govdoc-md-cleaner

政务文档 PDF→Markdown 清洗方向的独立研究与治理仓库。

本仓库用于澄清清洗问题、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。

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。 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。

项目边界

• 研究对象是 MinerU、OCR 等 PDF→Markdown 管线产生的噪音与清洗方法；
• /home/lihaoze/gov_test_data 中的真实材料属于外部只读数据，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；
• 研究结果只有经过独立评审后，才能进入其他产品或生产仓库。

目录结构

govdoc-md-cleaner/
├── AGENTS.md
├── CLAUDE.md
├── README.md
└── 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，应新增下一编号的 design，明确问题、备选方案、输入范围、验收方法和非目标。

当前可用检查

# 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。