doco: C4收口 + A稿解析器升级(LLM骨架) + ep002/003/004骨架

- 新增 fusion_align.py(C4 compose + skeleton 提取/校验/预览)与 doco skeleton 命令
- ep001 C4 产物入库: 融合A稿.docx / 融合B稿.txt / c4_alignment.csv / fusion_review.csv
- ep002/003/004: A稿 + 分段骨架(json+预览), 上游待跑
- .gitignore 增 .c3_cache/.c4_cache (可重生中间缓存不入库)
- 更新 doco/CLAUDE.md 交接备注

doco/CLAUDE.md

@@ -16,9 +16,9 @@
 
 ## 🔖 状态栏 (STATUS — 每次结束 session 前必须更新这三行)
 
-- **最后更新**：账号A ｜ 2026-06-17
-- **当前状态一句话**：P3-C3 交叉复审完工（融合B稿743行+fusion_review 5条留痕落盘），产品文件已就位，下一步 C4 语义融合→融合A稿 docx。
-- **下一个动手的人从这里开始**：见下方「⏩ 交接备注」
+- **最后更新**：账号A ｜ 2026-06-18（建议接手者开新 session）
+- **当前状态一句话**：C4 已收口 + **A稿解析器升级完工**（正则→LLM分段骨架+人工确认+ignore合并，三期 ep002/003/004 骨架已产并人工核验通过：人名零泄露/覆盖完整/隔断与小剧场正确）。**但 ep002/003/004 上游全空**（连抽帧都没做）。下一步=**这三期从 P1 抽帧起走完整流水线 P1→P2→C1→C2→C3→C4 + 串一键脚本**。
+- **下一个动手的人从这里开始**：见下方「⏩ 交接备注」（新 session 必读）
 
 ---
 
@@ -77,13 +77,15 @@
 
 ## 3. 当前进度（核心交接区，以最新快照为准）
 
-- **正在做**：C3 已收口，C4 待开工。
-- **卡点 / 待解**：无。
+- **正在做**：批量化首批三期（ep002 潜艇/ep003 小尺寸/ep004 枪王）。已完成 A稿解析器升级 + 三期骨架产出并人工核验通过。**下一步：这三期从 P1 抽帧起跑完整流水线**（上游全空，连抽帧/OCR/ASR 都没做），并把 C1→C2→C3→C4 串成一键脚本。
+- **卡点 / 待解**：无硬卡点。待 Cline 确认 Step5(parse_a_segments 改造)+Step6(compose 前置检查)是否已接好（上一轮其措辞含糊）。OCR 漏字决定不补、seg8/seg27 一逗到底（见关键决策）。
 
