框架: 基础面验收轮——import解析器补双章区间号/分页尾巴/残破实体三规则(机战无限2901章找回巨章内71双章,超神机械师1455章清11分页空章);quality_report交付(字数/分章/章题/段落/垃圾嫌疑五面);clean skill交付(LLM探测+代码精确删除+守卫规则+审计表92);parse_ingest键名归一(StructuredOutput仅ASCII键教训);README§九刷2026-07-13快照(compact锚点)

.claude/skills/clean/SKILL.md

@@ -0,0 +1,39 @@
+---
+name: clean
+description: LLM 辅助正文清洗——LLM 按窗口（约10万字）只输出待删垃圾段原文与理由，代码做精确匹配删除并全程留审计（example_clean_log）。LLM 不改写正文，删不删由守卫规则最终裁决。
+---
+
+# clean —— LLM 检测 + 代码执行的正文清洗
+
+分工（创始人方案 2026-07-13）：**规则层**已在 import 解决结构性垃圾（水印正则/重贴章题/目录页/分页尾巴/残破实体）；本 skill 处理**语义垃圾**——变体书站广告、作者拉票/PS 段、乱码水印等正则打不全的散落噪声。LLM 只当探测器（输出待删片段逐字原文），删除由脚本执行：零改写、可审计、可回放。
+
+## 流程
+
+```bash
+# 1) 备窗口：按章对齐切窗（默认 ~10万字/窗，写 /tmp/muse-clean/<work>/win-*.txt + manifest）
+.venv/bin/python .claude/skills/clean/scripts/clean_prep.py --work-id 5 --window 100000
+
+# 2) 探测：每窗一次 LLM 调用（haiku，编排层派发；prompt 模板见下）→ 每窗一份 deletions JSON
+
+# 3) 执行：精确匹配删除 + 审计入库 + 字数刷新（守卫规则见下）
+.venv/bin/python .claude/skills/clean/scripts/clean_apply.py --work-id 5 --batch <批次号> --file /tmp/muse-clean/5/deletions-all.json
+
+# 4) 审查：删除对账（每章删了几段几字）+ 审计行抽查
+.venv/bin/python .claude/skills/db/scripts/db.py query "SELECT reason, count(*), sum(length(removed_text)) FROM example_clean_log WHERE work_id=5 AND batch='<批次号>' GROUP BY reason"
+```
+
+## 探测 prompt 模板（编排层内联给 haiku）
+
+> 你是网文正文清洗探测器。下面是《书名》第 A–B 章的原文（含章题行）。找出**所有非正文垃圾**：书站广告及变体（如「一秒记住♂粒÷小÷说→网」）、网址残留、求票拉票/打赏鸣谢、章尾作者话（ps：…）、上架感言类整段、乱码水印。输出 deletions 数组，每项 `{chapter_order, exact, reason}`：`exact` 必须与原文**逐字一致**（含标点空白，≤300字，一段一项）；只报垃圾，拿不准的不报；**情节正文一个字都不许报**。章题行不报（即使含求票字样——章题另行处理）。
+
+## 守卫规则（脚本硬闸，LLM 建议 ≠ 必删）
+
+- `exact` 长度 4–500 字；在指定章内**逐字命中**才删（命中多次全删并记 occurrences）；
+- 不得命中/包含章题行；单章累计删除 ≤ 章长 20%（超限整章建议弃用并报告）；
+- 每次删除一行审计（原文/理由/模型/批次），源 txt 永远不动（可整书重导回滚）；
+- 删完刷新 block.word_count 与 work.word_count。
+
+## 量级参考（2026-07-13 估）
+
+- 拆书范围（5 书×前50章 ≈ 90万字）≈ 9–12 窗 ≈ 12 次 haiku 调用；
+- 全语料（8 书 ≈ 3,300万字）≈ 340 窗 ≈ 350 次 haiku 调用（输入 ~35M token 量级）。

