Bepr4
977bfb832b
- README 更新项目定位为实验室共用清洗库，明确 data/ 职责与 profile 复用原则； - 新增 ClinDB-ReviewBench（论文清洗）5 份 Markdown 问题审计（scratch）， 并确定第一版清洗范围：9 类确定性规则（reference/CLINDB_REVIEWBENCH_CLEANING_SCOPE.md）； - 45 份政务文档审计重命名为 GOVDOC_SAAS_CLEANING_SCOPE.md，截去第 6 节起的 实施建议，只保留问题报告（396 行）； - 收录 2026-08-20 生态调研草稿（scratch）。
112 lines
6.1 KiB
Markdown
112 lines
6.1 KiB
Markdown
# govdoc-md-cleaner
|
||
|
||
实验室共用的 Markdown 清洗研究与基础工具库。仓库名沿用了最初的 GovDoc 场景，但项目不属于 GovDoc
|
||
专用组件，也不只服务政务文档。
|
||
|
||
本仓库面向实验室内不同项目复用，用于清洗 PDF、DOCX、OCR、网页等上游管线生成的 Markdown，统一解决
|
||
格式噪声、结构损坏、内容异常、来源追踪和多用途派生问题。各项目共享通用清洗能力，再通过独立配置或
|
||
profile 表达论文、政务文档、RAG、文档对比等不同需求。
|
||
|
||
仓库当前仍处于研究和方案设计阶段：用于澄清问题、记录设计选择、积累可复核证据，并在方案获得确认后
|
||
再建立实现。它目前不是可安装的 Python 包，也不提供命令行工具或生产接口。
|
||
|
||
## 当前阶段
|
||
|
||
2026-08-20 已完成仓库重置与最小文档治理骨架：
|
||
|
||
- 原有 Python 实现、YAML 规则、测试和打包配置已经移除；
|
||
- `AGENTS.md` 与 `CLAUDE.md` 提供同步的协作规则；
|
||
- `research-wiki/` 按文档生命周期区分设计、说明、参考、指南和草稿；
|
||
- `research-wiki/design/0001-repository-foundation.md` 记录本次基础架构选择。
|
||
- `research-wiki/reference/GOVDOC_SAAS_CLEANING_SCOPE.md` 保存 45 份外部测试 Markdown 的只读问题审计；
|
||
- `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`，9 类确定性规则）。
|
||
- 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。
|
||
|
||
当前没有清洗算法、可执行命令、运行依赖、测试套件或已批准的输入输出契约。调研报告中的技术组合、
|
||
内部 IR、profiles 和实施路线均是候选方案，尚未批准。
|
||
目录存在只代表文档落点已经建立，不代表相应能力已经完成。
|
||
|
||
## 服务对象与复用目标
|
||
|
||
当前已经明确的使用场景包括：
|
||
|
||
- **论文清洗**：`data/` 中现有内容来自师姐的项目，包含论文 PDF 的 Markdown、JSON、图片等转换产物；
|
||
- **GovDoc**：政务、招投标、采购、合同等文档的清洗、比对和 RAG 前处理；
|
||
- **未来实验室项目**：后续可以继续接入其他需要 Markdown 质量检查、规范化或用途派生的项目数据。
|
||
|
||
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。
|
||
|
||
## 面向复用的设计原则
|
||
|
||
- **通用核心**：编码检查、Markdown/HTML 结构解析、异常检测、可审计变换、资产校验和来源追踪；
|
||
- **输入适配器**：不同 PDF/OCR/DOCX/HTML 转换器通过 adapter 接入，不把某个上游工具写死；
|
||
- **项目 profile**：论文、GovDoc、对比、RAG、公开脱敏等规则独立组合，不互相污染默认行为；
|
||
- **保真优先**：不确定内容默认保留或进入人工确认，不能为了格式整齐改写业务或学术内容；
|
||
- **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**：新增项目应主要增加 adapter、detector、transformer 或 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
|
||
govdoc-md-cleaner/
|
||
├── AGENTS.md
|
||
├── CLAUDE.md
|
||
├── README.md
|
||
├── data/ # 本地项目数据；Git 忽略，未来按项目分区
|
||
└── research-wiki/
|
||
├── README.md
|
||
├── design/ # 方案选择与冻结决策
|
||
├── explanation/ # 当前有效机制及原因
|
||
├── reference/ # 需要准确查询的稳定事实
|
||
├── guides/ # 已实际验证的操作步骤
|
||
└── scratch/ # 调研笔记和未收敛草稿
|
||
```
|
||
|
||
## 开始工作
|
||
|
||
进入仓库后依次阅读：
|
||
|
||
1. 本文件，确认当前阶段；
|
||
2. `AGENTS.md` 或 `CLAUDE.md`，确认协作与安全边界；
|
||
3. `research-wiki/README.md`，确认文档应放在哪里；
|
||
4. 与任务直接相关的 `research-wiki/design/` 记录。
|
||
|
||
下一项实质工作开始前，应以现有论文数据、GovDoc 审计和生态调研为输入新增下一编号的 design，明确
|
||
通用核心与项目 profile 的边界、第一阶段范围、技术选型、输入输出、验证方法和非目标，并等待批准。
|
||
|
||
## 当前可用检查
|
||
|
||
```bash
|
||
# 两份 Agent 入口除标题外必须一致；无输出且退出码为 0 表示通过
|
||
diff -u <(tail -n +2 AGENTS.md) <(tail -n +2 CLAUDE.md)
|
||
|
||
# 查看当前 Wiki 中实际存在的文档
|
||
find research-wiki -maxdepth 2 -type f | sort
|
||
|
||
# 检查本地变更
|
||
git status --short
|
||
```
|
||
|
||
当前没有测试命令；在真实实现和测试体系获批并落地前，不应声明测试通过。
|