b0bc7a8745
一、技能重组（动作-对象命名） - 旧目录 clean/confirm/continuation/db/detect/embed/… 重组为 clean-book-text/decide-candidate/write-next-chapter/access-database/ check-content-consistency/embed-knowledge/…（git 识别为 rename，内容保持） - agents/*.md、AGENTS.md/CLAUDE.md 收编、example_skill 登记表同步新名 二、先审后入创作闭环（本次核心） 正文接受从"机械门一过就写正典"改为"机械门+语义审查双通过+用户批准+单事务原子提交"， DB 级兜底，编排层跳步即被硬拒。 - candidate_cas.py + example_candidate_cas(109)：持久化 CAS 状态链 - fact_delta.py + example_fact_delta/example_fact_ledger(106)：结构化事实增量， 模型只提六型闭集增量+正文证据引文，仅用户批准的增量随正文同事务入账本 - projection_registry.py + example_projection_run(107)：投影登记与恢复 - acceptance_state.py：接受前置实时状态重读 - lesson_registry.py + example_lesson(108)：经验升格链，禁止自动升格 - DDL 105：example_candidate 增 semantic_status/semantic_report_sha256 - write_canonical.accept：语义兜底+同事务合并增量+登记投影； run_writer_pipeline/persist_writer_run/run_writer_semantic_detector/step2 接入全链 - claude_runtime：兼容新 CLI modelUsage 信息字段 三、审查修复（独立子代理四维审查后） - 事实增量 propose→approve 翻态正道，不撞唯一键 - 冻结配置探针重刷（CLI 2.1.211→2.1.231 漂移），profileSha256/adapterVersion 再登记 - 可视化合同悬空路径/五六空间矛盾、 SoT 旧技能名漂移、行尾空白清理 测试：离线 65 套 + 真实库集成 5 套（CAS/接受故障注入/事实增量/投影/经验升格）+ 回放 79 项全绿。 创作内容（docs/design、生成正文 artifacts）按"框架与创作分开"未入本提交。
577 lines
35 KiB
Python
577 lines
35 KiB
Python
#!/usr/bin/env python3
|
||
"""deconstruct-book Skill：M3 直调拆书执行器（B4-S3 重构：出卡权上移窗级）。
|
||
|
||
创始人拍板（2026-07-13）：拆书内容生产 LLM=New-API MiniMax-M3（经 call-content-model），
|
||
不再派 opus/haiku 子代理。B4 fable 审查裁决（2026-07-13）：章级逐章出卡有三同根病
|
||
（同功 family 撞车/单章证不成跨章公式/间隔数字伪精确），治法=章级只产「范式候选线索」，
|
||
出卡在窗级聚类归并（复用大纲窗切分）——同一手法多章多次出现归并为一张母卡+实例章号，
|
||
间隔数字由实例章号差机械计算。
|
||
|
||
管线三步（顺序依赖）：
|
||
chapters 逐章一次 M3：细纲+实体+范式候选线索 → example_parse_scaffold（正文只过一遍）
|
||
（parse_outline window：窗级大纲聚合 → example_parse_outline，窗=出卡窗的 SoT）
|
||
cards 逐窗一次 M3：窗内线索+细纲+阶段大纲 → 聚类出母卡 → parse_ingest cards 守卫入库
|
||
|
||
断点续跑：chapters 按 example_parse_task.scaffold_status 跳过；cards 按窗内是否已有活卡跳过。
|
||
"""
|
||
import json
|
||
import pathlib
|
||
import re
|
||
import subprocess
|
||
import sys
|
||
|
||
import click
|
||
import psycopg
|
||
|
||
# 统一走 call-content-model 入口（trust_env/重试/<think>剥离/JSON 容错都在那边）
|
||
# 敏感/额度降级链已上收 llm.chat_governed（全局统一治理），本模块不再自持降级链
|
||
sys.path.insert(0, str(pathlib.Path(__file__).resolve().parents[2] / "call-content-model" / "scripts"))
|
||
from llm import chat_governed, extract_json # noqa: E402
|
||
from parse_outline import ensure_outline_coverage # noqa: E402
|
||
|
||
DSN = ("postgresql://root:f6710e2d0294eb1c10e26a805a64bc54@100.64.0.8:5433/muse-example"
|
||
"?keepalives=1&keepalives_idle=15&keepalives_interval=5&keepalives_count=3")
|
||
TENANT = 1
|
||
HERE = pathlib.Path(__file__).resolve().parent
|
||
TMP = pathlib.Path("/tmp/muse-parse")
|
||
OUTLINE_TARGET_RATIO = 0.045
|
||
MAX_OUTLINE_REPAIR_ATTEMPTS = 2
|
||
|
||
# ── 提示词资产（合同一律 load_contracts 动态渲染，禁手写——CONTRACTS 漂移冤案教训） ──
|
||
|
||
IDENTITY = """你是知识抽取员(extractor)，分析槽位的默认绑定件。产出全部是草稿。
|
||
元数据纪律：schema 有什么字段你就抽什么，schema 没有的不抽——字段合同就是抽取 checklist，不自造结构；归型走各型「判据」；归不进任何型的候选=枚举缺口，如实报不硬塞；每字段要有正文证据，置信度低标「?」。
|
||
通则：以正文为准，不脑补正文没写的；基础字段规范填；采纳正文≠确认知识。"""
|
||
|
||
OUTLINE_COMPRESS_IDENTITY = """你是细纲压缩员。只压缩给定细纲，不补写剧情，不重新抽取其他内容。
|
||
必须严格遵守非空白字符上限，只输出指定 JSON 对象。"""
|
||
|
||
ENTITY_CRITERIA = ("实体型判据(脚手架级,只要 型/名称/一句话摘要)：character=具名可指认的行动主体；"
|
||
