deep_research

12 Commits 3 Branches 7 Tags

2 Commits

Include renames

Author	SHA1	Message	Date
kai	09f681beb5	v0.7.2: 前置件排版重构 + emoji 禁令 + 引文核查用户反馈 7 个 bug 修复： 1. 禁止 LLM 使用 emoji（全链路） - scripts/prompts/translate_system.txt 增加规则 12 - scripts/prompts/polish_system.txt 增加规则 7 - .opencode/agents/dr-analyst.md Hard Rules 增加第 10 条（同时把 prompt 自身的 ✅❌ 改为 MUST / MUST NOT） - .opencode/agents/dr-editor-in-chief.md 禁止事项加入 emoji 条款 - .opencode/skills/output-hygiene/SKILL.md 新增 §J emoji 强制禁用 2. 术语表位置错误（应在目录之后）重构 build_body 为两阶段： (a) 扫描所有前置件（第一个正文 H1 前的所有 H1/H2），按 title_kind 分组收集 (b) 按固定顺序渲染：免责声明 → 执行摘要 → 目录 → 术语表 → 正文 → 参考文献无论 Markdown 原文顺序如何，排版都一致。 3. 执行摘要/术语表提升为一级标题 + 分页空页 bug 统一所有独立章节（disclaimer/executive_summary/toc/glossary/references）用 h1 样式，章节前 PageBreak；但第一个独立章节不 PageBreak（封面后已换页，避免空白）。去掉 build_toc 内部末尾 PageBreak（原双 PageBreak 夹出空白页）。 4. 参考文献分页已作为独立章节自动分页。 5. 附录章节自动删除 _title_kind 识别 "appendix" / "version_history" / "abstract" 全部跳过。正文中若写了这些章节，模板直接丢弃。 6. 信源完整性核查新增 scripts/check_citations.py： - 孤立引用（正文有 sources 无）检测 - 孤岛信源（sources 有正文无）检测 - emoji 扫描 - 实测发现项目中 61 条孤立引用（dr-analyst 编造的占位符）+ 5 条孤岛信源 7. git commit message 中文转义 bug 之前 commit 用 shell 双引号 + 反斜杠导致 \uXXXX 字面保留。本 commit 用 heredoc 保证中文以 UTF-8 直接写入。已 push 的历史不改，之后都用本 commit 的写法。 PDF 验证结果：55 页，0 空白页。章节起始页：封面(1) - 免责声明(2) - 执行摘要(3) - 目录(5) - 术语表(7) - 第一章(12) - 第十章(48) - 参考文献(52)。	2026-04-22 16:31:01 +08:00
kaiandUser <human>	1b47b50d3c	v0.6-wip: Python-based Phase 4 translation pipeline 架构变更：把 dr-translator 从 opencode agent 降级为 Python 脚本编排下的 LLM 调用。根本原因是 agent 一次性处理 19k 英文词整文，单次 output token 接近 Sonnet 4.6 上限（~32k），多次重跑都卡在同一个坑里——问题是架构本身，不是 prompt。新架构： scripts/lib/zenmux_client.py HTTP 客户端，指数退避重试、token 统计 JSONL 日志、secrets.env 自动加载 scripts/lib/markdown_chunker.py 按 H1/H2 切块，稳定 anchor ID（order+title sha1），支持合并/统计 scripts/prompts/translate_system.txt 英译中 prompt，用自定义 <<<TRANSLATION>>> 分隔符格式（规避 Markdown-in-JSON 问题） scripts/prompts/polish_system.txt 中文润色 prompt（留给下一步 polish.py） scripts/translate.py 主入口：章节级切块 → 逐块翻译 → 拼接关键设计： - 0 依赖 LLM 遵从性：Python 控制切块/循环/重试，LLM 只做单块翻译 - 断点续传：每块翻译完立即写 phase4/zh_chunks/<order>-<anchor>.md - 术语表累积：每块的 glossary_patch 合并回 phase4/glossary.json - 失败隔离：单块失败不影响其他块，重跑只补缺 - 调试友好：--only N,M / --limit K / --force 实测（dual-target-rnai-pipeline-2026）： - 63 块全部成功，17 分钟，$1.70 - 33,441 中文字（符合"研究类 ≥30,000 字"硬标准） - 310 条双语术语 - 翻译质量：接近母语咨询分析师写作下一步：polish.py（按 H2 section 润色）、merge_chapters.py（从 phase2/drafts 合并生成 final_en.md）、重构 dr-editor-in-chief 调度脚本、更新 /dr-finalize。 Co-authored-by: User <human>	2026-04-22 10:43:43 +08:00