.claude/skills/clean/scripts/clean_apply.py

@@ -0,0 +1,109 @@
+#!/usr/bin/env python3
+"""clean skill：精确匹配删除执行器（LLM 建议 ≠ 必删，守卫规则最终裁决）+ 审计入库。
+
+输入 deletions JSON：[{chapter_order|chapter, exact, reason}]（键名 ASCII，兼容中文键）。
+"""
+import json
+import pathlib
+import re
+import sys
+
+import click
+import psycopg
+
+DSN = ("postgresql://root:f6710e2d0294eb1c10e26a805a64bc54@100.64.0.8:5433/muse-example"
+       "?keepalives=1&keepalives_idle=15&keepalives_interval=5&keepalives_count=3")
+TENANT, ACTOR = 1, "1"
+MIN_LEN, MAX_LEN = 4, 500
+MAX_CH_RATIO = 0.20  # 单章累计删除上限（占章长比）
+
+
+@click.command()
+@click.option("--work-id", type=int, required=True)
+@click.option("--batch", required=True, help="清洗批次号（审计用）")
+@click.option("--file", "file_", type=click.Path(exists=True), required=True)
+@click.option("--model", default="haiku", show_default=True, help="建议来源模型（审计标注）")
+@click.option("--dry-run", is_flag=True, help="只对账不落库")
+def main(work_id, batch, file_, model, dry_run):
+    raw = json.loads(pathlib.Path(file_).read_text())
+    if isinstance(raw, dict):
+        raw = raw.get("deletions") or raw.get("删除") or []
+    # 按章分组
+    by_ch = {}
+    for d in raw:
+        no = d.get("chapter_order") or d.get("chapter") or d.get("章序")
+        exact = d.get("exact") or d.get("原文")
+        if no is None or not exact:
+            continue
+        by_ch.setdefault(int(no), []).append((exact, d.get("reason") or d.get("理由") or ""))
+
+    stats = {"删除段": 0, "删除字数": 0, "拒绝": []}
+    with psycopg.connect(DSN) as conn:
+        for no, dels in sorted(by_ch.items()):
+            row = conn.execute(
+                """SELECT c.id, c.title, b.id, b.content_text
+                   FROM muse_content_chapter c JOIN muse_content_block b ON b.chapter_id=c.id AND b.deleted=FALSE
+                   WHERE c.tenant_id=%s AND c.work_id=%s AND c.order_no=%s AND c.deleted=FALSE""",
+                (TENANT, work_id, no)).fetchone()
+            if not row:
+                stats["拒绝"].append(f"#{no}: 章不存在")
+                continue
+            ch_id, ch_title, blk_id, text = row
+            new_text = text
+            ch_removed = 0
+            applied = []
+            for exact, reason in dels:
+                # 守卫1：长度界
+                if not (MIN_LEN <= len(exact) <= MAX_LEN):
+                    stats["拒绝"].append(f"#{no}: 长度越界({len(exact)}) {exact[:24]!r}")
+                    continue
+                # 守卫2：不得含/命中章题
+                if ch_title and ch_title in exact:
+                    stats["拒绝"].append(f"#{no}: 含章题 {exact[:24]!r}")
+                    continue
+                n = new_text.count(exact)
+                if n == 0:
+                    stats["拒绝"].append(f"#{no}: 未命中 {exact[:24]!r}")
+                    continue
+                new_text = new_text.replace(exact, "")
+                ch_removed += len(exact) * n
+                applied.append((exact, n, reason))
+            # 守卫3：单章删除比例硬顶
+            if ch_removed > len(text) * MAX_CH_RATIO:
+                stats["拒绝"].append(f"#{no}: 累计删除 {ch_removed} 字超章长20%上限，整章放弃")
+                continue
+            if not applied:
+                continue
+            new_text = re.sub(r'\n{3,}', '\n\n', new_text)  # 删除后合并多余空行
+            stats["删除段"] += len(applied)
+            stats["删除字数"] += ch_removed
+            if dry_run:
+                continue
+            wc = len(re.sub(r'\s', '', new_text))
+            conn.execute("UPDATE muse_content_block SET content_text=%s, word_count=%s, updater=%s WHERE id=%s",
+                         (new_text, wc, ACTOR, blk_id))
+            for exact, n, reason in applied:
+                conn.execute(
+                    """INSERT INTO example_clean_log (work_id, chapter_id, batch, removed_text, occurrences,
+                           reason, model, creator, updater, tenant_id)
+                       VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)""",
+                    (work_id, ch_id, batch, exact, n, reason[:200], model, ACTOR, ACTOR, TENANT))
+        if not dry_run:
+            conn.execute(
+                """UPDATE muse_content_work w SET word_count=(
+                       SELECT COALESCE(sum(b.word_count),0) FROM muse_content_block b
+                       WHERE b.tenant_id=%s AND b.work_id=w.id AND b.deleted=FALSE), updater=%s
+                   WHERE w.id=%s""", (TENANT, ACTOR, work_id))
+            conn.commit()
+    mode = "（dry-run 未落库）" if dry_run else ""
+    click.echo(f"清洗执行{mode}: 删除 {stats['删除段']} 段 / {stats['删除字数']:,} 字；拒绝 {len(stats['拒绝'])} 条")
+    for r in stats["拒绝"][:12]:
+        click.echo(f"  [拒] {r}")
+
+
+if __name__ == "__main__":
+    try:
+        main()
+    except psycopg.Error as e:
+        click.echo(f"[db错误] {type(e).__name__}: {e}", err=True)
+        sys.exit(1)

