戚序本（前八十回）结构蒸馏萃取 · 操作手册

版本说明

> 归属：咸水纪事（南通）文化实验室（吴梦达「咸水纪事」工程 · 红学数字化方向），余西学派红学 Skill 网络成员之一（honglou-suyuan / zhipi-gene-library / yuxi-reconstruction / wu-forensic-method / shidianguji-extract / qixuben-structure-distill）。

本技能固化「吴梦达红楼梦研究」中前八十回结构基线档案的生成工作流，是余西学派红学四 Skill 网络（honglou-suyuan 时空底座／zhipi-gene-library 脂批基因／yuxi-reconstruction 后二十八回重构／wu-forensic-method 吴氏刑侦法）在前八十回侧的配套支点。

《红楼梦》一百零八回＝戚序本前八十回（原典）＋ 盐署本后二十八回（1775 封箱重构）。前八十回不是"被续写的空白"，而是一架早已预制好命运节点的精密装置——回目、五卷节奏、第5回判词、人物弧光起点、支系勾连，全部在八十回内闭合或半闭合。本技能的任务，是把这架装置的"结构骨架"从底本文字中蒸馏出来，形成一份可被盐署本后二十八回直接调用的基线档案。

蒸馏萃取的七类产物（见下「核心能力」）严格对齐达哥指定的文学性五维评估框架（叙事流／情节单元／人物弧光／伏笔闭环／支系勾连）——前者是"骨架产出"，后者是"评估口径"，二者一一映射，下游 yuxi 的收口二审与 mdnes-9d 的九维评分均以本档案为前八十回基准面。

输入来源与衔接约定（强制）

底本来源＝复用 shidianguji-extract，不重复造轮子。该 Skill 产出「正文黑 #1A1A1A／双行夹批咖 #8B5A2B／回前评与回末总评深红 #953735／边栏灰 #666666」四色分层 DOCX（识典 SWX0005，戚序系统完本八十回）。

三大约束（承 shidianguji-extract 铁律）：
- 异体字归一 P0：戚序本数码文本大量使用扩展 B/C/D 区异体字（寳→宝 3,385 次、𥚃→里 2,842 次、煕→熙 等）。凡处理底本文字，必须先过异体字映射表（完整 115 组见 references/qixuben-baseline-conventions.md 与 _mdnes/var_map.py），否则人物统计全面失真。
- 批语归属铁律：回前总评／回末总评＝立松轩（非戚蓼生、非脂砚斋）；双行夹批＝脂砚斋系统真脂批。分层命名须为「立松軒·總評層」「脂硯齋·雙行夾批層」。戚蓼生仅撰《石頭記序》一篇，不预批语。
- 后四十回无双行夹批＝乙支立松轩（戚序）系统固有形态（庚辰本回41·63仍有夹批），非删削；第67回三层皆空属实（配补回）。

Agent 归一化契约（本技能消费格式）： 调用方（Agent）须先用 shidianguji 取出底本，并将四色分层转译为下列显式标记写入归一化 MD（脚本据此做确定性切分）：
- ## 第N回 <回目全文> —— 章回头（回次＋回目上下句）
- 【回前总评】…【/回前总评】 —— 立松轩回前评
- 【回末总评】…【/回末总评】 —— 立松轩回末评
- 其余（回目之后、总评标记之外）＝ 正文（黑）

若未带标记，脚本回退到「叙事起首标记法」自动切分：正文以「話説／却説／且説／這年／單表／如今」起首，其前的段落判为回前评候选，其后的评论段判为回末评候选——此回退路径须标「候选·待复核」。

模式〇·OCR 原文归一化（v1.2 新增）：真实 OCR 底本（【第N回】 标记）先过 scripts/normalize_ocr_text.py 再蒸馏。该器兼容三种章头版式——A型（标记后直排回目）／B型（「第N回：」重出行后接回目，占多数）／C型（无重出行，须 --fallback 目验兜底并注记）。戚序本 OCR 底本实测 80/80 回目锁定（第48/67回走 FALLBACK）。

