doco: ep002全流程完工(P1→C4) + CLAUDE.md收摊更新

ep002（潜艇仿生）全部产物入库：B稿v2(733行)/ASR(411句)/融合B稿/
融合A稿.docx/c4_alignment.csv等。fusion_align.py修复align_batch
崩溃bug。CLAUDE.md更新ep002完工状态、新增分段偏差根因和MiMo批次
失败率两条关键决策。

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

doco/CLAUDE.md

@@ -16,8 +16,8 @@
 
 ## 🔖 状态栏 (STATUS — 每次结束 session 前必须更新这三行)
 
-- **最后更新**：Claude Code ｜ 2026-06-22（晚，收摊）
-- **当前状态一句话**：**ep002（潜艇仿生）P1→P2→C1→C2→C3 已完成，C4 compose 正在由 Cline 跑**（MiMo 2.5 Pro）。C4 跑完后需审核报告（硬校验/空段/标点回退）。ep004 上游仍全空。另有一个待做事项：为编导制作 doco 全流程可视化图（HTML），方便试用前培训。
+- **最后更新**：Claude Code ｜ 2026-06-22（深夜，收摊）
+- **当前状态一句话**：**ep002（潜艇仿生）全流程 P1→C4 完工**，已出稿 + 通哥手动批改分段。**ep004 上游仍全空**（只有骨架），下一期待跑。C4 对齐层 MiMo 批次失败率偏高（47%），ep004 段切换密需留意。
 - **下一个动手的人从这里开始**：见下方「⏩ 交接备注」
 
 ---
@@ -77,13 +77,15 @@
 
 ## 3. 当前进度（核心交接区，以最新快照为准）
 
-- **正在做**：批量化首批三期。**ep002 已完成 P1→P2→C1→C2→C3**（C3 融合B稿 733行/10条review/专名无同音替换），**C4 compose 正在 Cline 跑**。ep004 上游仍全空（只有骨架）。
-- **卡点 / 待解**：无硬卡点。C4 跑完后需审核（下个 session 首要任务）。
+- **已完成至**：ep001 + ep003 + **ep002** 三期全流程跑通。ep002 C4 已出稿，通哥手动批改分段完毕。
+- **正在做**：无。
+- **卡点 / 待解**：ep004（枪王对决）上游全空，需跑完整 P1→C4。C4 对齐层 MiMo 批次失败率 47%（ep002 实测），ep004 段切换更密，需关注（见关键决策）。
 
