docs(architecture): 完成技术验证 S1–S4，确定 FR-M2-05/06 目标值

- spikes/：Word 转 PDF（Gotenberg）、格式识别、原句坐标、DeepSeek 抽取四项验证代码与两版提示词；样本派生产物和 .env 不进 git
- tech-validation.md：完整结论。四项都可行：WPS 字体字符集要修正并改用行高调整过的字体；格式识别不需要 Docling；表格内切句待改进；抽取需第三道依据校验与规则兜底
- architecture.md：§3.5 加预处理与字体包，§3.6 证据校验改为三道，§10 回填结论
- 03 功能需求与 decisions.md（TV1）：召回 ≥ 99%、采纳准确率 ≥ 95%、页码 100%、高亮正文 ≥ 98% / 表格 ≥ 95%

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

docs/architecture/architecture.md

@@ -197,12 +197,14 @@ flowchart LR
 
 ```
 上传 → 格式识别（看文件头，不看扩展名）
-     → 转换（DOC / DOCX / WPS → PDF，用 Gotenberg + LibreOffice）
+     → 预处理（旧版 DOC / WPS 先转 DOCX；修正被错标成 SYMBOL 字符集的中文字体，见技术验证 S1）
+     → 转换（DOCX → PDF，用 Gotenberg + LibreOffice + 按宋体行高调整过的开源字体包）
+     → 转换质量检查（大段 OpenSymbol 字体、抽出的文字大量重复同一个字 → 判为转换异常，不扣点）
      → 规范化 PDF（只生成一次，存哈希，以后不再重新生成；它是出处页码的唯一依据）
      → 文字层（逐字的坐标、字体、斜体、下划线；按行、句、块切分，给出稳定编号）
      → 逐页检查覆盖：文字太少的页交给 OCR（PaddleOCR），OCR 结果并入文字层
      → 结构识别（章节、表格、分包、「标注规则说明」）
-     → 交给 ai 模块抽取 → 两道证据校验 → 并入检查清单
+     → 交给 ai 模块抽取 → 三道校验（编号、原文、依据）→ 标注类条款规则兜底 → 并入检查清单
 ```
 
 关键设计：
@@ -210,10 +212,11 @@ flowchart LR
 - **文字层是一份带编号的数据**：每一句都有编号（文档 + 页 + 序号），并记录它在原文中的字符范围和坐标框。模型只能引用句子编号；高亮时按坐标框画，直接满足「原句高亮」（FR-M2-06）。
 - **格式必须保留**：PDF 里的斜体靠字体名或字形倾斜判断，下划线靠文字下方的线条判断，加粗靠字体粗细判断。转成模型的输入时，这些格式变成文本标记（例如 `<u><i>…</i></u>`），对应样本结论 F1。DOCX 原文件里的格式信息可以用来交叉校验。
 - **PDF 库选择**：用 pypdfium2（Apache / BSD）和 pdfplumber（MIT）。**不用 PyMuPDF**，它是 AGPL 许可，或者要买商业授权。
-- **布局分析**：Docling（MIT）作为候选，在技术验证 S2 里和自研方案对比。MinerU 历史上用 AGPL 许可，选用前要核实它当前的许可证。
+- **布局分析**：S2 已验证，**不用 Docling 做主解析器**：它从 DOCX 解析能保留格式但没有坐标，从 PDF 解析有坐标但丢了格式，CPU 上 199 页要 96 秒。文字层自己从规范化 PDF 提取（格式 + 坐标都有）。Docling 的表格结构识别可以作为表格切句的候选。MinerU 历史上用 AGPL 许可，选用前要核实它当前的许可证。
+- **DOCX 交叉校验**：读 DOCX 文字时要同时读 `<w:t>` 和 `<w:sym>`（WPS 文档转换后有一部分正文是符号字符），并处理样式继承（S1、S2）。
 - **字体与页码**：Word 转 PDF 的分页取决于字体。招标文件常用宋体、仿宋、黑体，这些是商业字体，不能随镜像分发。替代字体会导致分页和用户在 Word 里看到的不同。处理办法：
-  - 出处页码统一按规范化 PDF 计，界面上说明「页码以系统转换后的 PDF 为准」。
-  - 字体替换表要测试，S1 验证偏差有多大。
+  - 出处页码统一按规范化 PDF 计，界面上说明「页码以系统转换后的 PDF 为准」。平台导出的 DOCX（例如苏采云，由 ONLYOFFICE 生成）本来就没有记录 Word 里的页数，用户看到的分页取决于他们自己的软件，所以这条是必需的。
+  - S1 结论：分页偏差的主因是行高。用 Noto CJK 克隆出行高 1.0em 的「BD Song / BD Hei」（OFL，改名后仍按 OFL 分发），加 fontconfig 替换规则，有真值的 5 个数据点偏差都在 ±3% 内；默认配置偏差 +17%～+37%。
   - 私有化时，客户如果有正版字体，可以挂载进去。
 - **沙箱**：转换服务不开网络出口，不运行宏，限制 CPU、内存和处理时长；上传入口要拦截 zip 炸弹和超大文件。
 
