kai
09f681beb5
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)。
267 lines
8.8 KiB
Markdown
267 lines
8.8 KiB
Markdown
---
|
||
name: output-hygiene
|
||
description: 报告输出卫生检查。禁止词清单（调度元数据、占位符残留、待验证标注）、格式异常检测、参考文献完整性校验。dr-polisher 在润色最后一步必跑；dr-reporter 出稿前复查一次。
|
||
---
|
||
|
||
# 输出卫生清单（Output Hygiene Checklist）
|
||
|
||
## 目的
|
||
|
||
拦截"调度元数据"和"中间产物残留"进入最终报告。9MW1911 那份报告之所以干净，是因为过滤掉了一切过程性内容，只留最终成品。
|
||
|
||
---
|
||
|
||
## 一、禁止出现在最终报告正文中的字样（元数据黑名单）
|
||
|
||
以下字符串在 final.md / final_zh.md / final_en.md 里**一旦出现即为缺陷**，dr-polisher 必须清除：
|
||
|
||
### A. 调度元数据
|
||
|
||
- `章节定位`
|
||
- `字数配额`
|
||
- `研究员：dr-analyst`
|
||
- `研究员：dr-searcher`
|
||
- `生成时间：2026-`（Year-MM 生成日期只在版本信息页出现一次）
|
||
- `P0 核心章` / `P1` / `P2`（这些是内部分级，不给读者看）
|
||
- `dr-plan` / `dr-pm` / `dr-analyst` / `dr-verifier` / `dr-chief-editor` / `dr-editor-in-chief` / `dr-polisher` / `dr-reporter` / `dr-translator`
|
||
- `Phase 1` / `Phase 2` / `Phase 3` / `Phase 4`（除非在"方法论说明"附录讨论研究流程时）
|
||
|
||
### B. 占位符残留
|
||
|
||
- `[由 dr-reporter 自动生成]`
|
||
- `[待填]` / `[TBD]` / `[TODO]`
|
||
- `<slug>` / `<topic>` / `<N>` / `<X>` 等模板占位符
|
||
- `{{ ... }}` / `${...}` 变量语法残留
|
||
|
||
### C. 中间产物引用
|
||
|
||
- `参考信源：[src_101] –[src_120] （详见 sources.jsonl ch02 条目）`
|
||
- `详见 phase2/evidence/chXX-evidence.md`
|
||
- `详见 sources.jsonl`
|
||
- `本章信源索引：...（详见 ...）`
|
||
- `⚠️ 待验证` / `⚠️ [待验证]`（这是过程性标注；如必须保留某个"存疑观点"的提示，应改为正式语言如"该数据仅有 X 个来源支持，建议人工核实"）
|
||
|
||
### D. 研究思路泄漏
|
||
|
||
- `研究思路：`
|
||
- `核心研究问题：`
|
||
- `初步假设：`
|
||
- `预期信源：`
|
||
- `预期篇幅：`
|
||
|
||
这些是 framework.md 里给 dr-analyst 看的规划信息，不能出现在读者版。
|
||
|
||
### E. Agent 交付汇报语
|
||
|
||
- `产出：` / `完成后返回：`
|
||
- `任务：` / `硬性要求：`
|
||
- `必读 skill：`
|
||
- `章节小结：` （改为自然段落收尾）
|
||
|
||
---
|
||
|
||
## 二、格式异常检测
|
||
|
||
### F. SCQA 显式标注（已禁止的机械模式）
|
||
|
||
以下组合**不应在最终报告中成对出现**（用 grep 扫）：
|
||
- `**Situation（背景）**` + `**Complication（张力）**`
|
||
- `**S（背景）**` + `**C（挑战）**` + `**Q（问题）**` + `**A（答案）**`
|
||
- `Answer-First` 显式标注
|
||
- `**核心结论（Answer-First）**`
|
||
|
||
SCQA 要写得隐式融合（见 mckinsey-method skill）。
|
||
|
||
### G. 三级以上嵌套标题乱用
|
||
|
||
正文正式章节标题不要超过 3 级：
|
||
- `# 第 X 章` （报告级）
|
||
- `## X.Y 节` （章内节）
|
||
- `### X.Y.Z 小节` （节内小节）
|
||
|
||
禁止 `####` `#####` `######`。如果需要 4 级以上，重新组织结构。
|
||
|
||
### H. 引用格式不统一
|
||
|
||
所有引用统一 `[src_XXX]` 格式（3 位数字）。禁止混用：
