Harness 全栈自建 零框架 AI 工程

单字符编码（G=性别 A=年龄 D=科室），同时是类型标签和操作路由键。AI 输出经三层校验后落地。非法码回退安全默认值，防止幻觉传播。

指纹 = \(\text{MD5}(\text{字段名排序} + \sum \text{样本MD5}[:8])\)。缓存附带 \(\text{code\_hash} = \text{SHA256}(\text{路由表} + \text{注册表})\)；缓存按引擎分区，切引擎只失效对应命名空间。

新增字段类型只需创建 Operation 子类注册到 OPERATION_REGISTRY，无需改 AI prompt。支持 1:N 分列操作（CurrencySplitter 把一列金额拆为数值+币种两列）。

场景识别、字段打码、有序性判断——答案集合在请求时就封闭。这类判断用概率引擎（Jev）比生成模型更干净：输出是概率分布，选项即白名单，非法值不可表示。开放生成留给 LLM。实测两条链路结论一致；Jev 成本更高（清洗 1.9×、分类 3.5×），优势在延迟、失败模式、可审计。

LLM 粗筛分类变量 → 细判有序/无序 → R 根据变量组合自动选 \(\rho\) / \(V\) / \(H\) / \(\chi^2\)，输出 report.xlsx（4 Sheet）。

增强查询生成检索优化段落，仅用于向量检索；答案 LLM 始终接收原始问题。支持 LLM 生成（密集段落）和 MarianMT 翻译两种后端，遵循同样的分离原则。

不同类型文件不同分块策略（Markdown 按 heading，纯文本按段落，代码块/表格永不切割）。MD5 哈希变更检测，--build 只处理变更文件，模型或分块配置变更自动告警。

向量（ChromaDB）+ BM25（jieba）经 \(\text{score} = \sum 1/(60+\text{rank})\) 融合。交叉编码器从 \(4k\) 候选重排序到 top-\(k\)。支持 vector-only / BM25-only / 混合三种模式。

embedding / enhancer / reranker / LLM 各自独立开关。BM25-only 模式加载零本地模型，跳过 ~12s torch 导入。每个插槽只在对应功能启用时才导入依赖。

150 行数据：传统逐行方案 \(\sim 30000\) tokens，本系统只传 \(\sim 100\) 个唯一值 \(\sim 1000\) tokens。100 行和 100 万行，AI 消耗不变。

首轮映射规则，次轮（可选）处理边缘。跨字段推理（"妇产科→女性"）一次生成后永久零 Token 本地执行。模块命名 llm_ / local_ 前缀一目了然。

数据哈希 + Schema 哈希，任一变化自动刷新。查找链路：映射表 \(\to\) 标准值 \(\to\) 保留原值 \(\to\) 置空，防止静默丢失。

自动计算每字段完整率和合规率，运行结束时输出费用汇总表。

同一 registerTool() + toJsonSchema() 桥接，一套 Zod 定义同时服务 MCP JSON-RPC 和 OpenAI Tool Calling API。注册表与 barrel import 分离，避免循环依赖。

Map 按索引重组分块到达的 tool 名称/参数/ID。消息压缩裁剪冗余文本保留 tool_call 元数据，降低多轮 token 浪费。

Python / R / PowerShell 代码执行，30s 超时 + 5000 字符截断。Shell 工具内置危险命令黑名单（Remove-Item -Recurse -Force、shutdown 等）。

模块导入时 registerTool() 自注册。两阶段检测：首轮环境变量检查（零进程），次轮 PATH 批量 Promise.allSettled。

LLM 规划器自主决定阶段数和每阶段 Agent 数，不设硬编码上限。计划输出经 JSON Schema 校验，3 次重试含错误回传。

阶段间用轻量 LLM 提炼摘要（非暴力拼接）。prompt 全程用"同事"称谓，Agent 不知发送者是另一个模型，防止元推理污染。

同阶段 Agent 在线程池并发执行。单 Agent 失败标记 error，不影响同级和下游。仅当阶段内全部失败时终止管线。

零第三方依赖 HTTP 服务器 + SSE 实时流式。state.json 单一真相源，页面刷新恢复，支持历史浏览和后续追问。

Layer 1 (A+B, 2 次 LLM) → pre_filter (Python, 0 token) → Layer 2 (C, 1 次 LLM with thinking) → deep_judge (Python, 0 token) → Layer 3 (D, 1 次 LLM, 仅 REVIEW)。AI 节点正常消耗 token，层间路由 0 token。

4 个 AI 节点互不知情、只与编排器通信、必须返回预定义 JSON Schema。修复器跟踪括号堆栈恢复截断输出。每节点独立 thinking/temperature/max_tokens 配置。

请求级 (text+scene+locale SHA256) + 节点级缓存。auto_block 阈值 0.9、human_review 阈值 0.7 可配置。Normal 内容预层零思考放行。

Node C 专门处理讽刺、自嘲、"老六""666"、朋友间"你个憨憨哈哈哈"。每 500 次人工判断触发模式库更新，零模型重训练。

OCR 流水线需要预处理 → 版面分析 → 识别 → 结构化多环节，每环都是误差源。VLM 直接看整张截图输出 CSV，单一环节、单一误差面。设计哲学单独成文（docs/PHILOSOPHY.md）。

qwen3-vl:4b 权重约 2.5GB，普通笔记本 CPU 或轻量 GPU 即可跑，无需服务器。识别直接出表，单张数秒完成——本地小模型在桌面工具里完全够用。

urllib 直连 Ollama /api/generate，零第三方 HTTP 依赖。依赖面最小化：tkinter（选区）、mss（截图）、keyboard（热键）、openpyxl（导出）各司其职。

Ctrl+Alt+S 拖拽框选即时导出，同时间戳截图与 XLSX 并存；main.py file a.png 批量转换多张图片。配置三优先级：环境变量 > config.json > 默认值。

AI 生成内容不可信，但经过引用完整性 + 双向一致性校验的内容可以。schema.json 是唯一真相源，改 Schema 验证和生成自动适应，防静默遗漏。

所有实体统一字段命名、`{type}_ids` 数组式引用、标签唯一来源——13 个 JSON 遵守同一套规范，验证器自动校验，坏数据进不了页面。

全部 CSS/JS/JSON 内嵌一个 HTML（350KB），无网络无服务器，微信/AirDrop 即开即用。23 个 hash 路由 SPA，Vanilla JS 零框架。

数据与模板解耦，换主题只换素材。上海迪士尼攻略验证了复用性；docs/usage.md 提供"AI 工作规范"可直接复制给 AI，非技术用户也能生成新主题。

图片内容 sha1 哈希做唯一 ID，同一张图自动去重；工作流文件只存 registryId 不存路径，打开时按 ID 找回。注册表损坏可扫描 .assets 重建。

生成结果自动变新图片节点并连好线，"草图→白底图→场景图→详情页"整条链在一张画布上完成，结果自然流向下一步。

两套前端共享同一 TaskManager 与资产库；表单每次生成自动存连线快照，一键导入画布整图还原，易用与专业不割裂。后端 pytest 205 + 前端 vitest 120 用例锁定契约，全部不调上游。

契约格式 + 电商专用模板，多模态 LLM 整段输出提示词粘贴即批量建卡，格式错误标红提示，不静默猜测。