"location=有名字的地点/星球/设施；faction=组织/国家/军团/公司；"
|
||
"power_system=力量体系/科技体系/修炼阶梯(体系本身,非招式)；"
|
||
"item=有名字且有跨章戏份的装备/机甲/物品；event=已发生的重大事件(战役/事故/仪式)。"
|
||
"立卡门槛：有跨章戏份潜力；一次性龙套与单场景道具不收。")
|
||
|
||
PATTERN_TYPES = ("craft", "combat", "emotion", "scene_pattern", "trope")
|
||
|
||
# 基础公共字段（yudao 惯例列，出卡时由 ingest/payload 承载，不进抽取字段表）
|
||
BASE_KEYS = {"名称", "别名", "一句话摘要", "标签", "来源", "状态", "例证出处"}
|
||
|
||
# 抽象指代白名单（金标准结论：M3 自造代号如"A角色"破坏可读性；专名只允许进实例定位）
|
||
PLACEHOLDERS = "主角/对手/强敌/导师/盟友/队友/配角/反派/长辈/宝物/装备/机关/势力/秘密/危机"
|
||
|
||
|
||
def load_contracts(conn):
|
||
"""从库内 schema 版本快照动态渲染五型合同——prompt 与 ingest 守卫同源。
|
||
|
||
教训（B4 fable 审查坐实的 bug 级冤案）：此前 prompt 手写合同与库内字段名漂移
|
||
（emotion/scene_pattern/trope 三型全对不上），M3 正确产出的 11 张非 craft 卡
|
||
全部被守卫按另一套字段名冤杀——「prompt 自立合同」违反元数据驱动公理，禁止再犯。
|
||
"""
|
||
contracts = {}
|
||
for t in PATTERN_TYPES:
|
||
# 走 active_version_id（激活版本=治理权威），与 ingest 守卫同版本语义——
|
||
# 「最新版本行」在铺了新版未激活时会与守卫劈叉
|
||
snap = conn.execute(
|
||
"""SELECT v.field_contract_snapshot FROM muse_meta_schema_version v
|
||
JOIN muse_meta_schema s ON s.active_version_id=v.id
|
||
WHERE s.tenant_id=%s AND s.schema_key=%s""", (TENANT, t)).fetchone()[0]
|
||
fields = [f for f in snap.get("特有字段", []) if f.get("key") not in BASE_KEYS]
|
||
contracts[t] = {"中文名": snap.get("中文名", t), "判据": snap.get("判据", ""),
|
||
"字段": fields}
|
||
return contracts
|
||
|
||
|
||
def render_contracts(contracts):
|
||
"""合同渲染为 markdown 表格形态（比单行 JSON dump 对 LLM 遵从率更友好）。"""
|
||
parts = []
|
||
for t, c in contracts.items():
|
||
rows = "\n".join(f"| {f['key']} | {f.get('说明', '')} |" for f in c["字段"])
|
||
parts.append(f"### {t}（{c['中文名']}）\n判据：{c['判据']}\n\n"
|
||
f"| 字段 key | 说明 |\n|---|---|\n{rows}")
|
||
return "\n\n".join(parts)
|
||
|
||
|
||
def scaffold_prompt(title, ch, ch_title, text, prev_entities):
|
||
# 前文实体压缩（创始人 2026-07-14）：判重只需名字清单，不必重发型+摘要全档——
|
||
# 全量 json 到后期每章膨胀到 15 万+ token（深空第 557 章 2851 实体≈15 万），是次数被压的真凶
|
||
_names = sorted({(e.get("名称") or e.get("name") or "").strip() for e in prev_entities} - {""}) if prev_entities else []
|
||
ents = "、".join(_names) if _names else "（第一章，为空）"
|
||
wc = len(text.replace("\n", "").replace(" ", ""))
|
||
cap = max(60, int(wc * 0.05)) # 绝对字数上限（纯比例约束 M3 会写超，首轮实测 9.8%–19%）
|
||
# 缓存友好（read-context「稳定度递减吃前缀缓存」）：固定规则段全部前置吃前缀缓存，
|
||
# 章号/字数/上限/前文实体/正文（每章必变）一律尾置；cap 值随材料尾置、规则段只说「见文末上限」以保持固定
|
||
return f"""【功能指令(parse-book 章级 pass：细纲+实体+范式候选线索)】
|
||
对参考书的当前章（书名/章号/正文见文末材料区）做三件事：
|
||
1) 逆推本章细纲：章目标/关键事件/出场角色/伏笔动作(埋·推·收)/章末钩子。**细纲全文不得超过文末给出的字数上限**（约本章正文的 5%；超标会被校验脚本机械退回）。细纲是结构骨架，不是缩写复述——用短语与分号，不写完整句子。
|
||
2) 抽实体增量（脚手架级索引）：{ENTITY_CRITERIA}
|
||
判重：文末给出前文已收录实体的**名字清单**，清单内的实体本章不重报（若本章赋予其新身份，可在摘要里点明）；清单外的本章新实体照抽。
|
||
3) 报范式候选线索（**只报线索不出卡**，出卡由窗级聚类另做）：本章表现突出、疑似可跨书复用的写法。五型候选：craft=单点叙事装置(删去它场景仍成立)；combat=整场武力对抗的打法；emotion=整场情绪戏的推进；scene_pattern=拍卖/谈判/审讯等场景公式；trope=跨章复用的情节公式。
|
||
每条线索给四项：type（五型之一，拿不准填"?"）、name（2–8 字短名，作者口头会说的话，禁书内专名禁修饰堆叠）、clue（一句话：这个写法怎么运作，用{PLACEHOLDERS}等抽象指代）、evidence（一句话：本章哪里这样写、为何突出，可用专名）。
|
||
0–5 条/章，平庸章 0 条正常；门槛比出卡低——拿不准的报上来，窗级聚类会过滤。
|
||
|
||
【输出规则（只输出一个 JSON 对象，禁止任何其他文字）】
|
||
{{"outline": "细纲文本", "entities": [{{"type": "六型之一", "name": "名称", "brief": "一句话摘要"}}], "hints": [{{"type": "五型之一或?", "name": "短名", "clue": "运作机制一句话", "evidence": "本章证据一句话"}}]}}
|
||