|
||
- `[src_1]`（没补零）
|
||
- `[source_001]`（变形）
|
||
- `(src_001)`（圆括号）
|
||
- `[ref_1]` / `[r1]`（其他简写）
|
||
|
||
### I. 中英文标点混用
|
||
|
||
中文正文里的标点应是**中文标点**：
|
||
- `，` 不是 `,`
|
||
- `。` 不是 `.`
|
||
- `；` 不是 `;`
|
||
- `：` 不是 `:`
|
||
- `"..."` 不是 `"..."`（除了直接引用英文）
|
||
- `（...）` 不是 `(...)`
|
||
|
||
例外：行内英文术语、代码、URL、数据单位前后保持英文标点合理。
|
||
|
||
### J. Emoji（强制禁用）
|
||
|
||
**正文与表格中严禁使用任何 emoji / 彩色符号**：
|
||
|
||
禁用清单（但不限于）：
|
||
`✅ ❌ ✔ ✖ 🔶 🔷 ⭐ 🟢 🔴 🟡 🟠 ⚠️ ⚠ 💡 📌 🔑 📊 📈 📉 🔥 ✨ 🎯 🎉 ➔ ➜`
|
||
|
||
**原因**：PDF 使用的思源字体子集不包含这些字符的 glyph，渲染为空白方框（□）。
|
||
|
||
**替代写法**：
|
||
- 表格标记"有/无"：用 `✓` `×`（思源字体支持）或中文字 `是` / `否`
|
||
- 强调状态：用 `◆` `●` 等几何符号（字体支持）
|
||
- 警示：用 `注：` `警告：` `※` 等文字前缀
|
||
- 重点：用 **粗体** 或引用块，不用 emoji
|
||
|
||
扫描命令：
|
||
```bash
|
||
python3 -c "
|
||
import re
|
||
txt = open('final_zh_polished.md').read()
|
||
pat = re.compile(r'[\u2700-\u27BF]|[\U0001F300-\U0001F9FF]|[\u2B00-\u2BFF]')
|
||
hits = [(i, m.group()) for i, m in enumerate(pat.finditer(txt))]
|
||
print(f'emoji 命中：{len(hits)} 处')
|
||
for i, c in hits[:10]:
|
||
print(f' 位置 {i}: {c!r} (U+{ord(c):04X})')
|
||
"
|
||
```
|
||
|
||
---
|
||
|
||
## 三、参考文献完整性校验（最关键）
|
||
|
||
dr-reporter 出稿前**必须**执行：
|
||
|
||
```bash
|
||
# 1. 从 final.md 提取所有引用的 src_id
|
||
grep -oE '\[src_[0-9]+\]' projects/<slug>/phase4/final.md | sort -u > /tmp/cited.txt
|
||
|
||
# 2. 从 citations.md / sources.jsonl 提取所有已登记的 src_id
|
||
grep -oE 'src_[0-9]+' projects/<slug>/phase4/citations.md | sort -u > /tmp/registered.txt
|
||
# 或从 sources.jsonl
|
||
python3 -c "
|
||
import json
|
||
with open('projects/<slug>/phase2/sources.jsonl') as f:
|
||
for line in f:
|
||
d = json.loads(line)
|
||
print(d['id'])
|
||
" | sort -u > /tmp/registered.txt
|
||
|
||
# 3. 差集：cited 里有但 registered 里没有 → 严重错误
|
||
comm -23 /tmp/cited.txt <(sed 's/[][]//g' /tmp/registered.txt) > /tmp/missing.txt
|
||
|
||
# 4. 反向差集：registered 有但从未被 cited → 孤立信源，可剔除
|
||
comm -13 /tmp/cited.txt <(sed 's/[][]//g' /tmp/registered.txt) > /tmp/orphan.txt
|
||
```
|
||
|
||
### 处理规则
|
||
|
||
- 有 missing 信源（引用了但无记录）→ **致命错误**，dr-reporter 拒绝出稿，抛回上游排查
|
||
- 有 orphan 信源（有记录但未被引用）→ 警告，从 citations.md 剔除
|
||
- final.md 里的"参考文献"段落**必须包含完整的编号清单**，不能是 `[由 dr-reporter 自动生成]` 之类的占位符
|
||
- 如果 final.md 的参考文献段落是占位符 → 读 citations.md 内容回填
|
||
|
||
---
|
||
|
||
## 四、标题规范
|
||
|