 ---
 
 ## 4. 已完成（只追加，最新在最上）
 
+- [2026-06-18 ｜账号A] **A稿解析器升级：正则 → LLM分段骨架 + 人工确认 + ignore合并**。起因：量产三期(ep002/003/004) A稿格式与 ep001 天差地别（冒号头/正文同段、`【固摇轨】`镜头标记酷似段头、正文整段加粗、小剧场对话角色头），原 `parse_a_segments` 纯正则(`^【.+?】$`)必散架。新机制(`fusion_align.py`)：`extract_a_paragraphs`(带 bold/align 样式) → `extract_skeleton_llm`(thinking=True/max_tokens足量，**LLM 只判结构不碰正文**，输出 type/role_label/para 区间 JSON) → `validate_skeleton_coverage`(全覆盖硬校验，抓 LLM 数错下标/JSON 截断) → 落 `<id>_a_skeleton.json` + 人类预览表 → `parse_a_segments` 改读骨架按下标原样抽正文(inline 头切冒号、standalone 头取后续段、**ignore 段丢弃**、**相邻同 role_label 仅隔 ignore 的 normal 段合并**)。新命令 `doco skeleton --episode-id <id> --a-script <docx>`。**三期骨架已产并人工核验通过**：人名零泄露(刘通/孙逸昊/左鑫/穆佩弦/主持人真名都没混进 role_label)、覆盖完整、ep002 四隔断认对、ep003 九个`（出枪柜）`等归 ignore 且主持人被运镜切断后正确合并(37→20段)、ep004 小剧场卡/斯角色保留。ep001 无骨架时仍走旧正则 fallback，不受影响。
+- [2026-06-18 ｜账号A] **P3-C4 第一批（保守版）收口**：`fusion_align.py` 把融合B稿743行碎句按 A稿 28 段（含 4 隔断）对齐归拢，套公文 docx 出稿 `融合A稿.docx`。**两条铁律守死**：①汉字零改——正文 100% 来自融合B稿；②标点由 LLM 按语义增删（一逗到底→正常断句）。机制：(a) **AI 对齐层**喂完整 A稿正文、seg_id 单调不减、thinking=True/4096、缓存 `.c4_cache/batch_N.json`；(b) **标点层** `punctuate_segment` 用 STRICT prompt（只许插标点、禁增删改字）+ 硬校验 `strip_punct(出)==strip_punct(入)` 不过即 3 次重试、再不过回退裸文本进 review，缓存 `punct_seg_N.json`，thinking=False/3000。**红线核验脚本逐段 strip_punct 比对 28/28 全过**（diff 全 equal）。隔断按 `^隔断：【(.+?)】` 正则识别、独立成段、line_count=0、位置正确（解说1/主持人2/3/4 后各一）。标点 `punct_ok` 26/28；seg8(专家2)、seg27(专家7) 两段 LLM 顽固插连接词触发回退、已落裸文本+标记"需人工"，归第二批。产物：`融合A稿.docx` + `c4_alignment.csv`（32行对齐表，含 start/end_line、confidence、punct_ok、note）。命令 `doco compose --episode-id <id>`。