|
||
━━━ 本章材料（每章不同，非规则）━━━
|
||
【当前章】《{title}》第 {ch} 章《{ch_title}》｜正文约 {wc} 字｜细纲上限 {cap} 字
|
||
【前文实体名字清单（判重用，已在列的不重报）】
|
||
{ents}
|
||
【本章正文】
|
||
{text}"""
|
||
|
||
|
||
def window_cards_prompt(title, a, b, stage_outline, ch_outlines, ch_hints, contracts, batch_note):
|
||
"""窗级聚类出卡 prompt（B4-S3 核心资产；金标准七条纪律全落于此）。
|
||
放量教训：百条线索一次全型聚类=认知超载，M3 退化为逐条转写（37 章窗出 74 张卡）——
|
||
调用侧按型分批（batch_note 说明本批范围），每批线索几十条以内聚类才真实发生。
|
||
缓存友好（read-context「稳定度递减吃前缀缓存」）：合同+七条纪律+输出格式（上千字、
|
||
跨书跨窗完全一致）全部前置吃前缀缓存；书名/章范围/本批说明/三层材料（每窗每批必变）尾置。"""
|
||
return f"""【功能指令(parse-book 窗级聚类出卡+脱敏红线)】
|
||
把一个窗口内已完成章级分析的候选线索**聚类归并**成「公共范式卡」——同一手法在多章的多次出现归并为一张母卡，带全部实例章号；线索不足处可从细纲的伏笔账（埋·推·收）补证跨章装置。书名、章范围、本批范围与三层材料（阶段大纲/逐章细纲/候选线索）均见文末材料区。
|
||
|
||
{render_contracts(contracts)}
|
||
|
||
出卡纪律：
|
||
- 聚类优先：先把线索按「同一运作机制」分组（不同章的同类线索=同一卡的多个实例），再逐组判断是否值得出卡。**本批最多 6 张，硬上限**——只出聚类后最能跨书复用的母卡；输出张数接近线索条数=你在逐条转写而不是聚类，整批作废。聚不成组又不够突出的线索直接丢弃。
|
||
- **每张卡必须带 instances**（窗内章号+一句话定位）；缺 instances 的卡=机械拒收。
|
||
- 跨章证据：结构装置（伏笔类）尽量给出埋与收两端的实例章号；只有单章实例的会被标「跨窗待证」降低可信度。
|
||
- 命名：卡名=作者口头会说的话（2–8 字，如「先抑后扬」「借刀杀人」），禁「XX式YY化ZZ」修饰语堆叠、禁书内专名、禁自造黑话。
|
||
- 摘要：一句话**通用手法陈述**（抹掉本书信息后换任何题材仍成立），禁复述本书剧情、禁与实例定位雷同。
|
||
- 抽象指代白名单：{PLACEHOLDERS}——白名单外的自造代号（如"A角色""X道具"）不要用。
|
||
- 可迁移性是卡的本体：说不清「作者这样做、读者会怎样」的因果=不是范式，整张卡不出；带此类字段（如原理）的型按其字段说明的句式写——**句式里的 X/Y/Z 是占位符，必须替换成本卡的具体内容**，字面保留「做Y」「读者会Z」=机械拒卡。
|
||
- 实例只报章号+一句话定位；**严禁在任何字段里自报间隔章数**——间隔由校验脚本按实例章号差机械计算，自己编数字=伪精确。
|
||
- fields 只允许使用该卡 type 在上方合同表里列出的中文 key，没证据的 key 省略不编造。**先按判据定 type，再对照该型的表格填字段**——把别的型才有的 key（哪怕内容再有价值）塞进本型=机械拒卡；上一批实测拒卡主因就是给非 craft 卡塞了 craft 才有的字段。
|
||
- 脱敏红线：只写抽象结构与手法归纳，严禁抄录原文（≥15 连续字与原文重合=机械拒卡）；书内专名只允许出现在实例定位(anchor)里。
|
||
|
||
【输出规则（只输出一个 JSON 对象，禁止任何其他文字；没有值得立的卡时 cards 给空数组）】
|
||
{{"cards": [{{"type": "craft|combat|emotion|scene_pattern|trope", "name": "短名", "brief": "一句话通用摘要", "fields": {{"中文合同key": "值"}}, "instances": [{{"ch": 章号数字, "anchor": "一句话情节定位(可用专名)"}}]}}]}}
|
||
|
||
━━━ 本窗材料（每窗每批不同，非规则）━━━
|
||
《{title}》第 {a}–{b} 章。{batch_note}
|
||
|
||
【阶段大纲】
|
||
{stage_outline}
|
||
|
||
【逐章细纲】
|
||
{ch_outlines}
|
||
|
||
【逐章候选线索】
|
||
{ch_hints}"""
|
||
|
||
|
||
# 敏感降级链（历史常量）：已并入 llm.BUDGET_CHAIN 全局统一链，由 chat_governed 内部消化，
|
||
# m3_json 不再自己遍历它；保留定义仅作历史留痕，勿再用于逐链换模型。
|
||
FALLBACK_MODELS = ["MiniMax-M2.7", "deepseek-v4-flash"]
|
||
|
||
|
||
class SensitiveHardStop(Exception):
|
||
"""主模型 + 两个降级备选全部撞敏感——按创始人指令硬停整个解析并汇报（不跳过、不硬扛）。"""
|
||
|
||
|
||
def m3_json(prompt, model, need_keys, system=IDENTITY):
|
||
"""调模型 → JSON 容错提取 → 形状校验（不合格带提示重试 1 次）。
|
||
|
||
敏感/额度降级已上收 llm.chat_governed（全局统一降级链 + 额度治理）：撞内容安全或模型不可用
|
||
时由 chat_governed 沿全局链自动换模型、并按窗口预算/调用数治理；全链耗尽（used 为 None）时本
|
||
函数抛 SensitiveHardStop 交上层硬停（parse_upgrade/parse_salvage 靠它跳窗）。JSON 形状问题
|
||
非敏感，不换模型（原样抛 RuntimeError，上层按章跳过）。返回 (data, usage) 契约不变。"""
|
||
content, usage, used = chat_governed(prompt, model=model, system=system,
|
||
caller="parse-book")
|
||
if used is None: # 全局降级链全部耗尽（内容安全/不可用）——保留硬停语义
|
||
raise SensitiveHardStop(f"chat_governed 全局降级链全部耗尽（内容安全或模型不可用），model={model}")
|
||
# 拿到内容：JSON 形状校验，不合格带提示重试 1 次（仍走 chat_governed 全局治理）
|
||
for retry in range(2):
|
||
try:
|
||
data = extract_json(content)
|
||
if all(k in data for k in need_keys):
|
||
return data, usage
|
||
err = f"缺少必需键 {need_keys}"
|
||
