当前 `Component` 已经被约束为确定、无副作用的对象，但外部扩展仍需要继承抽象基类、实现四个属性和一个私有方法。
|
||
这里的继承没有提供运行时隔离，反而增加了编写简单修改器的仪式。通用库更适合把行为表达为纯函数，把身份和参数表达为
|
||
不可变数据，再由 `Pipeline` 组合。
|
||
|
||
## 2. 目标与非目标
|
||
|
||
### 2.1 目标
|
||
|
||
- 把仓库收敛为可安装、项目无关的 Python 修改库；
|
||
- 以纯函数加不可变元数据代替 `Component` 抽象基类；
|
||
- 保留当前快照、精确编辑、冲突检查、原子应用、审计和稳定性复查不变量；
|
||
- 提供通用的正则修改器工厂，使项目规则可以在项目仓库中声明；
|
||
- 提供少量经合成测试验证、无需项目数据的通用修改器；
|
||
- 让任何项目显式创建自己的修改器、参数和 `Pipeline`；
|
||
- 从当前能力、Python 包、测试和用户文档中移除 ClinDB、论文缩写、固定映射和真实样本计数；
|
||
- 移除通用库不再拥有的本地实验层和评审器工具链；
|
||
- 保持运行时只依赖 Python 标准库。
|
||
|
||
### 2.2 非目标
|
||
|
||
- 不在本轮建设公共 CLI、配置文件、profile、插件发现、LSP、Web 服务或桌面应用；
|
||
- 不建立新的 artifact schema、文件适配器或批处理协议；
|
||
- 不把 ClinDB 组件迁移到另一个仓库；修改其他仓库需要另行授权；
|
||
- 不修改、移动、复制或删除本地 `data/`、`artifacts/` 和仓库外真实材料；
|
||
- 不把现有项目规则改名后冒充通用组件；
|
||
- 不承诺任意用户函数在运行时被沙箱隔离；纯函数和无副作用是修改器契约，由内置实现和测试保证；
|
||
- 不在本轮引入 Markdown parser、HTML parser 或新的运行依赖；
|
||
- 不提供默认流水线。安装库或导入修改器不会自动修改任何文本。
|
||
|
||
## 3. 新的依赖方向
|
||
|
||
```text
|
||
使用项目
|
||
├── 项目规则函数
|
||
├── 项目参数与顺序
|
||
└── 项目文件、CLI、profile、报告和评审
|
||
│
|
||
▼
|
||
mdpolish
|
||
├── 不可变快照与修改模型
|
||
├── 函数式 Modifier 协议
|
||
├── 修改验证与原子执行器
|
||
├── Pipeline
|
||
├── 通用正则修改器工厂
|
||
└── 少量通用内置修改器
|
||
```
|
||
|
||
依赖只能从使用项目指向 `mdpolish`。`mdpolish` 不导入项目包，不读取项目目录，不根据文件名选择规则，
|
||
也不保存任何项目的默认顺序或参数。
|
||
|
||
## 4. 函数式修改器接口
|
||
|
||
### 4.1 行为与元数据分开
|
||
|
||
修改行为使用一个普通可调用对象：
|
||
|
||
```python
|
||
ModifierFunction = Callable[
|
||
[DocumentSnapshot],
|
||
tuple[ProposedChange, ...],
|
||
]
|
||
```
|
||
|
||
库使用不可变的 `Modifier` 保存审计所需元数据和函数：
|
||
|
||
```python
|
||
@dataclass(frozen=True, slots=True)
|
||
class Modifier:
|
||
modifier_id: str
|
||
version: str
|
||
parameters: Parameters
|
||
applicability: str
|
||
propose: ModifierFunction
|
||
```
|
||
|
||
精确字段名可以在实现中根据类型检查做机械调整，但必须满足以下决定：
|
||
|
||
- 不要求外部作者继承基类；
|
||
- 修改逻辑是接收一个快照、返回不可变候选修改的普通函数；
|
||
- `modifier_id`、版本、参数和适用边界不得从函数名、模块路径或闭包内容自动猜测；
|
||
- 元数据在流水线开始时冻结，运行期间变化视为契约错误；
|
||
- 函数只能提出修改，仍不能直接应用编辑或返回一整篇新 Markdown；
|
||
