tps-dashboard/doco/CLAUDE.md

项目协作主控文件 (doco/CLAUDE.md)

---

🔖 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。
• 下一个动手的人从这里开始：见下方「⏩ 交接备注」

---

🤖 给 AI 的工作约定 (READ FIRST)

• 开始任何工作前，先读完本文件，特别是「状态栏」「交接备注」「关键决策」三节。
• 完成一段工作后增量更新：「已完成」追加一条、「待办」勾掉或新增、必要时更新「关键决策」，最后改「状态栏」三行。不要重写整份文件，不要删历史，只追加/勾选。
• 涉及发送、发布、删除、改权限、付款等不可逆操作前，先在对话里跟通哥确认。
• 本文件与项目设计文档并列，构成 doco 子项目宪法。冲突时优先级：本文件 STATUS/交接 > doco_P3续接快照_C1完工C2起步.md > doco_P3_设计稿.md > doco_project_design.md（越新越权威，尤其"LLM 提供方"那条以快照为准）。 新对话接手时连同上述文档一并阅读。

---

Claude（Opus 高级技术顾问）与制片人刘通协作原则

1. 全程使用简体中文。
2. 通哥不懂代码编程，解释要简明扼要，说人话，不堆术语。
3. 为了节省Claude的Token，你主要的工作是plan和审核cline的报告，除非cline3次及以上修改过不去的坎，你可以直接动手改代码。
4. 给 Cline 的指令一律用代码块封装，并明确标 ACT / Plan，方便复制。
5. 回复简明扼要，不解释太多中间过程；独立核验 Cline 自报结果，对着源数据查证，不轻信口头诊断（本项目已多次靠核验抓到 Cline 偷换模型/术语源、误判字数）。
6. 长批处理（OCR/ASR）放独立终端跑，不要让 Cline 盯。
7. git 直接推 main，不开分支。

---

1. 项目概览

• 项目名：doco 文稿整理模块（《军事科技》TPS 工作台子模块）
• 目标：把 A稿（编导定稿）+ B稿v2（屏幕字幕，P2 产出 743 行）+ ASR（口语实况） 三方交叉融合，产出两个内容一致、形态不同的交付物：
  • 融合B稿（给爱德华）：碎句 + 密集字幕级时间戳 [XmYs] 文本
  • 融合A稿（给编导）：公文格式 docx，保留【导视】【主持人N】【解说N】【专家N】【隔断】分段
  • 一致性约束：融合A稿由融合B稿生成（按 A 稿分段归拢 + 套格式），不是事后比对硬凑。
• 范围边界（别越界去做）：本模块只做"三方文本 → 终版"。不做 OCR 识别（P2 已产出 B稿v2）、不做音频转码本身（属 ASR 适配层）、不做档案入库、不做编导确认 UI。

---

2. 技术栈与运行方式

• 语言：Python（openai SDK 走 DeepSeek 兼容端、ffmpeg、python-docx）
• 关键目录：
  • src/doco/llm.py — DeepSeek 统一客户端，chat(messages, model=None, thinking=None, max_tokens=...)，从 doco/.env 读 key/base_url/model
  • 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）
  • 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
• 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。

---

4. 已完成（只追加，最新在最上）

• [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。
• [P1 ｜本轮之前] 帧筛流水线完工。

---

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）。
• C2 讯飞 ASR 适配层（密钥外置 + asr_adapter 并入 + doco asr 命令 + 真转写310句）
• P3-C1 术语提取 + 词典 + 热词表
• P2 本地 OCR + B稿v2
• P1 帧筛

---

6. 关键决策（为什么这么做 — 跨 session 最易丢，别推翻）

• [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。
• [2026-06-16] AI 融合层 LLM = DeepSeek v4-pro，不是 Claude。 制片机无 Anthropic key；DeepSeek key 现成。接入：OpenAI 兼容，base_url=https://api.deepseek.com、/chat/completions、模型名走 DEEPSEEK_MODEL=deepseek-v4-pro。C1、C4 都用它。（此条覆盖 doco_P3_设计稿.md 里写的 Claude API。）
• [2026-06-16] 抽取类任务必须关 thinking。 DeepSeek V4 默认开 thinking，不关则正文 content 为空（已踩坑）。做法：chat(..., thinking=False) → extra_body={"thinking":{"type":"disabled"}}，给足 max_tokens（C1 用 4000）。C4 语义融合可开 thinking（单轮调用，质量优先）。
• [2026-06-16] 旧模型名 deepseek-chat/deepseek-reasoner 禁用（2026-07-24 退役且现指向 flash）。只认 deepseek-v4-pro。Cline 曾擅自退回 deepseek-chat，已纠正。
• [2026-06-16] C1 术语源 = A稿（规范写法），不是 B稿。 Cline 曾擅自换成 B稿v2，已纠正。
• [2026-06-15] 讯飞用「录音文件转写标准版」，不要大模型版（免费包阉割 language 参数，会报误导性 language verify fail）。参数锁定：pd=mil、eng_smoothproc=true、eng_colloqproc=true、hotWord=<C1热词>、language=cn。签名 signa=base64(HmacSHA1(MD5(appid+ts), secretKey))；/upload 拿 orderId，轮询 /getResult 到 status=4。
• [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。
• [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。

---

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。

• 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"
• 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）。

---

8. 待确认 / 开放问题（需通哥拍板，AI 别自行假设）

• B稿_v2.txt 就位：已完成（通哥已拷进 episode 目录并随 9340edc 入库）。
• 讯飞旧 key 轮换：已完成（新值已在 doco/.env，旧 appid 84eff996 代码内无残留）。
• 方正小标宋字体可用性：C4 出稿前确认两台机器是否已装。
• OCR 并发提速（P2 遗留）：OLLAMA_NUM_PARALLEL 4–8 路，预计把 ~30 分钟压到十分钟出头；correctness 全部验证后再做，现在不动。
• 讯飞单源依赖（远期）：是否接阿里云 ASR 做备份/交叉验证。