 - [2026-06-17 ｜账号A] **P3-C3 收口**：`fusion_review.py` 逐行复审 B稿v2 ⊕ ASR（22 批×35行=743行），产 `融合B稿.txt`（行数/时间戳零偏移）+ `fusion_review.csv`（5条真OCR纠错留痕）。关键机制：断点缓存 `.c3_cache/batch_N.json` 可复用；硬校验行数/时间戳/change_type枚举不过不写文件；后处理修正 `final_text==B原文` 被 LLM 误标为 `minor_edit` 的行（19→5）。`--no-ai` 全 unchanged 可验证管道。
 - [2026-06-17 ｜账号A] **P3-C2 收口**：密钥外置三验收点全过（硬编码已删/读 .env/已 gitignore）+ 旧 key 已轮换；`asr_adapter.py` 并入讯飞上传·轮询·解析，复用 P1 `extract_audio` 分离 16kHz/单声道/16bit WAV；新增 `doco asr` 命令读 C1 64条热词。**真转写《现代防空反导大对决》27分钟音频 → 310句带时间戳**，萨德×6/塔米尔/爱国者/箭二箭三/见证者等术语命中良好，raw json 730KB 落盘。（顺带修 `extract_audio` 在 Windows 的 `text=True` 解码崩溃。）
 - [2026-06-16 ｜账号A] **P3-C1 收口**：A稿→规则+DeepSeek AI 提取→累积词典110条→热词清洗→本期热词表64条；AI 44 候选已逐个回查 A 稿原文无幻觉，算术对账一致。
@@ -95,7 +97,11 @@
 ## 5. 待办（按优先级，做完打勾）
 
 - [x] **C3**：B稿v2 ⊕ ASR 交叉复审 → 融合B稿(743行时间戳零偏移) + fusion_review.csv(5条留痕)。
-- [ ] **C4**（下一步）**：融合B稿 + A稿语义对齐 → 融合A稿（公文 docx，GB/T 9704 格式）。按 A稿分段把融合B稿碎句归拢、套 docx 格式，C4 语义融合可开 thinking。
+- [x] **C4（全部收口）**：融合B稿按 A稿28段对齐归拢 → 融合A稿 docx（公文格式）。汉字零改 + LLM 按语义加标点，红线 28/28 段逐字一致。`doco compose --episode-id <id>`。**OCR 漏字决定不补**（讨论见关键决策）；seg8/seg27 两段标点接受一逗到底。
+- [x] **A稿解析器升级**：正则 → LLM分段骨架+人工确认+ignore合并；三期骨架已产并核验通过。`doco skeleton`。
+- [ ] **批量化首批三期·跑完整流水线（下一步主线）**：ep002/003/004 上游全空（连抽帧都没做）。需对每期跑 **P1抽帧 → P2 OCR(出B稿v2) → C1术语 → C2 ASR → C3融合(出融合B稿) → C4 compose(出融合A稿)**。重活在 P2 OCR(本地约半小时/期)与 C2 ASR(讯飞额度)。建议从 **ep002(最规整)** 起当烟雾测试，再 ep004(最难)、ep003。**注意：现在还不能直接跑 doco compose——三期都没有融合B稿。**
+- [ ] **串一键脚本**：把 C1→C2→C3→C4 串成"一条命令跑一期"(薄壳，各阶段已有断点缓存)，验 2-3 期稳定后再谈监控文件夹/绑定界面。
+- [ ] **骨架小瑕疵 backlog（不拦路，后期顺手或跳过）**：ep002 演播室主持人 vs 主持人 是否统一；ep004 小剧场角色编号乱(斯9/斯通纳10、卡8跨场)直接改 JSON 即可，不必重调 LLM；ep003 行内`【固摇轨】`留在参照正文(无害，不进输出)。
 - [x] **C2** 讯飞 ASR 适配层（密钥外置 + asr_adapter 并入 + `doco asr` 命令 + 真转写310句）
 - [x] P3-C1 术语提取 + 词典 + 热词表
 - [x] P2 本地 OCR + B稿v2
@@ -105,6 +111,15 @@
 