 ---
 
 ## 4. 已完成（只追加，最新在最上）
 
+- [2026-06-22 晚｜Claude Code] **ep002 C4 审核完毕，全流程收工**。Cline 跑完 C4 compose 出稿 `20260127潜艇的仿生之路_穆佩弦_融合A稿.docx`。Opus 审核核验：硬校验（汉字零改）全过、733 行全覆盖、标点回退 0 段。**但发现两个问题**：① Cline 自报空段名称错了两个（报"解说3/解说6"，实际是"三维动画解说3/解说8"）、隔断数也报错（报 3 个，实际 4 个）——再次印证不信 Cline 自检；② **9/19 批次（47%）LLM 对齐失败走回退**（全 confidence=0.30），本次因失败批次恰在大段中间未翻车，但属黄色预警。**分段偏差根因**：A 稿是拍摄前剧本，专家采访段与实际播出内容差异巨大（A 稿一句话提纲 vs 专家自由发挥两分钟），LLM 无法正确匹配——这是信息不对应，非算法问题。通哥手动批改分段（~10 处高亮标签），内容本身正确。**结论（通哥拍板）**：治本靠编导给贴近播出版的稿子，现阶段接受"程序保证文字零改 + 编导手调分段"的模式。
 - [2026-06-22 ｜Claude Code] **ep002 C3 融合通过**。融合B稿 733行（零偏移），review 10条（5 minor_edit 全是 OCR 错字修正，专名无同音替换）。C4 compose 交 Cline 跑中。
 - [2026-06-22 ｜Claude Code] **ep002（潜艇仿生）P1→P2→C1→C2 完成**。P1 全量抽帧 1620 帧（不做 dHash/IoU 去重，全部进 OCR）；P2 OCR 4路并发首秀通过（~50帧/分钟，约串行3倍），Stage B 文本去重出 B稿v2 733行；C1 术语提取 68 条热词（词典累积至 235 条）；C2 讯飞 ASR 411 句。下一步 C3 fuse。
 - [2026-06-22 ｜Claude Code] **标点层 prompt 修复 + ep003 重跑出稿**。`PUNCTUATE_SYSTEM_PROMPT` 加第5条规则（陈述句结尾用句号）+ 错误/正确示范。ep003 逗号占比从 88% 降至 76%，句号从 70 涨到 118。红线未破（strip_punct 硬校验通过）。commit `fd2ef1a`。
@@ -105,12 +107,14 @@
 - [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)。
 - [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）**：ep003 已全流程跑通。**ep002 已完成 P1→P2→C1→C2，下一步 C3 fuse → C4 compose**。ep004 上游仍全空（只有骨架），需跑完整 P1→C4。stage 脚本从 ep003 复制。
+- [~] **批量化首批三期·跑完整流水线（下一步主线）**：ep001 + ep003 + ep002 三期已全流程完工。**ep004 上游仍全空**（只有骨架），需跑完整 P1→C4。stage 脚本从 ep003 复制。
 - [x] **【已完成】标点层 prompt 修复**：加第5条规则+示范，ep003 逗号占比 88%→76%，commit `fd2ef1a`。
 - [x] **【已完成】配 Ollama 并发**：`OLLAMA_NUM_PARALLEL=4`，ep002 OCR 4路实跑通过，~50帧/分钟。
+- [ ] **【backlog】C4 对齐层 batch_size 调优**：ep002 实测 batch_size=40 导致 47% 批次 MiMo 返回空/JSON 截断走回退。ep004 段切换更密，建议降到 25-30。Cline 在 `_run_compose.py` 里加 `--batch-size 25` 即可。
 - [ ] **【产品 backlog】原稿缺【专家N】/【三维动画N】标签**：ep003 复查发现编导原稿里就没有专家、后续三维动画的分段标注，骨架如实反映=融合A稿里也没有（通哥手工补了高亮）。不赖程序（原稿零信号，LLM 与人一样猜不准），**不让程序猜**。治本=提醒编导/责编原稿把【专家N】等段头标全；50 期前在导入须知里写清。
 - [ ] **【backlog】C3 prompt 收紧**：专有名词(厂名/型号/番号)遇 ASR 同音异写，必须以 B稿v2/A稿为准、不许采 ASR——ep003 已踩"斯泰尔→斯太尔"，50 期批量前在 prompt 里收紧防复发。
 - [ ] **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。
+- [x] **【已修复】`fusion_align.py` align_batch 崩溃 bug**：`_parse_align_json` 调用在 `try/except` 之外，LLM 返回空字符串时进程崩溃。Cline 已修，移入 try/except 内，错误时优雅回退。
 - [ ] **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
@@ -121,6 +125,8 @@
 
 ## 6. 关键决策（为什么这么做 — 跨 session 最易丢，别推翻）
 
+- [2026-06-22] **C4 分段偏差的根因是 A 稿与播出版内容差异大，非算法问题，现阶段不追技术方案。** ep002 实证：专家采访段 A 稿只有一句话提纲，实际播出专家自由发挥两分钟，内容/角度/篇幅全变，LLM 拿提纲匹配实录当然对不上。解说段偏差轻，基本能对。**B 稿（唱词字幕 OCR）里没有隔断标题**（隔断是画面美术字不走字幕轨道），所以也没法用隔断做硬分界线。**通哥拍板**：治本靠编导给贴近播出版的稿子（尤其专家段录完后更新）；差异大的期接受"程序保证文字零改 + 编导花十几分钟手调分段标签"。
+- [2026-06-22] **MiMo 2.5 Pro C4 对齐层批次失败率偏高（ep002 实测 9/19=47%）。** 失败批次全 confidence=0.30，回退机制把该批所有行分配给 `min_normal_seg_id`。ep002 运气好——失败批次全在大段中间，回退恰好分对了。但 ep004 段切换密，边界批次失败会导致行归错段。**建议 ep004 前把 batch_size 从 40 降到 25-30**，或排查 MiMo 返回空/JSON 截断的具体原因。
 - [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。
@@ -152,13 +158,12 @@
 
 ## 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。**（2026-06-22 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。**（2026-06-22 深夜重写）**
 