.claude/skills/clean/scripts/clean_prep.py

@@ -0,0 +1,65 @@
+#!/usr/bin/env python3
+"""clean skill：按章对齐切窗（LLM 探测输入面）。窗文件含章题标记行，便于 LLM 报 chapter_order。"""
+import json
+import pathlib
+import re
+import sys
+
+import click
+import psycopg
+
+DSN = ("postgresql://root:f6710e2d0294eb1c10e26a805a64bc54@100.64.0.8:5433/muse-example"
+       "?keepalives=1&keepalives_idle=15&keepalives_interval=5&keepalives_count=3")
+TENANT = 1
+OUT = pathlib.Path("/tmp/muse-clean")
+
+
+@click.command()
+@click.option("--work-id", type=int, required=True)
+@click.option("--window", type=int, default=100000, show_default=True, help="每窗目标字符数（章对齐）")
+@click.option("--from", "from_", type=int, default=1, help="起始章 order_no")
+@click.option("--to", type=int, default=0, help="结束章 order_no（0=到末章）")
+def main(work_id, window, from_, to):
+    with psycopg.connect(DSN) as conn:
+        title = conn.execute("SELECT title FROM muse_content_work WHERE id=%s", (work_id,)).fetchone()[0]
+        sql = """SELECT c.order_no, c.title, b.content_text
+                 FROM muse_content_chapter c JOIN muse_content_block b ON b.chapter_id=c.id AND b.deleted=FALSE
+                 WHERE c.tenant_id=%s AND c.work_id=%s AND c.deleted=FALSE AND c.order_no>=%s"""
+        args = [TENANT, work_id, from_]
+        if to:
+            sql += " AND c.order_no<=%s"
+            args.append(to)
+        rows = conn.execute(sql + " ORDER BY c.order_no", args).fetchall()
+    d = OUT / str(work_id)
+    d.mkdir(parents=True, exist_ok=True)
+    wins, cur, cur_len, cur_span = [], [], 0, []
+    for no, ct, text in rows:
+        # 章题标记行：供 LLM 定位 chapter_order；clean_apply 不会删除标记行本身
+        cur.append(f"\n【第{no}章 | {ct}】\n{text}")
+        cur_len += len(text)
+        cur_span.append(no)
+        if cur_len >= window:
+            wins.append((cur_span[0], cur_span[-1], "".join(cur)))
+            cur, cur_len, cur_span = [], 0, []
+    if cur:
+        wins.append((cur_span[0], cur_span[-1], "".join(cur)))
+    manifest = []
+    for i, (a, b, text) in enumerate(wins, 1):
+        f = d / f"win-{i:03d}.txt"
+        f.write_text(f"《{title}》 第{a}–{b}章 原文窗口（章题标记行格式:【第N章 | 章题】）\n{text}")
+        manifest.append({"win": i, "file": str(f), "from": a, "to": b, "chars": len(text)})
+    (d / "manifest.json").write_text(json.dumps(
+        {"work_id": work_id, "title": title, "windows": manifest}, ensure_ascii=False, indent=1))
+    click.echo(f"《{title}》切窗完成: {len(wins)} 窗 → {d}/win-*.txt（manifest.json 就绪）")
+    for m in manifest[:5]:
+        click.echo(f"  win-{m['win']:03d} 第{m['from']}–{m['to']}章 {m['chars']:,}字")
+    if len(manifest) > 5:
+        click.echo(f"  … 共 {len(manifest)} 窗")
+
+
+if __name__ == "__main__":
+    try:
+        main()
+    except psycopg.Error as e:
+        click.echo(f"[db错误] {type(e).__name__}: {e}", err=True)
+        sys.exit(1)

