tiny-corpus-workbench

边做边学：文档处理入门

一份原始文档，怎么变成可追溯的"已准备修订版"？先看原理，再到本地可视化工作台里亲手试一遍。

在语料库被拿去搜索、排序、生成之前，文档处理已经发生了。那些下游 任务当然有用，但不是本项目的主题。这门课追问的是一个更早的问题： 手里是什么文档？怎么准备出来的？哪些证据能说明这个过程？

课程到"已准备修订版"为止。不涉及分块、嵌入、索引、检索、生成， 也不涉及 RAG 评测。

先看一条完整的生命周期

原始来源
  -> 捕获来源 + 提取视图
  -> 规范的 DoclingDocument
  -> 基于证据的诊断
  -> 人的明确决策
  -> 不可变的已准备修订版
  -> 语料库检查

命令行和工作台，是同一套本地生命周期的两种入口。命令行完整精确， 工作台是练习场——先帮你理解每个阶段在干什么，再去看详细记录。 两个入口共享同一份数据，不会搞出两套生命周期。

每个阶段只回答一个问题

阶段	问什么	产出什么	不管什么
观察	收到了什么、提取出了什么？	捕获来源、提取视图，可能还有一份规范文档。	不诊断，不改文档。
诊断	哪些固定规则命中了？	带有专属证据的发现项。	不说"可以改"。
修订	有什么受支持的改法，接不接受？	先有提议，再有人的明确决定。	不偷偷编辑。
修订版	批准后产生了什么？	一个不可变的后继版本，带历史记录。	不覆盖原始文档。
检查语料库	声明的这些成员之间有什么规律？	聚合证据，不含原文。	不发现新文件，不改成员。

整个课程就靠两个概念撑起来：

• 证据 —— 程序观察或计算出来的东西。
• 决策权 —— 要不要改，是人说了算。

程序不改任何东西，也能产出有用的证据。人拒绝一个提议，证据还在。 正因为两者分得开，生命周期跑很多轮也不会乱。

学习路径

1. 为语料库准备文档搞清楚准备流程的边界在哪、要回答哪些问题。2. 捕获并提取来源固定下来，两个提取视图比一比——不分胜负。3. 检查并诊断用固定规则和证据描述问题，但不碰文档。4. 决策并修订把受支持的提议变成明确的批准或拒绝。5. 检查语料库看一个明确的来源和修订版集合的汇总证据。6. 演练完整生命周期在工作台里从头到尾走一遍，把前面的概念串起来。

开始之前

以下课程假设仓库已经装好，Python 虚拟环境处于激活状态。先确认 corpus --help 能跑通，再从第一课开始。前四个练习用的是项目自带的 Markdown 示例，不需要 PDF 模型。

练习时如果想从头来过，开一个临时工作区：

LESSON_WORKSPACE="$(mktemp -d)"
corpus workbench --workspace "$LESSON_WORKSPACE" --no-open

命令会打印一个本地地址，浏览器打开就行。练完了在终端按 Ctrl-C。 第一课不从操作开始，先把概念讲清楚。