@@ -249,12 +252,15 @@ flowchart LR
 
 `ai_call` 表记录以下字段：租户、关联任务、任务类型、能力、供应商、模型、提示词编号、提示词版本、提示词哈希、输入哈希、输出哈希、token 数、耗时、错误类别、降级到了第几级。它既是审计依据（T1），也是成本核算和对比模型效果的数据源。**不存文档原文**：要排查问题时，凭输入哈希去对象存储里取。
 
-**两道证据校验（适用于所有 AI 结论）**
+**三道校验（适用于所有 AI 结论）**
 
 1. **编号校验**：引用的句子编号必须在本次输入的范围内，而且类型要对得上。
 2. **原文校验**：模型给出的引文，去掉空白后必须是所引句子原文的子串，允许按规则做极小的差异容忍。
+3. **依据校验**（S4 验证后新增）：模型声称的依据，用确定性信号核对。例如说是 ★ 条款，原句里就要有 ★；说是斜体下划线，原句就要有这种格式；说是「写明无效」，原句或相邻句就要有无效类字样。S4 里，不加这一道时模型会大量标错依据，采纳条目只有 36.7% 属实；加上后是 95.2%。
 
-两道都通过，结论才能进正式清单或成为有效的问题。没通过的，按情况降级为「待确认」或「提示」。投标文件一侧同样如此：**没有证据的结论不能判为「已响应」**。
+**标注类条款用规则兜底**：★、* 和文件声明了的斜体下划线，都能从规范化 PDF 上确定性识别出来。这类句子必须被某个条目覆盖；模型没覆盖的，系统自动生成一条「待确认」，召回不完全依赖模型。
+
+三道都通过，结论才能进正式清单或成为有效的问题。没通过的，按情况降级为「待确认」或「提示」。投标文件一侧同样如此：**没有证据的结论不能判为「已响应」**。
 
 ### 3.7 规则引擎（确定性检查）
 
@@ -752,6 +758,17 @@ docs/                  # 现有文档
 
 S1–S4 风险最高，建议先做；S8（桌面外壳 PoC）等桌面版立项时再做。
 
+**S1–S4 已于 2026-11-03 完成**，详见 `tech-validation.md`，代码在 `spikes/`。结论：
+
+| # | 结论 | 关键数字 |
+|---|---|---|
+| S1 | 可行，但要加两步：修正 WPS 错标的字体字符集，换成按宋体行高调整过的开源字体。Gotenberg 有 arm64 镜像，自带 LibreOffice 26.8.1；10 份文件都没有崩溃 | 默认配置偏差 +17%～+37%，S07 正文空白；调整后有真值的 5 个数据点都在 ±3% 内。本批样本没有含 OLE 嵌入对象的文件，未测 |
+| S2 | 可行，在规范化 PDF 上识别格式，不需要 Docling | 斜体且下划线：4 份文件按字符 100% 一致 |
+| S3 | 正文可行；表格内和页眉页脚带要改进切句 | 几何回读 300/300；文本保真：正文 97.5%，表格 78% |
+| S4 | 可行，加上第三道依据校验和规则兜底 | ★ 召回 93.5%（扣除银标准噪音后约 96.6%），斜体下划线 99.8%；采纳条目 95.2% 属实；单项抽取每份约 0.15 元（DeepSeek Flash，高峰价） |
+
+据此建议：FR-M2-05 标注类条款召回 ≥ 99%（规则兜底 + 模型），采纳条目准确率 ≥ 95%；FR-M2-06 出处页码正确率 100%，原句高亮准确率正文 ≥ 98%、表格 ≥ 95%（`tech-validation.md` §5）。
+
 ## 11. 架构决策清单
 
 | # | 事项 | 结论 | 状态 |