.claude/skills/import/scripts/import_novel.py

@@ -28,8 +28,8 @@ CN_UNITS = {"十": 10, "百": 100, "千": 1000}
 PAT_VOL_CH = re.compile(  # 第X卷 第Y章 标题（含无空格变体）——恒启用
     r'^\s*第\s*(?P<vol>[零〇一二两三四五六七八九十百千0-9]+)\s*卷\s*'
     r'第\s*(?P<no>[零〇一二两三四五六七八九十百千0-9]+)\s*[章回]\s*(?P<title>\S.*)?$')
-PAT_CH = re.compile(  # 第X章 标题——恒启用
+PAT_CH = re.compile(  # 第X章 标题——恒启用；支持双章合一区间号「第2373-2374章」（机战无限实测）
-    r'^\s*第\s*(?P<no>[零〇一二两三四五六七八九十百千0-9]+)\s*[章回]\s*(?P<title>\S.*)?$')
+    r'^\s*第\s*(?P<no>[零〇一二两三四五六七八九十百千0-9]+(?:\s*[-—~－]\s*[0-9]+)?)\s*[章回]\s*(?P<title>\S.*)?$')
 PAT_VOL_ONLY = re.compile(  # 纯卷行（有卷无章）——不开章
     r'^\s*第\s*[零〇一二两三四五六七八九十百千0-9]+\s*卷\s*(?P<title>\S.*)?$')
 PAT_NUM = re.compile(r'^\s*(?P<no>\d{3,4})\s+(?P<title>\S.*)$')  # 001 标题——自适应
@@ -38,8 +38,11 @@ PAT_CN_BARE = re.compile(  # 一百零二 标题——自适应（限长防误
 
 
 def cn2int(s: str):
-    """中文数字→整数；混写/错写返回 None（调用方 fallback 前章+1）。"""
+    """中文数字→整数；区间号「2373-2374」取首号；混写/错写返回 None（调用方 fallback 前章+1）。"""
     s = s.strip()
+    m = re.match(r'^(\d+)\s*[-—~－]\s*\d+$', s)
+    if m:
+        return int(m.group(1))
     if s.isdigit():
         return int(s)
     total, section, num = 0, 0, 0
@@ -90,6 +93,8 @@ def parse_book(path: pathlib.Path):
     """解析一本书 → (meta, chapters, stats)。修复规则见 SKILL.md。"""
     raw = path.read_text(encoding="utf-8", errors="replace")
     raw = html.unescape(raw)  # 解 &ldquo; 等实体
+    raw = re.sub(r'&[a-z]{2,6};', '', raw)  # 残破实体（&bp; 等盗版损坏形态）直接剔除
+    raw = re.sub(r'\s*[(（]第\s*\d+\s*/\s*\d+\s*页[)）]', '', raw)  # 分页尾巴「(第1/1页)」
     lines = raw.split("\n")
 