多区段文本防御（BUG-20261005-02，强制）：整书 txt 常含「目录区＋正文区＋序跋/后记区」多区段，每回章头行会重出 2 次——取首次匹配必命中目录区（吴铭恩汇校竖排版实测第 3-79 回全中）。切分纪律三件套：① 章头全匹配分桶，正文区取第 2 次匹配；② 单调递增自校验（正文区位置逐回递增，混入目录区必 FAIL）；③ 末回按末套语截断（防卷入刘铨福跋／戚蓼生序／后记区）。切分后必做三查：章头计数 80/80＋单调性＋末段目验。配方代码见 references/normalization-recipes.md 配方三。

蒸馏对象注册表（脂批本全本体系）

本技能不限于戚序本：凡脂批本系统底本，登记注册表后即可蒸馏，产物文件名以 source_id 为前缀分本存放，互不覆盖。

• 两个汇校本领严格分家（2026-10-05 实证）：huixiaoben（仁者国学四色版，回目程高系/判词虎兕）≠ huixiaoben_wu（吴铭恩汇校，回目甲戌/庚辰系/判词虎兔＋校记「己本、楊本作虎兕」）。两本回目互异回 [5,7,8,18,25,67,80]。不得混称「汇校本」。
• 扩展其他本子（己卯本、甲戌本、蒙府本等）：在 scripts/distill_structure.py 顶部 SOURCES 注册表加一行即可，--source <id> [--desc <来源说明>] 直接调用。
• 庚辰本特例：64/67 回缺文，骨架表自然缺行（77 行而非 80 行），总览行「收录回数」如实记录；判词区抽取不受影响。
• 汇校本特例：汇评层为诸本批语并置，回前/回末总评归属判定须逐条标注来源本（不得整体归立松轩），异体字按戚序本映射表归一。

NLP 四表数据层（Level1 已就位集成）

本技能除「模式一·从底本文本蒸馏」外，另支持直接消费已算好的 NLP 专项 CSV（吴梦达团队 2026-09-27 批次），跳过原始文本重解析，在其上叠加七类结构产物——四张表＝Level1 数据层，本档案＝Level2 结构层。

四表字段定义、字符集、跨表映射见 references/nlp-data-dictionary.md（数据契约）：

核心集成脚本：
- scripts/fuse_nlp_baseline.py —— 读取四张 CSV，即时计算并产出 戚序本80回_结构基线档案_NLP融合版.md（五卷结构／冲突峰值 TOP10／判词伏笔闭环收口表／人物弧光 TOP15／支系勾连共现 TOP12／命运收口关键词，全部数字可复现）。
- 用法：python scripts/fuse_nlp_baseline.py（四表须置于 BASE 目录，默认 戚序本_ocr_temp\_nlp\，可改脚本内 BASE）。

实测印证（融合结论）：
- 卷二均值密度 4.91 ＞ 卷一 3.98，由密度梯度自然支撑五卷边界（40/41），不必纯硬编码。
- 第5回锚定 13/19 ≈ 68% 判词伏笔；外溢锚点仅第1/13/21/22回。
- 第80回密度 9.5 ＝ 前80回与盐署本后28回的接缝叙事断点（美香菱屈受贪夫棒）。
- 宝玉为人物共现网络中枢（与贾母/凤/王夫人/宝钗/黛玉均 ≥62 回同现）。

异体归一 P0（强制）：冲突密度表用简体，其余三表用繁体——跨表人物对位前须按 qixuben-baseline-conventions.md 的 115 组映射归一，否则统计全面失真。

When to Use

• 用户要生成「戚序本前八十回结构基线档案」（回目体系／五卷节奏／情节单元／人物弧光／判词伏笔／支系勾连／总评结构）。
• 用户要把前八十回的结构骨架对齐到盐署本后二十八回，做 108 回合成前的前八十回基准面。
• 用户要分析某回／某卷在五卷结构中的位置、某人物在前八十回的弧光起点、某判词在八十回内的伏笔布设与收口位置。
• 用户要校验盐署本后二十八回与前八十回的"伏笔闭环／支系勾连"是否对位（须先有本档案作基准）。
• 用户要产出"达哥五维评估框架"所需的前八十回结构性数据（叙事流／情节单元／人物弧光／伏笔闭环／支系勾连）。
• 用户要蒸馏庚辰本／脂评汇校本等其他脂批本的结构基线（--source gengchenben／huixiaoben），或拿到真实 OCR 全文需要先归一化（模式〇）。
• 用户要做跨本对位：庚辰本 vs 戚序本回目异文、批语形态对照、结构指标差异（模式四）。
• 用户要校验脂批基因库 JSON-LD 数据集（92 条编码等）的自洽性，或核对「说明文档 vs 数据本体」的一致性（模式五）。