except Exception as e: # json_repair 也救不回来的输出
|
||
err = str(e)[:200]
|
||
if retry == 0:
|
||
content, u2, used2 = chat_governed(
|
||
prompt + f"\n\n【重试提示】上次输出无法解析（{err}），请严格按输出规则只输出一个 JSON 对象。",
|
||
model=model, system=system, caller="parse-book")
|
||
if used2 is None:
|
||
break # 重试提示也触发全链耗尽：当作该轮失败，落到下方 RuntimeError
|
||
# 只合并数值键：上游 usage 带嵌套 dict（如 *_tokens_details），dict+dict 会崩（放量实测）
|
||
usage = {k: usage.get(k, 0) + u2.get(k, 0) for k in set(usage) | set(u2)
|
||
if isinstance(usage.get(k, 0), (int, float)) and isinstance(u2.get(k, 0), (int, float))}
|
||
# JSON 形状最终失败（非敏感）：不换模型，原样抛（上层按章跳过）
|
||
raise RuntimeError(f"JSON 形状重试仍失败（{used}）: {err}")
|
||
|
||
|
||
def non_whitespace_len(text):
|
||
"""统计机械比例门使用的非空白字符数，保证调用前预检与 ingest 判据同口径。"""
|
||
return len(re.sub(r"\s", "", str(text or "")))
|
||
|
||
|
||
def outline_target_cap(source_text):
|
||
"""给细纲压缩留出相对 8% 硬门的安全余量，目标固定在正文的 4.5%。
|
||
|
||
60 字下限与 parse_ingest 的短章绝对豁免一致，避免感言、公告等极短章无解。
|
||
"""
|
||
return max(60, int(non_whitespace_len(source_text) * OUTLINE_TARGET_RATIO))
|
||
|
||
|
||
def outline_hard_cap(source_text):
|
||
"""返回与 parse_ingest 完全一致的 8% 最终硬门。"""
|
||
return max(60, int(non_whitespace_len(source_text) * 0.08))
|
||
|
||
|
||
def outline_compression_prompt(outline, cap, attempt):
|
||
"""构造只含细纲的短提示，不重发正文、实体名录或完整章级抽取任务。"""
|
||
current_length = non_whitespace_len(outline)
|
||
# 总上限被 M3 系统性忽略时，用逐短语预算再留约三成余量；仍只做语义压缩，不截字符串。
|
||
phrase_count = 4 if attempt == 1 else 2
|
||
phrase_cap = max(6, int(cap * (0.16 if attempt == 1 else 0.20)))
|
||
return f"""【细纲专用压缩｜第 {attempt}/{MAX_OUTLINE_REPAIR_ATTEMPTS} 轮】
|
||
将下方细纲压成结构骨架，只保留章目标、关键事件、伏笔动作（埋/推/收）和章末钩子。
|
||
用短语与分号，删除修饰、对白、过程复述；不得新增原细纲没有的事实。
|
||
压缩结果的非空白字符不得超过 {cap}，不得用空格或换行规避计数。
|
||
上一版共 {current_length} 个非空白字符。输出最多 {phrase_count} 个无标签短语，用分号连接；
|
||
每个短语不超过 {phrase_cap} 个非空白字符，总计仍不得超过 {cap}。不要写“目标：”“事件：”等标签。
|
||
不要重新执行其他抽取任务。只输出一个 JSON 对象，禁止任何其他文字：
|
||
{{"outline": "压缩后的细纲"}}
|
||
|
||
【待压缩细纲】
|
||
{outline}"""
|
||
|
||
|
||
def _merge_usage(total, current):
|
||
"""累加 token 数值项；忽略上游 usage 中不可相加的嵌套明细。"""
|
||
for key, value in (current or {}).items():
|
||
if isinstance(value, (int, float)):
|
||
total[key] = total.get(key, 0) + value
|
||
|
||
|
||
def repair_outline(first_data, source_text, model):
|
||
"""有限次数压缩首轮细纲；成功时仅替换 outline，其他首轮字段原样保留。
|
||
|
||
返回 ``(合并数据或 None, usage, 错误或 None)``。超长结果绝不机械截断，也不会
|
||
交给 ingest；调用方因此保留首轮比例门已写下的 failed 状态。
|
||
"""
|
||
cap = outline_target_cap(source_text)
|
||
hard_cap = outline_hard_cap(source_text)
|
||
candidate = str(first_data.get("outline") or "").strip()
|
||
usage_total = {}
|
||
last_length = non_whitespace_len(candidate)
|
||
last_error = None
|
||
for attempt in range(1, MAX_OUTLINE_REPAIR_ATTEMPTS + 1):
|
||
try:
|
||
compressed, usage = m3_json(
|
||
outline_compression_prompt(candidate, cap, attempt), model, ("outline",),
|
||
system=OUTLINE_COMPRESS_IDENTITY)
|
||
_merge_usage(usage_total, usage)
|
||
candidate = str(compressed.get("outline") or "").strip()
|
||
last_length = non_whitespace_len(candidate)
|
||
if candidate and (
|
||
last_length <= cap
|
||
or (attempt == MAX_OUTLINE_REPAIR_ATTEMPTS and last_length <= hard_cap)
|
||
):
|
||
repaired = dict(first_data)
|
||
repaired["outline"] = candidate
|
||
