第 5 课
检查语料库
语料库，就是一份明确列出来的本地成员清单。不扫描目录、不跟踪 URL、 不读标准输入、不自动发现文件、不改任何东西。规范文件里写清楚了： 哪些来源、哪些已验证的批准修订版，属于这次检查。
学完这一课
你要搞懂：语料库检查把问题从"一个文档怎么了"升级到"这些文档之间有 什么规律"、为什么成员得是明确列出来的、以及怎么读完整/部分结果 ——而不是把它当隐藏的质量打分。
从一个文档，到多个文档的模式
文档准备问的是"这个文档发生了什么？"语料库检查问的是"在这份明确 列出的成员集合里，能看到什么规律？"答案是汇总报告，不是对单个文档 记录的替代。
语料库检查聚合的是不含原文的证据。静态报告可以按类别、格式、规则、 严重程度来汇总：成员状态、提取差异、发现项、修订版历史。它帮你问 这类问题：
- 哪些文档格式出现了某个条件？
- 哪些提取器之间差异最频繁？
- 哪些已批准修订版在里面？
- 检查是完整、部分还是失败？
报告不会复制修订中的决策权，也不会塞进原文片段或推荐修改。
成员清单为什么必须明确
明确的语料库规范，逐个列出成员及其本地来源。这样集合本身也变得可查 ——谁在里面、谁不在，一眼就知道。之后同一个目录里多出什么文件， 不会悄悄混进来。
修订版也遵循同样的原则。语料库里列的某个修订版，只有它关联的修订、 诊断和基础证据一起验证通过，才能被纳入。被拒绝的修订是有用的决策 证据，但它不是已准备修订版，不能当修订版放进去。
完整和部分，各是什么意思
项目里固定的语料库示例包含 PDF 成员。要完整运行，得有本地 Docling 模型。没模型的时候，非 PDF 成员仍然可以产出有效的 PARTIAL 语料库记录——意思是报告诚实地描述了一个不完整的已声明集合。
列出的修订版无效就不同了：直接停止发布，不会降级成部分结果， 因为请求的证据关系本身靠不住。两种情况要分清：
| 结果 | 含义 |
|---|---|
COMPLETE | 所有已声明成员都得到了可用结果。 |
PARTIAL | 报告既记录了可用成员，也记录了成员级别的失败。 |
| 发布失败 | 请求的输入或证据关系本身无效。 |
这些状态都不说明语料库"好不好"、适不适合下游任务。它们只描述 这次检查能确定到什么程度。
用命令行和工作台一起练
先下载本地 Docling 模型，再检查质量语料库：
docling-tools models download layout tableformer \
--output-dir .cache/docling/models
corpus inspect fixtures/corpus/quality-corpus.json \
--docling-artifacts .cache/docling/models工作台保持打开，点刷新工作区。刷新会发现命令行在工作台启动之后 发布的记录，不会重新跑观察、诊断或语料库检查。
在语料库列表里选刚才发布的语料库。中央区域看总量和成员证据， 检查器看摘要、证据和产物。语料库视图没有文档阶段导航器——因为它 回答的是多个成员的问题，不是一个文档的生命周期。
记住
语料库检查让已声明的集合变得可查。它汇总的是已有证据，不会去发现 集合、修改成员，也不会替代单个文档的证据。
下一课：演练完整生命周期。