- 相同输入、身份、版本和参数必须产生相同顺序的候选修改；
|
||
- 修改器不得读取文件、网络、环境变量、当前时间或随机数。
|
||
|
||
保留显式元数据是为了让外包组件仍可被审计和复现。函数式编程不等于丢弃组件身份和版本。
|
||
|
||
### 4.2 修改权限与数据流
|
||
|
||
这里把“修改权”拆成三层，避免把业务判断、字符串执行和文件写回混为一件事：
|
||
|
||
1. **使用项目拥有规则决策权。** 项目决定启用哪些 `Modifier`、传入什么参数、按什么顺序运行。修改器的
|
||
`propose(snapshot)` 只判断“建议改哪里、为什么改、改成什么”，不能原地改变不可变快照，也不能用一整篇
|
||
新 Markdown 绕过精确编辑契约。
|
||
2. **`mdpolish` 核心拥有验证和内存执行权。** `Pipeline` 调用修改器，公共执行器检查快照、范围、原文、重复和
|
||
冲突，然后才通过字符串切片应用编辑。一个修改器本轮的候选修改必须整批通过；任意一项无效时，该批不产生
|
||
部分结果。
|
||
3. **使用项目拥有持久化决定权。** `Pipeline` 只返回状态、结果文本和审计记录，不读取或写入文件。调用方检查
|
||
`success`、`failed` 或 `unstable` 后，自行决定是否以及怎样保存；`mdpolish` 不会自动覆盖输入文件。
|
||
|
||
修改器至少通过 `ProposedChange` 和 `TextEdit` 向核心提交以下信息：
|
||
|
||
- 候选修改及每条精确编辑所绑定的 `snapshot_sha256`；
|
||
- 人可读且非空的修改原因 `reason`；
|
||
- 使用 Python 字符串索引表示的半开范围 `TextSpan(start, end)`；
|
||
- 该范围当前应有的原文 `expected_text`；
|
||
- 替换后的文本 `replacement`。
|
||
|
||
因此，一次调用的数据流固定为：
|
||
|
||
```text
|
||
项目组装 Modifier 与顺序
|
||
↓
|
||
Modifier.propose(snapshot) 提出精确修改
|
||
↓
|
||
mdpolish 验证并在内存中原子应用
|
||
↓
|
||
Pipeline 返回状态、结果和审计记录
|
||
↓
|
||
项目决定是否写回文件
|
||
```
|
||
|
||
项目规则当然可以决定自己的业务语义，也可以提出删除、替换或插入；但只有满足上述契约的候选修改才由核心执行。
|
||
Python 无法阻止项目函数私下写文件或直接调用字符串替换，这类副作用属于调用方绕过库契约，不属于 `mdpolish`
|
||
保证、审计或回滚的修改。
|
||
|
||
### 4.3 `Pipeline`
|
||
|
||
`Pipeline` 改为接收 `Iterable[Modifier]`，不再要求 `Component` 子类。其行为继续保持：
|
||
|
||
1. 预检全部修改器身份、版本、参数和重复 ID；
|
||
2. 按调用方顺序对当前快照调用 `propose`；
|
||
3. 由公共执行器验证和原子应用当前修改器批次；
|
||
4. 为下一个修改器建立新快照；
|
||
5. 全部执行一次后，对最终快照进行只读稳定性复查；
|
||
6. 返回 `success`、`failed` 或 `unstable`，不自动开始第二轮。
|
||
|
||
本轮不自动重排修改器，不自动选择修改器，也不提供全局默认组合。
|
||
|
||
### 4.4 外部项目的两种扩展方式
|
||
|
||
简单规则优先使用库提供的工厂：
|
||
|
||
```python
|
||
remove_stamp = regex_replace(
|
||
modifier_id="my_project.remove_stamp",
|
||
version="1.0.0",
|
||
pattern=r"...",
|
||
replacement="",
|
||
)
|
||
```
|
||
|
||
复杂规则直接提供纯函数，再显式构造 `Modifier`：
|
||
|
||
```python
|
||
def propose_project_changes(snapshot: DocumentSnapshot) -> tuple[ProposedChange, ...]:
|
||
...