-- **大局**：ep001 + ep003 两期已全流程跑通。**ep002 已完成 P1→P2→C1→C2**，下一步跑 C3 fuse → C4 compose 即可出稿。ep004 上游仍全空（只有骨架）。
-- **ep002 现状**：`ep002_20260127_qianting_fangsheng`（潜艇仿生）目录下已有：A稿 docx + mp4 + skeleton + `frames_v2/`(1620帧) + `audio_16k.wav` + `ocr_raw.jsonl`(1620行) + `B稿_v2.txt`(733行) + `本期热词表.txt`(68条) + `c1_term_candidates.json` + `asr_v2_timed.txt`(411句) + `asr_result_raw.json` + stage 脚本。
-- **第一句话该干的**：**审核 ep002 C4 compose 报告**（Cline 正在跑或已跑完）。检查：硬校验是否全过、空段数、标点回退段数。通过后 ep002 全流程完工，转 ep004。若 C4 还没跑完，等它跑完再审。
-- **ep002 C3 已审核通过**（10条review/专名无同音替换），不用重审。
+- **大局**：ep001 + ep003 + ep002 三期已全流程跑通出稿。**ep004（枪王对决）上游全空**，是下一期主线。
+- **ep002 收尾状态**：全流程完工。出稿 `融合A稿.docx` 硬校验全过（汉字零改），通哥已手动批改分段（`融合A稿_批改.docx`）。分段偏差根因是 A 稿与播出版内容差异大（见关键决策），非程序 bug，现阶段接受编导手调。
 - **ep004 现状**：`ep004_20260526_qiangwang_duijue`（枪王对决，最难·小剧场密）。只有 A稿 docx + mp4 + skeleton。需跑完整 P1→P2→C1→C2→C3→C4。stage 脚本从 ep003 复制。
+- **第一句话该干的**：与通哥确认是否开跑 ep004。ep004 小剧场多、段切换密，C4 对齐层可能更吃力（ep002 已有 47% 批次回退），**建议降 batch_size 到 25-30**。
 - **LLM 已切换**：代码和 Cline 都已从 DeepSeek 切到**小米 MiMo 2.5 Pro**。环境变量名 `LLM_API_KEY` / `LLM_BASE_URL` / `LLM_MODEL`（旧 `DEEPSEEK_*` 已废弃）。
 - **Ollama 并发已配**：`OLLAMA_NUM_PARALLEL=4`，ep002 实测 ~50帧/分钟（串行的3倍）。4090D 显存余量大（GPU 利用率仅 2%），ep004 可考虑提到 8 路。
 - **P1 抽帧硬约束**：**不做 dHash/IoU 去重**，全部帧进 OCR，去重交 Stage B 按文本做（P2 完工快照铁律）。`doco split` 的去重逻辑是过时的，不要用。
@@ -166,10 +171,12 @@
   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**。
   2. **C3 fuse 后必扫 `fusion_review.csv`**：专名（厂名/型号/番号）若被 ASR 同音字改了要打回（ep003 踩过"斯泰尔→斯太尔"，见关键决策）。
   3. **C4 出现空段先别当 bug**：多半是播出剪了那段戏，去融合B稿 grep 该段专属词确认（见关键决策）。
-  4. **OCR 漏字本期不补**（通哥拍板）——根在抽帧/OCR 漏两三字单屏，LLM 补词=破红线。
-  5. **ASR 花讯飞额度**；长转写/OCR 放独立终端别让 Cline 盯。
-  6. 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**。
-  7. **thinking 分任务用**：语义对齐/骨架开、标点/抽取/融合关（见关键决策）。
+  4. **C4 分段偏差是常态（A 稿≠播出版）**：内容正确但分段标签可能偏，编导手调十几分钟搞定。不追技术方案（见关键决策）。
+  5. **OCR 漏字本期不补**（通哥拍板）——根在抽帧/OCR 漏两三字单屏，LLM 补词=破红线。
+  6. **ASR 花讯飞额度**；长转写/OCR 放独立终端别让 Cline 盯。
+  7. 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**（ep002 C4 报告空段名称错两个、隔断数也报错）。
+  8. **thinking 分任务用**：语义对齐/骨架开、标点/抽取/融合关（见关键决策）。
+  9. **MiMo C4 对齐批次失败率高**（ep002 47%），ep004 前考虑降 batch_size（见关键决策）。
 - **出稿命名**：`{原始A稿stem}_融合A稿.docx`（不覆盖原始定稿）。
 - **字体坑（C4 出稿）**：大标题方正小标宋_GBK（商业字体），出稿前确认已装，否则脚本回退。