Author

SHA1

Message

Date

kai

09f681beb5

v0.7.2: 前置件排版重构 + emoji 禁令 + 引文核查

用户反馈 7 个 bug 修复：

1. 禁止 LLM 使用 emoji（全链路）
   - scripts/prompts/translate_system.txt 增加规则 12
   - scripts/prompts/polish_system.txt 增加规则 7
   - .opencode/agents/dr-analyst.md Hard Rules 增加第 10 条（同时把 prompt 自身的 ✅❌ 改为 MUST / MUST NOT）
   - .opencode/agents/dr-editor-in-chief.md 禁止事项加入 emoji 条款
   - .opencode/skills/output-hygiene/SKILL.md 新增 §J emoji 强制禁用

2. 术语表位置错误（应在目录之后）
   重构 build_body 为两阶段：
   (a) 扫描所有前置件（第一个正文 H1 前的所有 H1/H2），按 title_kind 分组收集
   (b) 按固定顺序渲染：免责声明 → 执行摘要 → 目录 → 术语表 → 正文 → 参考文献
   无论 Markdown 原文顺序如何，排版都一致。

3. 执行摘要/术语表提升为一级标题 + 分页空页 bug
   统一所有独立章节（disclaimer/executive_summary/toc/glossary/references）用 h1 样式，
   章节前 PageBreak；但第一个独立章节不 PageBreak（封面后已换页，避免空白）。
   去掉 build_toc 内部末尾 PageBreak（原双 PageBreak 夹出空白页）。

4. 参考文献分页
   已作为独立章节自动分页。

5. 附录章节自动删除
   _title_kind 识别 "appendix" / "version_history" / "abstract" 全部跳过。
   正文中若写了这些章节，模板直接丢弃。

6. 信源完整性核查
   新增 scripts/check_citations.py：
   - 孤立引用（正文有 sources 无）检测
   - 孤岛信源（sources 有正文无）检测
   - emoji 扫描
   - 实测发现项目中 61 条孤立引用（dr-analyst 编造的占位符）+ 5 条孤岛信源

7. git commit message 中文转义 bug
   之前 commit 用 shell 双引号 + 反斜杠导致 \uXXXX 字面保留。
   本 commit 用 heredoc 保证中文以 UTF-8 直接写入。
   已 push 的历史不改，之后都用本 commit 的写法。

PDF 验证结果：55 页，0 空白页。
章节起始页：封面(1) - 免责声明(2) - 执行摘要(3) - 目录(5) - 术语表(7) -
第一章(12) - 第十章(48) - 参考文献(52)。

2026-04-22 16:31:01 +08:00

kaiandUser <human>

1b47b50d3c

v0.6-wip: Python-based Phase 4 translation pipeline

架构变更：把 dr-translator 从 opencode agent 降级为 Python 脚本编排下的 LLM
调用。根本原因是 agent 一次性处理 19k 英文词整文，单次 output token 接近
Sonnet 4.6 上限（~32k），多次重跑都卡在同一个坑里——问题是架构本身，不是
prompt。

新架构：

scripts/lib/zenmux_client.py     HTTP 客户端，指数退避重试、token 统计
                                  JSONL 日志、secrets.env 自动加载
scripts/lib/markdown_chunker.py   按 H1/H2 切块，稳定 anchor ID（order+title
                                  sha1），支持合并/统计
scripts/prompts/translate_system.txt  英译中 prompt，用自定义 <<<TRANSLATION>>>
                                       分隔符格式（规避 Markdown-in-JSON 问题）
scripts/prompts/polish_system.txt     中文润色 prompt（留给下一步 polish.py）
scripts/translate.py              主入口：章节级切块 → 逐块翻译 → 拼接

关键设计：
- 0 依赖 LLM 遵从性：Python 控制切块/循环/重试，LLM 只做单块翻译
- 断点续传：每块翻译完立即写 phase4/zh_chunks/<order>-<anchor>.md
- 术语表累积：每块的 glossary_patch 合并回 phase4/glossary.json
- 失败隔离：单块失败不影响其他块，重跑只补缺
- 调试友好：--only N,M / --limit K / --force

实测（dual-target-rnai-pipeline-2026）：
- 63 块全部成功，17 分钟，$1.70
- 33,441 中文字（符合"研究类 ≥30,000 字"硬标准）
- 310 条双语术语
- 翻译质量：接近母语咨询分析师写作

下一步：polish.py（按 H2 section 润色）、merge_chapters.py（从 phase2/drafts
合并生成 final_en.md）、重构 dr-editor-in-chief 调度脚本、更新 /dr-finalize。

Co-authored-by: User <human>

2026-04-22 10:43:43 +08:00