return repaired, usage_total, None
|
||
last_error = "输出为空" if not candidate else f"压缩输出 {last_length} 字，目标不超过 {cap} 字"
|
||
except RuntimeError as exc:
|
||
# JSON/调用错误允许进入下一次有限重试；敏感全链耗尽仍由 SensitiveHardStop 向上硬停。
|
||
last_error = f"调用失败：{exc}"
|
||
detail = last_error or f"压缩输出 {last_length} 字，目标不超过 {cap} 字"
|
||
return None, usage_total, (f"细纲专用压缩 {MAX_OUTLINE_REPAIR_ATTEMPTS} 轮仍失败：{detail}；"
|
||
"未截断、未再次入库，保持 failed")
|
||
|
||
|
||
def ingest(kind, work_id, key, payload, keyflag="--chapter-order"):
|
||
"""写临时文件 → parse_ingest 机械校验入库；返回 (是否成功, 输出文本)。"""
|
||
TMP.mkdir(parents=True, exist_ok=True)
|
||
f = TMP / f"{work_id}-{key}-{kind}.json"
|
||
f.write_text(json.dumps(payload, ensure_ascii=False, indent=1))
|
||
r = subprocess.run([sys.executable, str(HERE / "parse_ingest.py"), kind,
|
||
"--work-id", str(work_id), keyflag, str(key), "--file", str(f)],
|
||
capture_output=True, text=True)
|
||
return r.returncode == 0, (r.stdout + r.stderr).strip()
|
||
|
||
|
||
def ingest_scaffold_with_repair(work_id, chapter_order, first_data, source_text, model):
|
||
"""首轮入库比例失败时只修细纲；返回入库结果、可追踪输出与压缩调用 usage。"""
|
||
ok, output = ingest("scaffold", work_id, chapter_order, first_data)
|
||
if ok or "细纲比例" not in output:
|
||
return ok, output, {}
|
||
repaired, usage, error = repair_outline(first_data, source_text, model)
|
||
if repaired is None:
|
||
return False, f"{output}\n{error}", usage
|
||
ok, repaired_output = ingest("scaffold", work_id, chapter_order, repaired)
|
||
return ok, repaired_output, usage
|
||
|
||
|
||
def _is_complete_scaffold_payload(data):
|
||
"""缓存只接受完整章级对象；数组成员也必须是对象，拒绝容错修复后的模糊形状。"""
|
||
return (
|
||
isinstance(data, dict)
|
||
and isinstance(data.get("outline"), str)
|
||
and bool(data["outline"].strip())
|
||
and isinstance(data.get("entities"), list)
|
||
and all(isinstance(item, dict) for item in data["entities"])
|
||
and isinstance(data.get("hints"), list)
|
||
and all(isinstance(item, dict) for item in data["hints"])
|
||
)
|
||
|
||
|
||
def resolve_scaffold_payload(work_id, chapter_order, scaffold_status, full_extract, trace_output=None):
|
||
"""仅为 failed 章复用严格缓存；其他情况惰性调用正文完整抽取。
|
||
|
||
返回 ``(载荷, usage, cache trace)``。缓存读取只用标准 JSON 解码，不走 LLM 输出的
|
||
容错提取；因此非法或残缺文件不会被误当成可复用首轮载荷。
|
||
"""
|
||
cache_path = TMP / f"{work_id}-{chapter_order}-scaffold.json"
|
||
|
||
def traced(message):
|
||
"""先落追踪输出再做可能耗时或失败的完整抽取。"""
|
||
if trace_output is not None:
|
||
trace_output(message)
|
||
return message
|
||
|
||
if scaffold_status != "failed":
|
||
trace = traced(f"cache miss: status={scaffold_status}，不复用 {cache_path}")
|
||
data, usage = full_extract()
|
||
return data, usage, trace
|
||
try:
|
||
data = json.loads(cache_path.read_text(encoding="utf-8"))
|
||
except FileNotFoundError:
|
||
trace = traced(f"cache miss: 文件不存在 {cache_path}")
|
||
data, usage = full_extract()
|
||
return data, usage, trace
|
||
except (OSError, UnicodeError, json.JSONDecodeError) as exc:
|
||
trace = traced(f"cache miss: 无法严格解析 {cache_path}（{type(exc).__name__}）")
|
||
data, usage = full_extract()
|
||
return data, usage, trace
|
||
if not _is_complete_scaffold_payload(data):
|
||
trace = traced(f"cache miss: 对象或字段类型非法 {cache_path}")
|
||
fresh, usage = full_extract()
|
||
return fresh, usage, trace
|