|
||
|
||
project_modifier = Modifier(
|
||
modifier_id="my_project.rule",
|
||
version="1.0.0",
|
||
parameters=(),
|
||
applicability="...",
|
||
propose=propose_project_changes,
|
||
)
|
||
```
|
||
|
||
库不会自动注册或发现这些对象。
|
||
|
||
`Modifier` 是 `Pipeline` 接收的统一值类型；`regex_replace()` 是创建这种值的便捷工厂，不是与 `Modifier` 并列的
|
||
另一套接口。它返回的也是一个完整 `Modifier`。复杂规则与正则规则进入流水线后，都遵守同一套提议、验证、执行
|
||
和审计流程。
|
||
|
||
## 5. 通用正则修改器
|
||
|
||
第一版提供一个安全、窄边界的 `regex_replace()` 工厂：
|
||
|
||
- 调用方必须显式给出稳定 `modifier_id` 和版本；
|
||
- 输入为正则 pattern、固定 replacement、flags 和适用边界说明；
|
||
- pattern、replacement 和 flags 完整进入修改器参数，运行结果可以复核；
|
||
- 按 Python `re.finditer()` 的确定顺序定位非重叠匹配；
|
||
- replacement 使用 Python 正则的固定替换模板展开；
|
||
- 每个匹配生成绑定当前快照、范围和原文的精确编辑；
|
||
- 第一版拒绝零长度匹配，避免隐式插入和边界顺序不明确；
|
||
- 工厂不读 YAML，不维护规则注册表，也不提供默认规则集；
|
||
- 需要动态 replacement、跨匹配聚合或结构判断时，项目应编写自己的纯函数。
|
||
|
||
这个工厂提供正则能力，但不会退回“全局替换后返回整篇文本”的旧实现。所有修改仍经过公共执行器。
|
||
|
||
## 6. 通用内置修改器
|
||
|
||
第一版只保留以下与具体项目无关、能够用合成样例完整说明的能力：
|
||
|
||
### 6.1 映射驱动的跨行片段合并
|
||
|
||
- 保留当前“左片段、右片段、结果文本”的算法；
|
||
- 修改器身份改为领域无关名称；
|
||
- 映射必须由调用方传入并写入参数；
|
||
- 库中不保留 ClinDB 的 6 条映射；
|
||
- 不使用词典、模型或项目默认值猜测结果。
|
||
|
||
### 6.2 严格 HTML 表格实体解除一层转义
|
||
|
||
- 只处理严格识别的 `<td>` / `<th>` 文本；
|
||
- 只处理明确支持的双重实体；
|
||
- 不处理属性、表格外文本或任意 HTML；
|
||
- 名称和说明不得宣称已经支持通用损坏 HTML 修复。
|
||
|
||
### 6.3 严格单行 HTML 表格布局
|
||
|
||
- 保留 HTML 标签、属性、行和单元格内容；
|
||
- 只调整严格单行表格的外层行布局；
|
||
- 混合换行和不支持的结构保持原样；
|
||
- 它是保守的通用修改器，不是 HTML→GFM 转换器。
|
||
|
||
当前 `_html_table.py` 可以作为这两个修改器的私有词法辅助实现。由于它不识别 Markdown 围栏和完整方言，
|
||
公开说明必须保留这一边界。以后扩大为通用 HTML 清洗前必须另建设计。
|
||
|
||
除上述三类外，当前所有正式业务组件都移出 Python 包。合成示例可以演示怎样用 `regex_replace()` 和自定义函数
|
||
建立修改器，但不得包含论文原文、ClinDB 名称、固定文档 ID 或项目参数。
|
||
|
||
## 7. 从通用库移出的内容
|
||
|
||
设计获批后，当前工作树中以下内容不再作为 `mdpolish` 当前实现保留：
|
||
|
||
- `paper.word_review_comment`；
|
||
- `paper.manuscript_line_number`；
|
||
- `paper.arxiv_submission_stamp`；
|
||
- `paper.repeated_running_header`；
|
||
- `paper.reference_spacing`；
|
||
- ClinDB 固定断词映射与 first-batch 组合；
|
||
- `scripts/run_clindb_arxiv_experiment.py`；