核心能力（七类结构产物）

蒸馏萃取产出 七类结构产物，逐类对应五维评估口径：

> 第5回判词系统为伏笔闭环的总目录——所有后二十八回要闭合的命运节点，其"预制"都在第5回。本档案须把每条判词在八十回内的"已布设／未布设／半收口"显式标注，作为盐署本收口二审的前八十回基准对照表。判词原文与曲牌锚点见 references/judgment-poems.md。

与下游 Skill 衔接

协作路由：凡涉前八十回结构问题，先调本 Skill 产出基线档案；涉及后二十八回收口 → 转 yuxi-reconstruction；涉及脂批真伪 → 转 zhipi-gene-library；涉及时间轴 → 转 honglou-suyuan。

Execution Logic

模式一：生成前八十回结构基线档案（主交付）

1. 取底本：调用 shidianguji-extract 取戚序本前八十回四色分层 DOCX → Agent 归一化为带标记 MD（契约见上）。
2. 跑脚本：python scripts/distill_structure.py --in <归一化MD> --out <输出目录>。脚本确定性产出：
   - qixuben_结构基线档案.md（七类产物全录，含 80 行骨架表）
   - qixuben_结构基线档案.xlsx（可计算数据表：回次／回目／卷／情节单元／人物弧光／伏笔／支系／总评要点／字数）
   - qixuben_第5回判词区.md（第5回判词原始区＋曲牌锚点定位，供 Agent 对齐 references/judgment-poems.md）
3. Agent 填分析列：脚本只做确定性切分与骨架生成；情节单元／人物弧光／伏笔／支系四列为 Agent 基于叙事理解填写（脚本留空或填"待填"），按 assets/baseline_template.md 范式。
4. 判词闭环标注：Agent 以 references/judgment-poems.md 为基准，逐条判词标注"布设回／半收口回"，生成"前八十回判词伏笔对照表"。
5. 五维对齐校验：按 references/distillation-workflow.md 的"五维映射表"逐项核对，输出前八十回五维结构性结论。

模式二：单回／单卷结构蒸馏

1. 指定回次（如「第41回」）或卷（如「卷二」）。
2. 脚本抽取该回／卷的回目、总评、正文，Agent 蒸馏该回在五卷结构中的位置、情节单元、人物弧光增量、新增／收口伏笔。
3. 输出：单回结构卡（回目＋情节单元＋人物弧光＋伏笔布设／收口＋总评要点）。

模式三：与后二十八回合成校验（108回基准面）

1. 本档案作"前八十回基准面"，与 yuxi 的"后二十八回收口二审"对接。
2. 以判词伏笔闭环表为对照，验证后二十八回是否在第5回预制节点上收口（存在性＋归属精度）。
3. 输出：前八十回—后二十八回伏笔对位总表（预制／收口／错位三项）。

模式四：跨本对位蒸馏（v1.2 新增）

1. 分别对注册表内多个本子跑蒸馏（--source 区分），得各本结构基线档案（<source_id>_结构基线档案.md）。
2. 跨本对位三层：
   - 回目异文对照：逐回比对本子间回目上下句（如庚辰本 vs 戚序本第64/67回配补回目），登记异文并标系统归属；
   - 结构指标对照：逐回正文字数／五卷密度／总评覆盖回集合的差异（戚序本后40回总评膨胀 vs 庚辰本夹批持续，为「批注载体接力」提供跨本验证）；
   - 批语形态对照：总评层／夹批层逐回有无对照表，落在立松轩落款（回41）与夹批断崖（回22/23）两个锚点上核验。
3. 输出：跨本对位表_<本A>_<本B>.md（异文／指标／形态三段），供 honglou-suyuan 谱系定位与「南北传播圈版本分歧」论证调用。