||
trace = traced(f"cache hit: 复用首轮 failed 载荷 {cache_path}")
|
||
return data, {}, trace
|
||
|
||
|
||
def chapter_orders(conn, work_id, from_, to, incomplete_only):
|
||
"""返回本轮目标章；增量模式在循环前一次筛出 pending/failed，避免扫描全部 done 章。"""
|
||
if not incomplete_only:
|
||
return list(range(from_, to + 1))
|
||
rows = conn.execute(
|
||
"""SELECT c.order_no
|
||
FROM muse_content_chapter c
|
||
JOIN example_parse_task t ON t.chapter_id=c.id AND t.tenant_id=c.tenant_id
|
||
WHERE c.tenant_id=%s AND c.work_id=%s AND c.order_no BETWEEN %s AND %s
|
||
AND c.deleted=FALSE
|
||
AND COALESCE(t.scaffold_status, 'pending') IN ('pending', 'failed')
|
||
ORDER BY c.order_no""",
|
||
(TENANT, work_id, from_, to)).fetchall()
|
||
return [row[0] for row in rows]
|
||
|
||
|
||
def initialize_tasks(work_id, from_, to, incomplete_only):
|
||
"""首次全量运行建任务行；增量恢复复用已有任务表，避免再次逐章初始化。"""
|
||
if incomplete_only:
|
||
return
|
||
subprocess.run([sys.executable, str(HERE / "parse_ingest.py"), "init-tasks",
|
||
"--work-id", str(work_id), "--from", str(from_), "--to", str(to)],
|
||
capture_output=True, text=True)
|
||
|
||
|
||
@click.group()
|
||
def cli():
|
||
"""M3 直调拆书（章级线索 → 窗级出卡）"""
|
||
|
||
|
||
@cli.command()
|
||
@click.option("--work-id", type=int, required=True)
|
||
@click.option("--from", "from_", type=int, required=True)
|
||
@click.option("--to", type=int, required=True)
|
||
@click.option("--model", default="MiniMax-M3", show_default=True)
|
||
@click.option("--incomplete-only", is_flag=True,
|
||
help="只处理 pending/failed 章；循环前一次筛选，不逐章连接或打印 done 章")
|
||
def chapters(work_id, from_, to, model, incomplete_only):
|
||
"""章级 pass：逐章一次 M3（细纲+实体+范式候选线索）。正文只过这一遍。"""
|
||
initialize_tasks(work_id, from_, to, incomplete_only)
|
||
with psycopg.connect(DSN) as conn:
|
||
title = conn.execute("SELECT title FROM muse_content_work WHERE id=%s", (work_id,)).fetchone()[0]
|
||
targets = chapter_orders(conn, work_id, from_, to, incomplete_only)
|
||
if incomplete_only:
|
||
click.echo(f"incomplete-only: 待处理 {len(targets)} 章")
|
||
total_in = total_out = 0
|
||
cache_hits = cache_misses = 0
|
||
for ch in targets:
|
||
with psycopg.connect(DSN) as conn:
|
||
row = conn.execute(
|
||
"""SELECT c.id, c.title, b.content_text, t.scaffold_status
|
||
FROM muse_content_chapter c
|
||
JOIN muse_content_block b ON b.chapter_id=c.id AND b.deleted=FALSE
|
||
JOIN example_parse_task t ON t.chapter_id=c.id AND t.tenant_id=c.tenant_id
|
||
WHERE c.tenant_id=%s AND c.work_id=%s AND c.order_no=%s AND c.deleted=FALSE""",
|
||
(TENANT, work_id, ch)).fetchone()
|
||
if not row:
|
||
click.echo(f"#{ch} 章或任务行不存在，跳过")
|
||
continue
|
||
ch_id, ch_title, text, s_st = row
|
||
if s_st == "done":
|
||
click.echo(f"#{ch} 脚手架已完成，跳过")
|
||
continue
|
||
try:
|
||
def full_extract():
|
||
"""仅在缓存未命中时查询判重索引并执行正文完整抽取。"""
|
||
with psycopg.connect(DSN) as prev_conn:
|
||
prev = [e for (ents,) in prev_conn.execute(
|
||
"""SELECT s.entities FROM example_parse_scaffold s
|
||
JOIN muse_content_chapter c ON c.id=s.chapter_id
|
||
WHERE s.tenant_id=%s AND s.work_id=%s AND c.order_no<%s AND s.deleted=FALSE""",
|
||
(TENANT, work_id, ch)).fetchall() for e in ents]
|
||
prompt = scaffold_prompt(title, ch, ch_title, text, prev)
|
||
return m3_json(prompt, model, ("outline", "entities", "hints"))