|
||
- `scripts/run_clindb_first_batch_experiment.py`；
|
||
- `experiment.py`、`artifact_store.py`、`reporting.py` 和只服务 artifact 的重放代码；
|
||
- `reviewer/` Python 服务、React 前端、Node.js 依赖与构建配置；
|
||
- 对应项目测试、实验 guide、当前机制 explanation、ClinDB/GovDoc reference 和项目 scratch；
|
||
- README 中的数据目录、实验运行、155 条修改和评审器说明。
|
||
|
||
`research-wiki/design/0001` 至 `0007` 继续作为冻结的历史决策保留。`0008` 负责明确它们不再描述当前交付范围，
|
||
避免通过删除历史记录让旧方向看起来从未发生。
|
||
|
||
本轮只从 Git 跟踪的通用库工作树移除上述实现和当前说明。Git 历史仍可恢复这些内容。本地被忽略的 `data/`、
|
||
`artifacts/`、虚拟环境、构建缓存和真实材料一律不删除、不移动、不读取、不复制。
|
||
|
||
## 8. 拟采用的源码结构
|
||
|
||
```text
|
||
pyproject.toml
|
||
src/mdpolish/
|
||
├── __init__.py
|
||
├── models.py
|
||
├── modifier.py
|
||
├── edits.py
|
||
├── pipeline.py
|
||
├── regex.py
|
||
├── _text_ranges.py
|
||
├── _html_table.py
|
||
└── modifiers/
|
||
├── __init__.py
|
||
├── mapped_line_join.py
|
||
├── html_table_entities.py
|
||
└── html_table_layout.py
|
||
tests/
|
||
├── test_models.py
|
||
├── test_modifier.py
|
||
├── test_edits.py
|
||
├── test_pipeline.py
|
||
├── test_regex.py
|
||
├── test_mapped_line_join.py
|
||
├── test_html_table_entities.py
|
||
└── test_html_table_layout.py
|
||
```
|
||
|
||
`modifier.py` 只定义函数式修改器的身份和契约；`regex.py` 提供通用工厂；`modifiers/` 只放领域无关实现。
|
||
业务组件不以示例为由继续进入发布包。
|
||
|
||
是否把 `DocumentSnapshot`、`ProposedChange`、`TextEdit` 等低层对象继续放在顶层公共命名空间，由实现时按外部作者
|
||
能否编写自定义函数决定。本设计要求它们具有受支持的导入路径，但不要求所有对象都堆在 `mdpolish.__init__`。
|
||
|
||
## 9. 兼容与版本
|
||
|
||
这是明确的破坏性重构：
|
||
|
||
- 删除 `Component` 抽象基类；
|
||
- `Pipeline` 的元素类型改变；
|
||
- 删除项目组件和实验接口；
|
||
- wheel 不再包含项目工作流；
|
||
- README 的使用方式改变。
|
||
|
||
当前仓库仍处于 `0.x` 研究阶段，没有已批准的外部兼容承诺。实现后包版本从 `0.1.0` 更新为 `0.2.0`，不建立
|
||
兼容旧 `Component` 子类的适配层。保留适配层会让新的公共边界继续携带旧项目架构，本轮不采用。
|
||
|
||
## 10. 测试与验收
|
||
|
||
### 10.1 核心不变量
|
||
|
||
现有以下测试语义必须迁移并继续通过：
|
||
|
||
- 空文本、中文、组合字符和不同换行；
|
||
- 插入、删除、替换、多编辑候选和组件批次原子性；
|
||
- 过期快照、范围越界、原文不符、重复与冲突编辑明确失败；
|
||
- 后一个修改器读取新快照；
|
||
- 最终复查发现连锁修改时返回 `unstable`；
|
||
- 异常和元数据变化返回安全错误；
|
||
- 相同输入、修改器和参数得到相同结果；
|
||
- 成功结果再次运行零修改；
|
||
- 输入字符串不被原地改变。