||
### 章标题
|
||
|
||
- 观点型判断句，不是"概述/现状/背景"
|
||
- 长度 15-40 字（中）/ 10-25 词（英）
|
||
- 不以动词开头（如"分析/探讨/研究"），改为判断句
|
||
|
||
**反例**：
|
||
- 第 2 章 分析中国 GLP-1 市场的现状
|
||
- 第 3 章 探讨 NEB 产品的竞争优势
|
||
|
||
**正例**：
|
||
- 第 2 章 中国 GLP-1 市场 2025 年已跨越 10 亿美元门槛
|
||
- 第 3 章 NEB 的 30 年专利丛林将在 2028 年后开始瓦解
|
||
|
||
### 节标题
|
||
|
||
- 同样要求观点型
|
||
- 长度 10-25 字 / 8-15 词
|
||
- 禁止 `2.1 背景 / 2.2 现状 / 2.3 趋势` 这种模板化结构
|
||
|
||
---
|
||
|
||
## 五、图表与数据卫生
|
||
|
||
### 表格
|
||
|
||
- 表头第一行要有单位（金额 USD / 百分比 % / 年份等）
|
||
- 所有数据有来源标注（行内 [src_xxx] 或表脚注）
|
||
- 避免超过 10 列宽表（PDF 会被截断）
|
||
|
||
### 图表标题
|
||
|
||
格式：`图 X-Y：<内容描述>（数据来源：[src_xxx]）`
|
||
|
||
### 数字规范
|
||
|
||
- 阿拉伯数字 + 中文量词：`12 项研究` / `3.2 亿元`
|
||
- 大数字三位分节：`12,000` 而非 `12000`
|
||
- 百分比带 `%`，不写"百分之十二"
|
||
- 时间范围用连字符：`2020-2025 年` 不是 `2020 至 2025 年`
|
||
|
||
---
|
||
|
||
## 六、自动化检查脚本（dr-polisher / dr-reporter 必跑）
|
||
|
||
```python
|
||
# hygiene_check.py
|
||
import re, sys
|
||
|
||
BLACKLIST_ZH = [
|
||
"章节定位", "字数配额", "研究员：dr-",
|
||
"P0 核心章", "P1 主干章", "P2 辅助章",
|
||
"Phase 1", "Phase 2", "Phase 3", "Phase 4",
|
||
"dr-plan", "dr-pm", "dr-analyst", "dr-verifier",
|
||
"dr-chief-editor", "dr-editor-in-chief", "dr-polisher",
|
||
"dr-reporter", "dr-translator",
|
||
"[由 dr-reporter 自动生成]", "[待填]", "[TBD]", "[TODO]",
|
||
"详见 phase2/", "详见 sources.jsonl",
|
||
"本章信源索引", "⚠️ 待验证", "⚠️ [待验证]",
|
||
"**Situation（背景）**", "**Complication（张力）**",
|
||
"**Question（问题）**", "**Answer（答案）**",
|
||
"**S（背景）**", "**C（挑战）**",
|
||
"Answer-First", "核心结论（Answer-First）",
|
||
"研究思路：", "核心研究问题：", "初步假设：",
|
||
"预期信源：", "预期篇幅：",
|
||
"硬性要求：", "必读 skill：", "产出：",
|
||
]
|
||
|
||
path = sys.argv[1]
|
||
text = open(path, encoding='utf-8').read()
|
||
issues = []
|
||
for pattern in BLACKLIST_ZH:
|
||
if pattern in text:
|
||
count = text.count(pattern)
|
||
issues.append(f" × '{pattern}' 出现 {count} 次")
|
||
|
||
if issues:
|
||
print(f"{path} 存在 {len(issues)} 项卫生问题：")
|
||
for i in issues:
|
||
print(i)
|
||
sys.exit(1)
|
||
else:
|
||
print(f"{path} 输出卫生检查通过")
|
||
sys.exit(0)
|
||
```
|
||
|
||
---
|
||
|
||
## 七、硬规则
|
||
|
||
1. ✅ dr-polisher 润色的最后一步跑 hygiene_check
|
||
2. ✅ dr-reporter 出稿前再跑一次 hygiene_check + 参考文献完整性校验
|
||
3. ✅ 任何禁止词残留都必须修正，不能"放过一马"
|
||
4. ✅ 参考文献段落必须包含完整编号清单，不允许占位符
|
||
5. ❌ 禁止把"⚠️ 待验证"这种过程标注留到读者版
|
||
6. ❌ 禁止三级以上嵌套标题
|