|
||
|
||
if incomplete_only:
|
||
data, usage, cache_trace = resolve_scaffold_payload(
|
||
work_id, ch, s_st, full_extract,
|
||
trace_output=lambda trace: click.echo(f"#{ch} scaffold {trace}"))
|
||
if cache_trace.startswith("cache hit:"):
|
||
cache_hits += 1
|
||
else:
|
||
cache_misses += 1
|
||
else:
|
||
data, usage = full_extract()
|
||
total_in += usage.get("prompt_tokens", 0)
|
||
total_out += usage.get("completion_tokens", 0)
|
||
ok, out, repair_usage = ingest_scaffold_with_repair(work_id, ch, data, text, model)
|
||
total_in += repair_usage.get("prompt_tokens", 0)
|
||
total_out += repair_usage.get("completion_tokens", 0)
|
||
click.echo(f" {out}")
|
||
except SensitiveHardStop as e:
|
||
# 降级链（主+2 备）全撞敏感——按创始人指令硬停该书解析并汇报，不跳过、不硬扛
|
||
with psycopg.connect(DSN) as conn:
|
||
conn.execute(
|
||
"""UPDATE example_parse_task SET scaffold_status='failed', error_message=%s
|
||
WHERE tenant_id=%s AND work_id=%s AND chapter_id=(
|
||
SELECT id FROM muse_content_chapter
|
||
WHERE tenant_id=%s AND work_id=%s AND order_no=%s)""",
|
||
(str(e)[:500], TENANT, work_id, TENANT, work_id, ch))
|
||
conn.commit()
|
||
click.echo(f" ⛔ #{ch} 敏感降级链全失败：{e}")
|
||
click.echo(f"《{title}》解析按指令硬停于 #{ch}（此前完成章已落库；该章需人工定夺）")
|
||
return
|
||
except RuntimeError as e:
|
||
click.echo(f" #{ch} 章级 M3 失败: {e}")
|
||
if incomplete_only:
|
||
click.echo(f"scaffold cache: hit={cache_hits} miss={cache_misses}")
|
||
click.echo(f"《{title}》{from_}–{to} 章级完成；token in={total_in:,} out={total_out:,}")
|
||
|
||
|
||
@cli.command()
|
||
@click.option("--work-id", type=int, required=True)
|
||
@click.option("--from-order", "from_order", type=int, help="只出该窗（窗起始章）；不给则全部窗")
|
||
@click.option("--model", default="MiniMax-M3", show_default=True)
|
||
@click.option("--redo", is_flag=True, help="窗内已有活卡也重出（默认跳过=断点续跑）")
|
||
def cards(work_id, from_order, model, redo):
|
||
"""窗级出卡：逐窗一次 M3 聚类归并（窗=example_parse_outline 行，先跑 parse_outline window）。"""
|
||
with psycopg.connect(DSN) as conn:
|
||
title = conn.execute("SELECT title FROM muse_content_work WHERE id=%s", (work_id,)).fetchone()[0]
|
||
contracts = load_contracts(conn) # prompt 与 ingest 守卫同源（库内 schema 快照）
|
||
sql = """SELECT from_order, to_order, outline_text, window_no FROM example_parse_outline
|
||
WHERE tenant_id=%s AND work_id=%s AND deleted=FALSE"""
|
||
args = [TENANT, work_id]
|
||
if from_order:
|
||
sql += " AND from_order=%s"
|
||
args.append(from_order)
|
||
wins = conn.execute(sql + " ORDER BY from_order", args).fetchall()
|
||
if not wins:
|
||
raise click.ClickException("无大纲窗行——先跑 parse_outline.py window（窗是出卡的切分依据）")
|
||
if from_order is None:
|
||
with psycopg.connect(DSN) as conn:
|
||
bounds = conn.execute(
|
||
"""SELECT min(order_no), max(order_no) FROM muse_content_chapter
|
||
WHERE tenant_id=%s AND work_id=%s AND deleted=FALSE""",
|
||
(TENANT, work_id),
|
||
).fetchone()
|
||
if bounds and bounds[0] is not None:
|
||
ensure_outline_coverage(
|
||
[(row[0], row[1]) for row in wins],
|
||
bounds[0],
|
||
bounds[1],
|
||
context="cards 前",
|
||
)
|
||
total_in = total_out = 0
|
||
for a, b, stage_ol, wno in wins:
|
||
with psycopg.connect(DSN) as conn:
|
||
# 断点续跑：窗内已有活卡（本窗出的）则跳过
|
||
if not redo and conn.execute(
|
||