|
||
|
||
### 10.2 函数式 API
|
||
|
||
至少覆盖：
|
||
|
||
- 普通函数不继承任何库基类即可成为 `Modifier`；
|
||
- 无效 ID、版本、参数、适用边界和不可调用对象明确失败；
|
||
- 两个相同 ID 的修改器仍在预检失败；
|
||
- 函数异常不会被吞掉，也不会把部分文本当成功输出；
|
||
- 无效候选修改导致当前修改器整批失败，不应用其中任何一项；
|
||
- 流水线记录实际修改器身份、版本、参数和顺序；
|
||
- 流水线运行只产生内存结果，不读取或写回调用方文件。
|
||
|
||
### 10.3 正则工厂
|
||
|
||
至少覆盖：
|
||
|
||
- 普通替换、捕获组展开、多命中和零命中；
|
||
- flags 和参数记录；
|
||
- 零长度模式拒绝；
|
||
- 原文、范围、理由和哈希审计正确；
|
||
- 第二次运行稳定；
|
||
- 没有 YAML、全局注册表或默认启用行为。
|
||
|
||
### 10.4 通用修改器
|
||
|
||
- 只使用小型虚构文本；
|
||
- 映射合并没有内置项目词表；
|
||
- HTML 修改器保留标签、属性、表格外文本和不支持结构；
|
||
- 正向、反向、换行、无末尾换行、确定性和幂等性均有覆盖；
|
||
- 不读取 `data/`、`artifacts/` 或仓库外数据。
|
||
|
||
### 10.5 仓库边界
|
||
|
||
实现完成后必须确认：
|
||
|
||
- wheel 只包含通用 Python 库；
|
||
- Python 源码、测试、README、explanation 和 guide 不包含 ClinDB 文档 ID、固定映射和项目流水线；
|
||
- 除冻结的 `research-wiki/design/0001` 至 `0007` 外，当前文档不再把项目实验描述为库能力；
|
||
- `reviewer/`、项目脚本和 Node.js 配置不再属于当前工作树；
|
||
- `.gitignore` 继续保护本地 `data/` 和 `artifacts/`；
|
||
- `git status` 不出现被忽略的真实材料；
|
||
- `AGENTS.md` 与 `CLAUDE.md` 除标题外正文一致。
|
||
|
||
基础检查仍使用 Ruff、mypy 和 pytest。实现后根据实际文件更新根 README 中的唯一检查命令，并实际运行后才报告通过。
|
||
|
||
## 11. 风险与代价
|
||
|
||
- **历史实验入口消失：** 当前分支不再直接运行 ClinDB；旧代码仍在 Git 历史中，未来迁移需在目标项目重新评审。
|
||
- **评审能力不再随库提供：** 这符合最小公共库目标；多个项目产生共同需求后再设计独立扩展。
|
||
- **函数不能被强制纯净：** Python 无法仅靠类型禁止文件和网络副作用；内置修改器通过实现与测试保证，外部修改器由调用方负责。
|
||
- **正则工厂可能被滥用：** 它只保证修改执行安全，不保证项目正则语义正确；项目仍需为自己的模式、反例和版本负责。
|
||
- **HTML 修改器的“通用”范围有限：** 严格失败关闭，宁可漏处理未知结构，也不扩大成未经验证的 HTML 修复器。
|
||
- **没有文件产品入口：** 第一版调用方需要自己读取 Markdown 和处理结果；这正是新的库边界，不是遗漏。
|
||
- **破坏现有导入：** `0.2.0` 明确表示新边界，不维护尚未承诺的旧扩展接口。
|
||
|
||
## 12. 批准后的实施顺序
|
||
|
||
用户明确批准本文后，按以下顺序实施：
|
||
|
||
1. 新增函数式 `Modifier`，迁移核心测试，使 `Pipeline` 不再依赖抽象基类；
|
||
2. 实现 `regex_replace()` 和通用修改器，全部使用合成测试；
|
||
3. 更新公共导出、包描述和版本；
|
||
4. 移除项目组件、脚本、实验层、评审器及其测试；
|
||
5. 清理当前 README、explanation、reference、guide 和 scratch，只保留通用库当前事实与冻结历史 design；
|
||
6. 核对 `.gitignore`，但不触碰任何被忽略的真实输入和产物；
|
||
7. 运行 README 中实际保留的全部检查，检查 wheel 内容、Git diff、文档镜像和工作区状态。
|
||
|
||
本文批准不授权提交、推送、创建 PR、发布、修改其他仓库，或删除、移动、复制本地真实材料。
|