     # 头部 meta：# 《书名》 / # 作者: X / # 共 N 章

.claude/skills/import/scripts/quality_report.py

@@ -0,0 +1,82 @@
+#!/usr/bin/env python3
+"""B1 基础面验收报告：字数/分章/章节名/段落切分/残留垃圾扫描（纯规则，审查面）。"""
+import re
+import statistics
+import sys
+
+import click
+import psycopg
+
+DSN = ("postgresql://root:f6710e2d0294eb1c10e26a805a64bc54@100.64.0.8:5433/muse-example"
+       "?keepalives=1&keepalives_idle=15&keepalives_interval=5&keepalives_count=3")
+TENANT = 1
+
+# 语义垃圾嫌疑模式（扫描计数用；真正删除走 clean skill 的 LLM 检测+代码执行）
+JUNK_PATTERNS = {
+    "网址残留": re.compile(r'www\.|http|\.(?:com|net|cc|org|info)\b', re.I),
+    "一秒记住类": re.compile(r'一秒记住|天才.{0,3}记住|记住本站|首发域名|手机版阅读|无弹窗'),
+    "求票拉票": re.compile(r'求(?:月票|推荐票|订阅|收藏)|拉票|票票|投个|打赏|加更规则'),
+    "乱码符号": re.compile(r'[♂♀÷×]|&#\d+;|&[a-z]{2,6};'),
+    "作者话PS": re.compile(r'^PS[:：]|^ps[:：]|^附[:：]|^作者的?话', re.M),
+}
+
+
+@click.command()
+@click.option("--work-id", type=int, multiple=True, help="不给则全部")
+@click.option("--sample-titles", default=5, show_default=True)
+def main(work_id, sample_titles):
+    with psycopg.connect(DSN) as conn:
+        works = conn.execute(
+            f"""SELECT id, title FROM muse_content_work WHERE tenant_id=%s AND deleted=FALSE
+                {'AND id = ANY(%s)' if work_id else ''} ORDER BY id""",
+            (TENANT, list(work_id)) if work_id else (TENANT,)).fetchall()
+        for wid, title in works:
+            rows = conn.execute(
+                """SELECT c.order_no, c.title, b.content_text
+                   FROM muse_content_chapter c JOIN muse_content_block b ON b.chapter_id=c.id AND b.deleted=FALSE
+                   WHERE c.tenant_id=%s AND c.work_id=%s AND c.deleted=FALSE ORDER BY c.order_no""",
+                (TENANT, wid)).fetchall()
+            if not rows:
+                continue
+            wc = [len(re.sub(r'\s', '', t)) for _, _, t in rows]
+            paras_per_ch, para_lens, fat_paras = [], [], 0
+            junk_hits = {k: 0 for k in JUNK_PATTERNS}
+            junk_samples = {}
+            for _, _, t in rows:
+                # 网文段落=非空行（一行一段是行业惯例；星环使命等源单换行分段，空行切分会误判粘连）
+                paras = [p for p in t.split("\n") if p.strip()]
+                paras_per_ch.append(len(paras))
+                for p in paras:
+                    L = len(re.sub(r'\s', '', p))
+                    para_lens.append(L)
+                    if L > 2000:
+                        fat_paras += 1
+                for k, pat in JUNK_PATTERNS.items():
+                    ms = pat.findall(t)
+                    if ms:
+                        junk_hits[k] += len(ms)
+                        if k not in junk_samples:
+                            m = pat.search(t)
+                            s = t[max(0, m.start() - 20):m.end() + 30].replace("\n", " ")
+                            junk_samples[k] = s
+            print(f"═══ [{wid}] 《{title}》 ═══")
+            print(f"  章数 {len(rows)} | 总字数 {sum(wc):,} | 章字数 均{int(statistics.mean(wc))} 中位{int(statistics.median(wc))} 最短{min(wc)} 最长{max(wc)}")
+            shorts = sorted(zip(wc, (r[0] for r in rows), (r[1] for r in rows)))[:3]
+            print(f"  最短3章: " + " / ".join(f"#{o}《{t[:16]}》{w}字" for w, o, t in shorts))
+            print(f"  段落: 每章均{int(statistics.mean(paras_per_ch))}段 | 段均{int(statistics.mean(para_lens))}字 中位{int(statistics.median(para_lens))} | >2000字粘连段 {fat_paras}")
+            active = {k: v for k, v in junk_hits.items() if v}
+            print(f"  垃圾嫌疑: {active if active else '无命中'}")
+            for k, s in junk_samples.items():
+                print(f"    [{k}] …{s}…")
+            heads = [f"#{r[0]}{r[1][:14]}" for r in rows[:sample_titles]]
+            tails = [f"#{r[0]}{r[1][:14]}" for r in rows[-3:]]
+            print(f"  章题样例: {' | '.join(heads)} … {' | '.join(tails)}")
+            print()
+
+
+if __name__ == "__main__":
+    try:
+        main()
+    except psycopg.Error as e:
+        click.echo(f"[db错误] {type(e).__name__}: {e}", err=True)
+        sys.exit(1)