"""SELECT 1 FROM muse_knowledge_draft WHERE tenant_id=%s AND source_type='parse_book'
|
||
AND source_id=%s AND draft_payload->>'窗起'=%s AND deleted=FALSE LIMIT 1""",
|
||
(TENANT, work_id, str(a))).fetchone():
|
||
click.echo(f"win#{a}–{b} 已有活卡，跳过（--redo 强制重出）")
|
||
continue
|
||
rows = conn.execute(
|
||
"""SELECT c.order_no, c.title, s.outline_text, s.pattern_hints
|
||
FROM muse_content_chapter c
|
||
JOIN example_parse_scaffold s ON s.chapter_id=c.id AND s.deleted=FALSE
|
||
WHERE c.tenant_id=%s AND c.work_id=%s AND c.order_no BETWEEN %s AND %s
|
||
AND c.deleted=FALSE ORDER BY c.order_no""",
|
||
(TENANT, work_id, a, b)).fetchall()
|
||
if len(rows) < (b - a + 1):
|
||
have = {r[0] for r in rows}
|
||
click.echo(f"win#{a}–{b} 缺章级脚手架 {[n for n in range(a, b + 1) if n not in have][:10]}，先补 chapters")
|
||
continue
|
||
ch_outlines = "\n".join(f"第{no}章《{ct}》：{o}" for no, ct, o, _ in rows)
|
||
hints = [{"章": no, "线索": h} for no, _, _, hs in rows for h in (hs or [])]
|
||
n_hint = len(hints)
|
||
# 按型分批出卡（放量实测：百条线索一次全型聚类=认知超载，退化为逐条转写）——
|
||
# 每批只给该型合同+该型线索，型内聚类真实可行；「?」型线索单独一批（五型合同全给，让 M3 先归型）
|
||
by_type = {}
|
||
for h in hints:
|
||
t = h["线索"].get("型")
|
||
by_type.setdefault(t if t in PATTERN_TYPES else "?", []).append(h)
|
||
all_cards, win_in, win_out = [], 0, 0
|
||
for t, hs in sorted(by_type.items()):
|
||
sub_contracts = contracts if t == "?" else {t: contracts[t]}
|
||
note = (f"本批只处理「{t}」型的 {len(hs)} 条线索（其余型另批处理），只出 {t} 型卡。"
|
||
if t != "?" else
|
||
f"本批是 {len(hs)} 条章级未归型的线索——先按各型判据归型，归不进五型的丢弃。")
|
||
try:
|
||
p = window_cards_prompt(title, a, b, stage_ol, ch_outlines,
|
||
json.dumps(hs, ensure_ascii=False, indent=1), sub_contracts, note)
|
||
data, usage = m3_json(p, model, ("cards",))
|
||
win_in += usage.get("prompt_tokens", 0)
|
||
win_out += usage.get("completion_tokens", 0)
|
||
# 病症机械检测→带方重试一次（放量实测三病：方差空批/逐条转写/长清单丢实例键）
|
||
cs = data.get("cards") or []
|
||
no_ins = sum(1 for c in cs if not (c.get("instances") or c.get("实例")))
|
||
sick = ("输出了空数组，但本批有 %d 条候选线索——认真逐条聚类评估后再输出，确实全部不够格才允许空数组"
|
||
% len(hs) if (not cs and len(hs) >= 3) else
|
||
"输出了 %d 张卡——这是逐条转写不是聚类。重新按「同一运作机制」分组归并，只出最能跨书复用的母卡，最多 6 张"
|
||
% len(cs) if len(cs) > 8 else
|
||
"有 %d 张卡缺 instances（窗内章号+定位）——instances 是必填键，缺=全部被机械拒收。重新输出全部卡并逐张补上"
|
||
% no_ins if no_ins else None)
|
||
if sick:
|
||
data, usage = m3_json(p + "\n\n【重试】上次" + sick + "。", model, ("cards",))
|
||
win_in += usage.get("prompt_tokens", 0)
|
||
win_out += usage.get("completion_tokens", 0)
|
||
cs = data.get("cards") or []
|
||
all_cards += cs
|
||
click.echo(f" 批[{t}] 线索{len(hs)} → 卡{len(cs)}")
|
||
except RuntimeError as e:
|
||
# m3_json 已完成调用/结构重试；继续会让该型线索永久丢失并把整窗误标 done。
|
||
raise click.ClickException(
|
||
f"win#{a}–{b} 批[{t}] 连续重试仍失败，停止当前作品并保留断点：{str(e)[:180]}"
|
||
) from e
|
||
total_in += win_in
|
||
total_out += win_out
|
||
_, out = ingest("cards", work_id, a, {"cards": all_cards}, keyflag="--from-order")
|
||
click.echo(f"win#{a}–{b}（线索 {n_hint} 条，分 {len(by_type)} 批）\n {out}")
|
||
click.echo(f"《{title}》窗级出卡完成；token in={total_in:,} out={total_out:,}")
|
||
|
||
|
||
if __name__ == "__main__":
|
||
try:
|
||
cli()
|
||
except (psycopg.Error, RuntimeError) as e:
|
||
click.echo(f"[错误] {type(e).__name__}: {e}", err=True)
|
||
sys.exit(1)
|