模式五：JSON-LD 数据集机器校验（v1.3 新增）

1. 对象：脂批基因库机器可读数据集（如 盐署本V8推导_92条伏笔基因编码_JSON-LD数据集，FuBiGeneCode / RECONSTRUCTION_BLUEPRINT）——声明层（说明文档）与数据层（JSON-LD 本体）的双盲一致性，只有机器校验能兜住。
2. 八项校验：C1 完整性（92 条/7 类/seq 连续/无重复码）｜C2 回次约束（upstream⊆1-80／downstream⊆81-108）｜C3 显式映射计数｜C4 chapterMapping×entries 反查｜C5 校正同步检查（B-05 类「说明已改、数据未改」矛盾）｜C6 断链警报登记｜C7 锚批对位｜C8 counts 计数。
3. 语义陷阱：mappedToGeneCodes＝有映射的锚批条数（12−3 断链＝9），非被映射基因码数（多对多 25 唯一码）。
4. 用法：python scripts/validate_jsonld.py --json <数据集> [--out <报告.md>]。v1.4 实测 7/8（C5 FAIL＝entries.B-05 未同步校正的真实 P1）。

脚本自检

python scripts/distill_structure.py --selftest 用内置微型样本跑通全管线，无需真实底本即可验证脚本不崩、产物格式正确。

Resources

• references/distillation-workflow.md — 蒸馏萃取工作流详解：七类产物定义、五维映射表、Agent 填写范式、诚实标注纪律
• references/judgment-poems.md — 第5回判词系统完整基准：正册十二钗判词＋副册香菱＋又副册晴雯／袭人＋红楼梦十二曲曲牌与首句＋收尾飞鸟各投林，附八十回内布设／半收口锚点提示
• references/qixuben-baseline-conventions.md — 戚序本特异性约定：八卷八十回分卷、四色分层、立松轩／脂砚斋归属、异体字映射表（P0，115组节选）、后四十回无夹批铁律
• references/nlp-data-dictionary.md — NLP 四表数据字典（数据层契约）：四张专项 CSV 字段定义、字符集、跨表异体归一、七类产物映射、复现命令
• references/normalization-recipes.md — 归一化配方集（v1.3）：LCMapString 繁简归一／自举字形归一（214条映射判据）／多区段章头定位三件套／JSON-LD 语义陷阱，均含现象→根因→方案→代码
• scripts/distill_structure.py — 确定性切分＋骨架生成＋第5回判词锚定＋MD/XLSX 导出（纯标准库＋openpyxl 可选）；--source <id>／--desc 多本子参数（qixuben/gengchenben/huixiaoben 及扩展）
• scripts/normalize_ocr_text.py — OCR 原文归一化（模式〇）：【第N回】→ ## 第N回 真回目，三型章头版式兼容，--fallback 目验兜底
• scripts/fuse_nlp_baseline.py — NLP 四表融合生成器：读取四张 CSV 即时计算并产出 戚序本80回_结构基线档案_NLP融合版.md（数据级融合引擎）
• scripts/validate_jsonld.py — JSON-LD 数据集八项机器校验器（模式五，v1.3 收编）：--json <数据集> [--out 报告] [--b05-expected 词1 词2]；v1.4 数据集实测 7/8 PASS（C5＝B-05 未同步 P1，数据层待裁定非校验器缺陷）
• assets/baseline_template.md — 结构基线档案产出范式模板（七类产物＋骨架表＋判词对照表＋五维结论）

Notes

• 本技能是前八十回结构侧的支点，与 yuxi（后二十八回重构）互补：yuxi 解"后二十八回如何闭合"，本技能解"前八十回预制了什么骨架"。
• 蒸馏的可证伪性：任何"判词伏笔"标注都须回底本第5回原文与八十回内文核实；标注为"半收口"者须给出具体回次证据，不得笼统。
• 异体字归一（P0）是统计与切分的前提——脚本内置 115 组映射节选，完整版见 _mdnes/var_map.py（与下游 mdnes-9d 共用）。
• 与 zhipi-gene-library 协同：本档案的"总评结构"层只做覆盖与主题聚类，不做真伪归因；真伪归因归 zhipi。
• 底本切分／繁简归一／异体字处理遇坑先查 references/normalization-recipes.md（配方集），同类问题勿二次踩坑。

学术验证状态说明

本 Skill 产出的"前八十回结构基线档案"基于戚序本（立松轩本，1768）底本与吴梦达团队的结构读法，属研究辅助工具。第5回判词文本为通行定本，结构读法（伏笔布设／半收口）为团队学术假说，尚未见《红楼梦学刊》《明清小说研究》等核心期刊同行评议；使用时须结合传统文献考据交叉验证。