.claude/skills/parse-book/scripts/parse_ingest.py

@@ -22,6 +22,27 @@ PATTERN_TYPES = {"craft", "combat", "emotion", "scene_pattern", "trope"}  # 拍
 NGRAM = 15  # 脱敏红线：≥15 连续字与原文重合=违规（parse-book skill）
 
 
+def norm_scaffold(data: dict) -> dict:
+    """键名归一：StructuredOutput 工具 schema 只允许 ASCII 键（API 硬约束 2026-07-13 实测），
+    库内 payload 统一中文键（供下游 prompt 消费）。两种键名都接受。"""
+    ents = []
+    for e in data.get("实体") or data.get("entities") or []:
+        ents.append({"型": e.get("型") or e.get("type"), "名称": e.get("名称") or e.get("name"),
+                     "一句话摘要": e.get("一句话摘要") or e.get("brief")})
+    return {"细纲": data.get("细纲") or data.get("outline") or "", "实体": ents}
+
+
+def norm_card(c: dict) -> dict:
+    """范式卡键名归一（ASCII→中文）。"""
+    src = c.get("出处") or c.get("source") or {}
+    return {"型": c.get("型") or c.get("type"), "名称": c.get("名称") or c.get("name"),
+            "一句话摘要": c.get("一句话摘要") or c.get("brief"),
+            "字段": c.get("字段") or c.get("fields") or {},
+            "出处": {"书名": src.get("书名") or src.get("book"),
+                     "回目": src.get("回目") or src.get("chapter"),
+                     "定位": src.get("定位") or src.get("anchor")}}
+
+
 def chapter_of(conn, work_id, order_no):
     """取章 id 与正文。"""
     row = conn.execute(
@@ -104,7 +125,7 @@ def init_tasks(work_id, from_, to):
 @click.option("--file", "file_", type=click.Path(exists=True), required=True)
 def scaffold(work_id, chapter_order, file_):
     """脚手架入库：{细纲, 实体:[{型,名称,一句话摘要,备注?}]}；比例约束校验（3–5%，超标拒绝）。"""
-    data = json.loads(pathlib.Path(file_).read_text())
+    data = norm_scaffold(json.loads(pathlib.Path(file_).read_text()))
     with psycopg.connect(DSN) as conn:
         ch_id, src = chapter_of(conn, work_id, chapter_order)
         outline = (data.get("细纲") or "").strip()
@@ -140,9 +161,12 @@ def scaffold(work_id, chapter_order, file_):
 def patterns(work_id, chapter_order, file_):
     """范式卡入库：[{型∈五型, 名称, 一句话摘要, 字段{…}, 出处{书名,回目,定位}}] → draft(pending)。
     机械硬阻断：归型合法、字段 key 合法（库内合同）、出处必填、15 连字脱敏检测。"""
-    cards = json.loads(pathlib.Path(file_).read_text())
+    raw = json.loads(pathlib.Path(file_).read_text())
-    if not isinstance(cards, list):
+    if isinstance(raw, dict):  # 兼容 {cards:[…]}/{卡:[…]} 包装
+        raw = raw.get("cards") or raw.get("卡") or []
+    if not isinstance(raw, list):
         raise click.ClickException("patterns 文件须为卡片数组")
+    cards = [norm_card(c) for c in raw]
     with psycopg.connect(DSN) as conn:
         ch_id, src = chapter_of(conn, work_id, chapter_order)
         contracts = {t: field_contract(conn, t) for t in PATTERN_TYPES}

