jsc-plugins/tools/corpus

文本建置：wiki → 對白

建置流水線的第一段。這些腳本不屬於插件執行期；原文與輸出放在 repo 之外，不入版本控制。

1. 讀取 wiki

用 tea 的驗證讀取 Gitea wiki 全部頁面，存成 markdown：

python3 -I tools/corpus/fetch_wiki.py jiantw83/sao ~/anime-companion-data/sao/wiki

2. 抽出對白

抽出所有「」對白與前後文，並用規則判定明確的說話者：

python3 -I tools/corpus/extract_dialogues.py ~/anime-companion-data/sao/wiki ~/anime-companion-data/sao/dialogues.jsonl

輸出每個對白一行 JSON：

欄位	說明
id	v{冊}c{章}-{章內序號}
volume、chapter、page、para	位置；page 是分頁，para 是章內段落序號
text	對白內容（不含「」）
before、after	同段落中對白前後的敘述
prev_par、next_par	前後段落
speaker	規則判定的角色代號，無法判定為 null
alias	判定依據的名字（例如「莉法」或「直葉」）
mode	由別名推得的模式：ingame、real、leafa
confidence	high：句中只有一個候選且有說話動詞；medium：多個候選取句首第一個，需 W4 覆核
rule	lead_in（同段落「…說：」）、lead_in_prev（前一段以「：」結尾）、trail（對白後接「某某說」）
candidates	句中出現的所有候選名字
suspect_duplicate	同一章 6 段內出現相同的長對白，疑為 wiki 頁面銜接的重複

規則的邊界

這個譯本很少直接寫「某某說」，多數對白靠上下文（「他這麼說」「她點了點頭」）或輪流發言判斷，所以規則只涵蓋約一成的對白。其餘由 W4 的 sub-agent 標註。

別名表在 characters.json，新增角色或別名時改它。

測試

cd tools/corpus && python3 -m unittest -q test_extract_dialogues

3. 標註（W4）

規則只判定約一成，其餘由 Claude sub-agent 標註說話者、功能標籤與情緒。標籤白名單在 tags.json，標註指示在 label_prompt.md。

# 試跑：分層抽樣 100 句（未判定 50、規則中信心 25、規則高信心 25）
python3 tools/corpus/make_batches.py ~/anime-companion-data/sao/dialogues.jsonl ~/anime-companion-data/sao/labeling/pilot/in --pilot 100
# 每個批次檔交給一個 sub-agent，輸出同名 jsonl 到 .../pilot/out/
python3 tools/corpus/merge_labels.py ~/anime-companion-data/sao/dialogues.jsonl ~/anime-companion-data/sao/labeling/pilot/out ~/anime-companion-data/sao/labeling/pilot/merged.jsonl --review-dir ~/anime-companion-data/sao/labeling/pilot/review

• 批次檔不含規則判定的說話者，讓標註獨立，才能和規則比對。
• 只採用 confidence=high 的說話者；unknown、none（非說出口的「」）與其他信心都視為未判定。
• 標籤不在白名單內的整筆丟棄。
• --review-dir 為亞絲娜與直葉各輸出最多 20 句抽查清單。

試跑結果（100 句）

• 標註全部通過白名單檢查，採用 70 句（high 且非 unknown）。
• 規則高信心與標註一致 20/25，中信心 15/25。不一致的例子顯示規則會把「對她說道」的聽者當成說話者，也會把「我眼前」的「我」當成說話者，所以最終以標註為準，規則只當參考。
• sub-agent 回報的模糊處（非說出口的「」、無名角色、信心門檻）已補進 label_prompt.md。

全量結果

全部 4,324 句分 87 批（每批 50 句）標註，再對早期批次被標成 none 的 62 句用新版指示重標。

python3 tools/corpus/make_batches.py ~/anime-companion-data/sao/dialogues.jsonl ~/anime-companion-data/sao/labeling/full/in --all --batch-size 50
# 每批交給 sub-agent，輸出到 .../full/out/
python3 tools/corpus/verify_batches.py ~/anime-companion-data/sao/labeling/full      # 逐批比對 id
python3 tools/corpus/make_relabel.py ~/anime-companion-data/sao/labeling/full ~/anime-companion-data/sao/labeling/relabel/in --max-batch 24
python3 tools/corpus/merge_labels.py ~/anime-companion-data/sao/dialogues.jsonl ~/anime-companion-data/sao/labeling/full/out,~/anime-companion-data/sao/labeling/relabel/out ~/anime-companion-data/sao/labeling/final.jsonl --review-dir ~/anime-companion-data/sao/labeling/review

• 全部通過白名單檢查。早期批次把 none 一律標成非說出口的話，重標後只有 2 句改成有說話者。
• 一個批次把 confidence 縮寫成 h／m／l，合併時對應回完整值（merge_labels.py 的 CONFIDENCE_ALIASES）；worry 加進情緒白名單。
• 採用（high 且非 unknown）2,340 句；none 673 句；亞絲娜 304 句（第 1 冊 228、第 3 冊 15、第 4 冊 61），直葉／莉法 514 句（第 3 冊 303、第 4 冊 211）。
• 規則高信心與標註一致 188/262（72%），中信心 82/142（58%），所以最終以標註為準。
• 多個 agent 並行時共用暫存目錄會互相覆蓋腳本，所以 verify_batches.py 逐批比對 id；全部一致。
• wiki 的部分頁面有重複或錯置的段落，標註 agent 對這類句子多半降為 medium 或 low，不會進入採用的 2,340 句。
• mode（亞絲娜的「被囚禁／重逢」、直葉的「現實／莉法」）目前只有規則依別名推得的少數句子有值，大多數是空的；W5、W6 要另外依章節情境補上。