 ## 6. 关键决策（为什么这么做 — 跨 session 最易丢，别推翻）
 
+- [2026-06-18] **A稿段头识别改用「LLM 判结构 + 人工核骨架」，不用死正则。** 编导写法千变万化(方括号/冒号/前缀杂质`Xr`/`【固摇轨】`镜头标记/小剧场对话头)，正则分不清`【固】`(镜头)与`【主持人1】`(段头)——这是语义判断，交 LLM。**铁律：LLM 只输出结构(type/role_label/para 区间)，绝不复述正文；正文一律代码按下标从 docx 原样抽**(护住"汉字零改"红线)。配两道闸：① `validate_skeleton_coverage` 全覆盖硬校验(title 后每段恰好被覆盖一次，自动抓 LLM 数错下标/JSON 截断)；② 人类预览表给制片人肉眼核(重点抓真人姓名泄露/ignore 漏多/隔断认全)。`doco compose` 无骨架即报错(ep001 例外走正则)。
+- [2026-06-18] **role_label 只标"段落类型"，严禁带任何真人姓名/配音员/编导署名。** 解说词只标【解说N】，不标谁配音(踩过 Cline 把"解说：刘通"标错)。但**小剧场里被演绎的历史人物/角色保留**(卡=卡拉什尼科夫、斯=斯通纳、小剧场N-主持人)——那是剧情内容不是配音员实名。有借鉴价值的修饰也留(三维动画解说/演播室主持人)，只清杂质(`Xr`/编号/空格)。
+- [2026-06-18] **解析层合并"被 ignore 隔断的同角色段"。** 编导用`（出枪柜）（换枪）`镜头切换把一个主持人的话从中间切断(ep003)，骨架会切成两个同名`【主持人N】`。parse 后处理：相邻 normal 段 role_label 全等、中间仅隔 ignore，则合并(正文顺序拼接、ignore 内容丢弃)，避免输出里冒重复段头。合并条件要严，ep002/004 无 ignore 不受影响。
+- [2026-06-18] **OCR 漏字决定不补（通哥拍板），不让 LLM 补词。** 三条理由:① 漏字的根在**上游抽帧/OCR**——缺的"那么/此外/一方面"都是两三字单独一屏、停留短被整屏漏掉,是真实信息丢失,文稿层无法"还原";② **LLM 补词=猜词=破"汉字零改"红线**,对专业性强、最贴近播出版的稿子风险不可接受;③ 口子守不住——seg8/seg27 标点回退正是 LLM 一有机会就想塞连接词被硬校验拦下,证明给余地它就动手。**真要科学补,唯一正路是 ASR 回捞**（这些连接词主持人/解说真说了,大概率在 ASR 310 句里）,而非 LLM 猜,但属 C3 级返工、本期不值;真做时先验 ASR 有无再说。**治本=提醒编导/责编别让两三字单独一屏**;本期连接词缺了能读懂,接受。
+- [2026-06-18] **`融合A稿_批改.docx`(通哥手批)只当"看缺了什么"的参照,绝不当"让 docx 去贴它"的对齐目标。** 手批稿可能含其他润色,一旦去对齐就等于润色,违背"只守零改汉字+加标点、不润色其他部分"。
+- [2026-06-18] **seg8(专家2 行169-216)/seg27(专家7 行584-608) 两段标点接受一逗到底（通哥选 B）。** 这是标点没点好,不是缺字,不碰汉字;若日后要美化由人工手点。
+- [2026-06-18] **C4 红线由"汉字润色"转为"汉字零改、标点交 LLM 按语义增删"**（通哥拍板："转变后的红线更精准、更科学"）。理由：润色会让关键军事表述有不准确风险；保守做法正文 100% 来自融合B稿，只在字符间插标点。**硬校验 `strip_punct(LLM输出)==strip_punct(输入)`** 是这条红线的机器守门员（strip_punct 去掉所有 unicode 'P' 类标点+空白），不过即重试、再不过回退裸文本。**第一批先做保守版，润色/漏字回填留第二批。**
+- [2026-06-18] **thinking 要按任务分用，不是越开越好——这是 C1"thinking不关content为空"的孪生坑。** 两个独立故障：(a) **开 thinking 时 max_tokens 必须给足**：thinking 与正文 `content` 共享同一配额，配额不够 thinking 吃光 → 正文空输出（C4 标点层 @2000 实测吐 0 字）；(b) **浅层活（标点/抽取）开 thinking 会又慢又被推理空转吃光**：标点这种活开 thinking 单段 10+ 分钟还超时，关掉 thinking/3000 单段 6.9s 通过。**规则：语义对齐/融合这类深推理开 thinking 且给足 token（C4 对齐 4096）；标点、抽取这类浅层确定性活必须关 thinking。**
+- [2026-06-18] **A稿分段编号有重复（解说2/解说10 各出现两次）——任何按段头文本做 key 的字典都会把两次出现合并，必须按"文档出现顺序"切块/取块。** C4 红线核验脚本初版犯此错（解说2 行61-77 与行151-168 被并成一段、误报破线），改用 occurrence 队列后 28/28 全过。对齐表 c4_alignment.csv 用 seg_id 区分，不用段头文本。
 - [2026-06-17] **C2 音频分离复用 P1 `video_split.extract_audio()`，不另写 ffmpeg。** WAV 落 `programs/<episode>/audio_16k.wav`，已存在则复用（避免 1GB 视频重复解码）。实测产物 `pcm_s16le/16000Hz/1ch/16bit/1620s`，符合讯飞硬要求。
 - [2026-06-17] **`doco asr` 不传 `--output-dir` 会落到当前工作目录的 `programs/`**（命令在 repo 根 `E:\tps-dashboard` 跑时尤其坑），与 doco 产物分家。**命令一律用绝对 `--input-video` + 绝对 `--output-dir`。**
 - [2026-06-17] **ASR 输出是口语形态，型号不规范属正常**（如「箭二箭三」非「箭-3」、「高超音速/高超声速」混用）。按设计稿口语信 ASR、型号规范信 A/B 稿，**这些归一交给 C3，别回头改 C2**。
@@ -125,22 +140,24 @@
 