README.md

@@ -182,7 +182,7 @@ flowchart LR
 
 | # | 场景锚 | 步骤 | 审查面 | 现状 |
 |---|---|---|---|---|
-| B1（原K3） | 参考书导入+静态分章 | import 工具（回目正则）→《封神演义》作品/章入库 | 作品/章行数+逐章抽查 | 12-14 回原文已备；全本未取 |
+| B1（原K3） | 参考书导入+静态分章 | import 工具（回目正则）→ 8 本全本作品/章/块入库 | 作品/章行数对账+quality_report 基础面报告 | ✅ 基本收口（2026-07-13）：8 本 ≈1.18 万章全入库；机战无限/超神机械师因源损坏格式（区间章号/分页尾巴/残破实体）用修复后解析器重导 |
 | B2（原K4） | 拆书智能体 PG 版 | extractor 走 parse-book 2b：先逐章逆推细纲+抽实体作**脚手架**，再在其上按库内 schema 拆范式→知识行(draft)+嵌入 | 脚手架(细纲/实体)+知识行卡片打印+分型统计+出处链 | 文件版首轮流程已验（产物已清理，字段发现存 schema）；PG 版从零起拆 |
 | B3（原K5） | 检索验证 | 创作意图→相似度召回；授权与 aiContext 裁剪落查询层 | 检索结果+相关性人工评 | 未做 |
 | B4（原K6） | 联合优化环 | prompt × schema 字段 × 知识行质量，n=5 收敛 | 迭代前后对比+设计发现清单 | 未做 |
@@ -215,7 +215,19 @@ flowchart LR
 
 达标 prompt（→ 未来 agent_version.config 种子）；schema 修订（→ 专题-06/后端-04/W1 种子）；知识卡样式与上下文组装打法（→ 统一读取器 API 设计参考）；`golden/` 样张与质量基线（→ 完整工程同场景对拍）；阶段二的 API 缺口清单。
 
