# 中医知识库 46 本改造 · 进度与计划

**2026-10-02** · 本机实测 · 可直接转给外部评审

---

## 一、已完成

### 1. 检索开关已切换

启用范围从「中医新」→「经络腧穴学·结构优先」（`8bf27782-5f61-49c8-8d9a-af2b89158239`）。原值已存档，**一步可回退**。

已用代理检索实测确认：返回结果来自新库、且是完整穴位条目。例：问 `中府 定位`，返回 339 字符完整条目，含穴名 / 定位 / 取法 / 解剖 / 主治 / 操作 / 古文献摘录，并带出处 `〔源：text00011.html#filepos210801〕`。

新库库级设 `siblingChunks=0`（不再把邻居块塞进结果）。**全局配置未动**：嵌入 `Qwen3-Embedding-4B`、重排全名 `Qwen/Qwen3-Reranker-8B`、`smartChunk=true` 保持不变；未启用 `semanticChunk`。

### 2. 46 本的来源与「合集拆书」已解决（最大技术障碍）

源文件位置：`DSH云端备份\4-原始底本\epubtest\00-原始EPUB\`
构成：**8 个单册 EPUB + 2 个合集 EPUB**（合集内共含 38 本），合计 46 本。

**方法**：拿已有的 md 文本与 EPUB 每一页做**强归一化文本对齐**（只保留汉字/字母/数字，先按 `图书在版编目` CIP 行定位，再用「页码单调递增」约束消歧）。

**结果**：38 本全部精确定位，页码严格递增，无遗漏、无冲突。

| 合集 | 本数 | 各书起始页 |
|---|---|---|
| 中医古籍整理丛书重刊 | 18 | 4 / 39 / 193 / 267 / 311 / 418 / 513 / 551 / 614 / 654 / 738 / 800 / 832 / 927 / 991 / 1012 / 1088 / 1183 |
| 中医临床必读丛书典藏版 | 20 | 4 / 96 / 157 / 206 / 251 / 345 / 477 / 531 / 670 / 693 / 715 / 785 / 830 / 1033 / 1114 / 1174 / 1319 / 1574 / 1847 / 1992 |

（早期只用「图书在版编目」页作信号时，只找到 12 处，繁体排版的书会漏；改用文本对齐后 38 本全中。）

### 3. 第 1 本原型《黄帝内经素问语译》已完成并通过验收核验

- **书范围**：合集 1 第 37–190 页（154 页；**2026-10-02 修正边界**：含本书封面/内封，不含下一本《千金翼方校释》的封面/内封）
- **体例**：`h2` = 卷（24 个）、`h4` = 篇（81 个，与《素问》81 篇吻合）、`h6` = `【注解】`/`【语译】` 标记（1635 个）、`div.pCls` = 正文块（4900 个）
- **单元规则**：**一条 = 原文段 +【注解】+ 注文 +【语译】+ 译文**；**篇 = 一个文档**；片首内联出处标记

| 指标 | 结果 |
|---|---|
| 元素 → 单元 → 片 | 6767 → 905 → **924 片 / 82 篇文档**（修正边界后重跑实测） |
| 片长 中位 / 均值 / p90 / 最长 | 344 / 408 / 749 / **1757** |
| 超 1824 字符的片 | **0** |
| 原文逐字无损 | ✅ 去标记、去注入上下文、去 Markdown 链接语法、去空白后，与原 XHTML 元素文本完全一致 |
| 入库无损 | ✅ **82 / 82 篇**；逐篇块数与送入片数完全一致 |
| 出处可回解 | ✅ **924 / 924 条** |
| 图片占位 | ✅ **558 / 558 保留** |
| 【注解】/【语译】 | ✅ 771 / 864，与源一致 |
| 跨条粘连（一块含 ≥2 个【语译】） | **0** |
| 孤立小片 | **0** |
| 不足 50 字符的块 | 79 → **2**（待核） |

（过程中修正的一个缺陷：篇标题原本会单独成片，违反「无孤立标题」，已改为标题与紧随正文同片。修正边界后重跑：924 片、<50 字符块 2 个、孤立小片 0、顺序颠倒 0、跨条粘连 0。）

**当前存放**：临时库 `_tmp-素问语译-结构C`（`5617e717-85df-4df5-984b-2ad3bd57821f`，修正边界后重建）。**正式库与新库均未改动。**

---

## 二、下一步（待确认后执行）

1. **检索 A/B**：新结构库 vs 旧库中的《素问语译》md 版（891 块），约 12 题，确认无明显退步 —— 这是验收的最后一项
2. 核查剩余 **2 个不足 50 字符的块**
3. 人工验收：抽查原文 / 注解 / 语译是否错位（可生成抽查单）
4. 验收通过 → 固化「医经语译类」规则 → 批量处理剩余 11 本碎书（含《脉经校注》）
5. 再推进 34 本较粗的书（按已确认范围：**连图片和脚注一起从 EPUB 重做**）

---

## 三、需要外部评审过目的几个决定

1. **库的组织方式**：拟将现有新库**改名**为「中医·结构优先」（只改显示名，**库 id 不变 → 检索开关无需再动**），46 本书按「书」建目录放进去，每本书配一份处理记录（单元规则、出处映射、核验结果）。最终正式库只有 2 个：新库 + 待淘汰的旧库。是否同意该组织方式？
2. **每本是否都要人工抽检**：规则按「书族」复用，但每本的结构信号不同（例如《素问语译》依靠 `h6` 的 `【注解】`/`【语译】` 标记来判定「一条」；没有这类标记的书必须另找信号）。建议每族首本人工全量抽检、其余抽检 N 条 —— **N 取多少合适？**
3. **图片提字方案**：本书 558 张图，10 个 EPUB 合计 1.4 万张以上。用哪个视觉模型？机器输出如何标注（已定「机器识别/待核」，是否要落成每条图注的固定前缀）？经络示意图的模型描述与图内文字是否分两个字段存放？
4. **「条」判定失效时的降级策略**：目前用「段落后视是否为 `h6` 标记」识别原文段起点；若某本书完全缺标记，则退化为「按篇整体成片、超预算再拆」，是否可接受？

---

## 四、风险与已知局限

- **规则不可机械照搬**：已确认必须按书族细化（医经语译类 / 方书类 / 教材讲稿类 / 针灸专著类），每本仍需确认边界
- **合集拆书依赖 CIP 锚点**：本批 38 本全部成功；同类书若缺 CIP 页，需另找锚点（备用方案：书名页 + 页码单调约束）
- **图片文字尚未提取**：目前只保留占位，属独立工作线
- **凭据安全**：`GET /knowledge/config` 会明文返回 API key，且本机接口无鉴权；建议轮换（**尚未执行**）
- **未改动清单**：原始 EPUB、旧「中医」库（47 文档）、「中医新」库（6535 块）、插件文件 `lib\knowledge\index.js` 均未改动

---

*本报告不含任何 API key 或凭据；配置相关内容一律以掩码形式描述。*