 ## 7. ⏩ 交接备注（写给下一个接手的 session）
 
-> 下次开工读完这段应能 0 摩擦续上。接手后可清空重写。
+> 下次开工读完这段应能 0 摩擦续上。接手后可清空重写。**（本段已为「ep002/003/004 批量化」新 session 重写，2026-06-18）**
 
-- **第一句话该干的**：C3 已完成，产物就位（`融合B稿.txt` 743行 + `fusion_review.csv` 5条留痕，都在 `doco/programs/ep001_20260612_fangkong_fandao/`）。直接开 C4。
-- **C4 目标**：融合B稿（743行碎句）+ A稿 docx 语义对齐 → **融合A稿 docx**（公文格式，GB/T 9704）。按 A稿分段（【导视】【主持人N】【解说N】【专家N】【隔断】）把融合B稿碎句归拢到对应段落，套 docx 模板格式输出。C4 语义融合可开 thinking（非抽取类任务，质量优先）。一致性约束：融合A稿由融合B稿生成，不是拿 A 稿改。
-- **C4 输入**（均就位）：
-  - `programs/ep001_20260612_fangkong_fandao/融合B稿.txt`（743行，`[XmYs] 文本`）
-  - `programs/ep001_20260612_fangkong_fandao/现代防空反导大对决A稿.docx`（A稿，python-docx 可读）
-  - `programs/ep001_20260612_fangkong_fandao/fusion_review.csv`（5条改动留痕，可选参考）
-- **C3 重跑命令**：`doco fuse --episode-id ep001_20260612_fangkong_fandao`（`--no-ai` 全 unchanged 验证管道，缓存 `.c3_cache/` 复用无需重跑 AI）
+- **大局**：首期 `ep001_20260612_fangkong_fandao` 全流程 C1→C4 已跑通、红线核验 28/28 逐字一致、`融合A稿.docx` 就位。代码管道（C1 terms / C2 asr / C3 fuse / C4 compose + 新增 skeleton）全部可用。现在进入**量产首批三期**。
+- **这三期现状（关键！）**：`ep002_20260127_qianting_fangsheng`（潜艇仿生，中等）/`ep003_20260331_qiangxie_chicun`（小尺寸大讲究，最简单）/`ep004_20260526_qiangwang_duijue`（枪王对决，最难）。**只做了 A稿分段骨架（skeleton），上游一片空白**——没抽帧、没 OC、没 B稿v2、没 ASR、没融合B稿。每期目录里现有：原始 A稿 docx + mp4（约 1GB，规格与 ep001 同 = 黑底白字字幕视频，OCR/ASR 共用）+ `<id>_a_skeleton.json` + `<id>_a_skeleton_preview.txt`。
+- **骨架已人工核验通过**（通哥过目）：人名零泄露、覆盖完整、隔断/小剧场/ignore 分类正确。ep003 还修过两个真缺陷（主持人被 ignore 切成重复同名段→已合并 37→20；预览表"前20字"显示错位→已修）。**所以 skeleton 阶段对三期都算完成，别重跑。**
+- **第一句话该干的**：**给这三期补上游流水线**。每期顺序：P1 抽帧 → P2 本地 OCR（DeepSeek-OCR/Ollama，约 30min/期，放独立终端）→ C1 术语热词 → C2 讯飞 ASR（花额度）→ C3 fuse → C4 compose。**`doco compose` 现在跑不了这三期**（没有融合B稿，C3 的产物），别误试。
+- **推荐节奏**：先拿**最简单的 ep003** 当冒烟测试走完整条链验证管道，再 ep002，最后**最难的 ep004**（小剧场 58 段、历史人物对话密）。
+- **要串的一键脚本**：把 `doco terms → asr → fuse → compose` 串成"一条命令跑完一期"（C1→C4 链；P1/P2 OCR 可先独立跑因为重且慢）。**批量化形态（监控文件夹 vs 绑定界面）通哥还没拍板**，先把半自动脚本串顺、验 2-3 期稳定，再回来定要不要做花活。
+- **量产坑（务必记住）**：
+  1. 每期热词/术语不同，**C1 每期重跑**；A稿分段编号各有各的重复/空格脏，**按出现顺序走、别假设单调唯一**，任何按段头文本做 key 的字典都会把重复段头合并（核验脚本初版踩过，用 occurrence 队列）。
+  2. **ASR 花讯飞额度、embedding 花 MiniMax 额度**，批量前估下成本；长转写/OCR 放独立终端别让 Cline 盯。
+  3. **OCR 漏字本期不补**（通哥拍板，见关键决策）——根在抽帧/OCR 漏掉两三字单屏，LLM 补词=破红线；治本是提醒编导别让两三字单独一屏。
+  4. Cline 会偷换模型/术语源、误判字数、口头猜错根因——**自报结果一律对源数据核验**。
+  5. **thinking 分任务用**：语义对齐/骨架开、标点/抽取关（见关键决策 2026-06-18）。
+- **代码待落实的两处（让 Cline 确认已接线，没接就先接）**：① `parse_a_segments()` 改造（读 skeleton.json 抽正文、丢 ignore、合并 ignore 切断的同角色段）是否真生效；② `run_compose` 的"compose 前置检查"（无融合B稿/无骨架要报清错而非跑崩）是否真加。
+- **骨架小瑕疵 backlog（非阻塞，可不动）**：ep002「演播室主持人」与「主持人」可统一称呼；ep004 小剧场角色编号（卡8/斯9/斯通纳10 等）可清成连续（直接改 JSON，**别重跑 LLM**）；ep003 参考正文里内联的 `【固摇轨】` 镜头标记无害。
+- **字体坑（C4 出稿）**：大标题方正小标宋_GBK（商业字体），出稿前确认制片机/编导机已装，否则脚本回退（标宋→宋体加粗）。
 - 通哥连轴转了几轮，回复要紧凑。
-- **已知坑（务必记住）**：
-  1. **A稿真实约 6500–7300 汉字**（栏目常态 6000–8000），**不是 2.2 万**——那是用 `wc -m` 把 UTF-8 字节当字数的乌龙（一个汉字 3 字节）。docx 无文本框无表格，`python-docx` 提取的 ~7.5k 字符就是全文。
-  2. **A稿分段编号有坑**：解说2/解说10 各出现两次、主持人4/5 带空格、专家1–8 齐全。分段对齐**别假设编号单调或唯一，按出现顺序走**（顾问曾误说"跳6号"，作废）。
-  3. Cline 会偷换模型/术语源、误判字数——**自报结果一律对源数据核验**。
-- **C1 已知小尾巴（评估后不修，无害）**：热词条数报告 64、顾问数 65，差 1，远在 200 上限内；几对技术前缀未合并（光学红外/红外、诱饵弹前缀等），再收敛有过度合并风险，故止步。
-- **C4 字体坑**：大标题用方正小标宋（商业字体），出稿前确认制片机/编导机已装，否则脚本里配回退（标宋→宋体加粗）。
 
 ---