-## 九、当前位置（2026-07-10 快照）
+## 九、当前位置（2026-07-13 快照）
+
+**执行态速览（compact 后从此恢复；细节看 git log 与库内状态表）**
+
+- **A 阶段全收口**：muse-example 库+pgvector 0.8.5（容器重建恢复命令见 `db/连接信息.md`）；24 表（主仓一致 20+example_* 5，含 92-清洗日志表；映射见 `db/表映射.md`）；23 型 schema 入库（294 字段行，字段级 aiContext 在 visibility_policy.policy_snapshot）。
+- **B1 基本收口**：8 本参考书全本入库（希泊尼战纪1496 / 星环使命1722 / 机动风暴673 / 机武风暴686 / 机破星河2250 / 深空之影594 / 超神机械师 / 机战无限2901 章；星环使命为创始人 2026-07-13 新增）。源损坏修复经历：双章区间号「第2373-2374章」、分页尾巴「(第1/1页)」、残破实体「&bp;」、纯中文数字章题+重贴+目录页（机动风暴）——全部进 import 解析器规则。基础面验收工具=`quality_report.py`（字数/分章/章题/段落/垃圾嫌疑扫描）。
+- **书单拍板（2026-07-13 创始人）**：先试拆几本书前几章给创始人质检（试拆流水线=workflow 编排+逐章两 pass：scaffold(opus)→ingest(haiku)→patterns(opus)→ingest(haiku)；脚本存 session workflows/，状态在 example_parse_task/scaffold/draft 表），质检过再放量。
+- **清洗方案拍板（2026-07-13 创始人）**：语义垃圾走「LLM 探测输出待删段原文+代码精确匹配删除」=clean skill（窗口≈10万字/次调用，守卫规则+审计表 example_clean_log；机破星河最脏 879 求票+306 PS，win 文件已备 /tmp/muse-clean/7/）。
+- **在飞任务（compact 时）**：超神机械师重导（修其 14 个百字以下章）；试拆 workflow（机动风暴 1–3 章，ch1 脚手架已过校验：细纲 5.0%/实体 6）。
+- **未决**：①试拆结果质检（含范式卡样张）②清洗范围拍板（仅拆书范围 ≈12 次 haiku vs 全语料 ≈350 次）③B2 放量确认闸（编排+成本呈报后创始人拍）。
+- **教训入档**：StructuredOutput 工具 schema 属性名仅限 ASCII（中文键 API 400）——schema ASCII 键+入库脚本键名归一；Tailscale 长事务需 keepalive+批量写（逐行两万往返曾半死 16 分钟）。
+
+## 九·旧（2026-07-10 快照，留档）
 
 - 执行主线=§七闭环序，知识域（A/B）先行；创作域（C）后置，待 B5 过门后按 C 线走。
 - **拍板台账（①–④已全拍）**：①B2 首轮公共面只拆 5 型范式，双层型二轮凭脚手架实据定；细纲字数比例已拍入 outline schema。②已拍（2026-07-10）——参考书=`../小说清单/` 7 本**全部导入**私有库；首轮拆书 4 本：超神机械师/机战无限/深空之影/机动风暴（每本 30–50 章；原文只入私有库，公共面只有脱敏范式）。③已拍——主仓表原样不改列+私货全进 `example_*`。④已拍——整序确认，A1 已起跑（B2 跑批前有成本确认闸）。

db/ddl/92-example清洗日志.sql

@@ -0,0 +1,20 @@
+-- 实验私货：LLM 辅助清洗的审计日志（清洗方案见 .claude/skills/clean/SKILL.md）
+-- 每删一段留一行：删了什么、为什么、哪个模型建议、哪个批次——可回放、可回滚（源 txt 是不动的 SoT）。
+CREATE TABLE example_clean_log (
+    id BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
+    work_id BIGINT NOT NULL,                          -- → muse_content_work.id
+    chapter_id BIGINT NOT NULL,                       -- → muse_content_chapter.id
+    batch VARCHAR(64) NOT NULL,                       -- 清洗批次号（一次编排一个批次）
+    removed_text TEXT NOT NULL,                       -- 被删除的原文片段（逐字）
+    occurrences INT NOT NULL DEFAULT 1,               -- 该片段在本章命中并删除的次数
+    reason VARCHAR(200),                              -- LLM 给出的删除理由
+    model VARCHAR(50),                                -- 建议来源模型
+    creator VARCHAR(64) NOT NULL DEFAULT '',
+    create_time TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
+    updater VARCHAR(64) NOT NULL DEFAULT '',
+    update_time TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
+    deleted BOOLEAN NOT NULL DEFAULT FALSE,
+    tenant_id BIGINT NOT NULL DEFAULT 0
+);
+CREATE INDEX idx_example_clean_log_work ON example_clean_log(tenant_id, work_id, batch);
+CREATE TRIGGER trg_example_clean_log_updated_at BEFORE UPDATE ON example_clean_log FOR EACH ROW EXECUTE FUNCTION update_updated_at_column();