P3-C3: 交叉复审 fusion_review.py + doco fuse 命令，产融合B稿743行+fusion_review留痕，更新CLAUDE.md交接C4

doco/CLAUDE.md

@@ -17,7 +17,7 @@
 ## 🔖 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-C2 讯飞 ASR 跑通并收口（真转写310句带时间戳，热词命中良好），本轮已 git 提交推 main（9340edc）；**B稿_v2.txt 已就位入库，C3 卡点解除，下一步可直接开 C3**。
+- **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」
 
 ---
@@ -62,26 +62,29 @@
   - `src/doco/term_extract.py` — C1：规则层 + AI 层提取 + 词典累积 + 热词清洗
   - `src/doco/asr_adapter.py` — C2 讯飞 ASR 适配层（已完工）：`get_hot_words(episode_id)` 读热词表、`transcribe()` 返回 `(句子, raw)`、`write_asr_result()` 落 `asr_v2_timed.txt` + `asr_result_raw.json`
   - `src/doco/video_split.py` — P1：含 `extract_audio()`（16kHz/单声道/16bit WAV），C2 直接复用，不另写 ffmpeg
-  - `src/doco/cli.py` — 命令入口（split / terms / asr）
+  - `src/doco/fusion_review.py` — C3：B稿v2 ⊕ ASR 交叉复审 → 融合B稿(743行) + fusion_review.csv
+  - `src/doco/cli.py` — 命令入口（split / terms / asr / fuse）
   - `doco/data/term_dict.json` — 累积词典（当前 110 条）
   - `doco/programs/<episode_id>/` — 每期产物（热词表、各阶段输出）
 - **常用命令**：
   - C1（已实现）：`doco terms --episode-id <id> --a-script <path> [--no-ai]`
   - C2（已实现）：`doco asr --episode-id <id> --input-video <绝对路径mp4> --output-dir <绝对路径 doco/programs/<id>>`（`--skip-asr` 只分离不转写）。**务必传绝对 `--output-dir`，否则落到当前工作目录的 `programs/` 会与 doco 产物分家。**
-  - C3/C4：待实现
+  - C3（已实现）：`doco fuse --episode-id <id> [--no-ai] [--batch-size 35]`
+  - C4：待实现
 - **环境变量 / 密钥**：只放 `doco/.env`（已在 `.gitignore`）。需要的 key：`DEEPSEEK_API_KEY` / `DEEPSEEK_BASE_URL` / `DEEPSEEK_MODEL`、`XFYUN_APP_ID` / `XFYUN_SECRET_KEY`。**代码与对话里只引用变量名，绝不出现真值。**
 
 ---
 
 ## 3. 当前进度（核心交接区，以最新快照为准）
 
-- **正在做**：C2 已收口并推 main，准备进 C3（B稿v2 ⊕ ASR 交叉复审）。
-- **卡点 / 待解**：无。C3 三路输入均已就位于 `doco/programs/ep001_20260612_fangkong_fandao/`：`B稿_v2.txt`（743行，P2）、`asr_v2_timed.txt`（310句，C2）、A稿 docx。
+- **正在做**：C3 已收口，C4 待开工。
+- **卡点 / 待解**：无。
 
 ---
 
 ## 4. 已完成（只追加，最新在最上）
 
+- [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。
 - [P2 ｜本轮之前] 本地 OCR（DeepSeek-OCR/Ollama）+ 扒词流水线，产出 **B稿_v2.txt 743 行**。
@@ -91,8 +94,8 @@
 
 ## 5. 待办（按优先级，做完打勾）
 
-- [ ] **C3（下一步，输入已齐）**：B稿v2 ⊕ 新ASR 交叉复审 → 融合B稿（保持743行碎句粒度 + 密集时间戳原样，ASR只复审纠错不改行结构）+ `fusion_review.csv`。
-- [ ] **C4**：融合B稿 + A稿语义对齐 → 融合A稿（公文 docx，用 docx skill，GB/T 9704 格式）。
+- [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] **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
@@ -113,6 +116,9 @@
 - [2026-06-15] **B稿v2 权威升级**：屏幕术语/型号/番号 **B稿v2 ≈ A稿 并列权威**（B稿是屏幕实打的字，更贴近播出）。口语/语序/语气信 ASR；书面结构/分段信 A稿；同音事实错（美以→美伊）用 A稿/B稿v2 覆盖 ASR。
 - [设计期] **分层不变**：OCR 错字纠正、术语统一、时间戳对齐走**规则层**（确定性）；段落归属、整段删除判定、编导笔误识别走 **AI 层**（需语义判断）。
 - [设计期] **顺序约束**：术语提取（C1，产热词）必须在 ASR（C2）之前——已成立。
+- [2026-06-17] **`fusion_review.csv` 定位 = 留痕档案（给爱德华/复核），不是编导读物。** 编导读的是 C4 docx。CSV 可读性不优化，只看 final_text 准不准。
+- [2026-06-17] **`final_text==B原文` 强制归 `unchanged` 不进 review。** LLM 有时把"考虑后决定保留 B 稿原文"标成 `minor_edit`，但实际没改字。`fusion_review.py` 的 `_normalize_unchanged_when_no_edit()` 在写文件前修正（review 19→5）。
+- [2026-06-17] **`change_type` 的 `minor_edit`/`editor_typo` 边界 LLM 把握不稳**（OCR 错字两类混标）。仅 metadata 标签不一致，`final_text` 全对，不影响融合B稿正文。本轮决定忽略；若 C4/爱德华按 `change_type` 做逻辑分流，届时在 prompt 里收紧两个枚举的边界定义。
 - [工程纪律] 各阶段解耦、中间产物落缓存、可断点续跑、可单独重跑；长批处理放独立终端。
 
 ---
@@ -121,10 +127,13 @@
 
 > 下次开工读完这段应能 0 摩擦续上。接手后可清空重写。
 
-- **第一句话该干的**：C2 已收口推 main，C3 三路输入已齐（`B稿_v2.txt` 743行 / `asr_v2_timed.txt` 310句 / A稿 docx，都在 `doco/programs/ep001_20260612_fangkong_fandao/`）。直接给 Cline 出 C3 的 ACT 指令开工。
-- **C3 目标**：B稿v2 ⊕ asr_v2_timed 交叉复审 → 融合B稿（**保持 743 行碎句 + 密集时间戳原样，ASR 只复审纠错不改行结构**）+ `fusion_review.csv`。权威优先级见关键决策「B稿v2 权威升级」那条。
-- **重跑真转写命令**（复用已分离 WAV，27分钟音频讯飞轮询等几分钟别中断）：
-  `doco asr --episode-id ep001_20260612_fangkong_fandao --input-video "E:\tps-dashboard\doco\programs\ep001_20260612_fangkong_fandao\现代防空反导大对决VA0.mp4" --output-dir "E:\tps-dashboard\doco\programs\ep001_20260612_fangkong_fandao"`
+- **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）
 - 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。