docs: 读标抽取现状、遗留问题和下一步；改正「三项目标全部达标」的说法

- 新增 docs/architecture/extract-status.md：指标两种读法（报告值 / 只按人工标注）、
  已确认的进展、泛化风险（Fable 过拟合评估）、P0–P3 遗留问题、找样本和建留出集的流程
- extract-eval.md、AGENTS.md、架构 SK13、evals/README.md 改正达标说法并指向新文档
- 读标召回率优化暂停，后续专项优化从 extract-status.md 接着做

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

AGENTS.md

@@ -202,5 +202,6 @@ samples/
 - 2026-11-03：请 Fable 做顾问深读参考项目的解析流水线（`docs/architecture/ref-bid-engine-analysis.md` §5），采纳五项：待确认记原因码、分块重叠和截断后对半重跑、项目基本信息逐项表态、占位符不算值、提示词规则对应原因码。发现并修复了模型输出被截断时整块条目悄悄丢失的问题。见架构 §13 SK12。
 - 2026-11-03：抽取模型定为只用 DeepSeek Flash，不再对比 Pro 和思考模式，效果靠规则和提示词优化（`docs/decisions.md` M1）。
 - 2026-11-03：S01–S10 标注集评测 v1（`docs/architecture/extract-eval.md`，工具和标注集在 `evals/`）。1,829 个标注单元由 AI 标注、逐条裁定，未经人工复核。标注类实质性条款召回 99.7% 达标；写明无效类召回 85.4%、实质性条款准确率 87.8%、资格条件准确率 38.4% 不达标，主因是规则缺陷（合并时待确认条目被并进正式条目、表后「上述……否则无效」说明认不出、模型提前收尾的静默丢失），修复清单 F1–F8 见该文 §4。每份文件实测约 1.4 元。还发现产品转换流程缺 WPS 旧版 DOC 预处理（S07 正文全是乱字）。
-- 2026-11-03：按评测修复 F1–F8，口径 Q1–Q4 按建议确认（`docs/decisions.md`）；请 Fable 当顾问审读修复，改了它指出的 7 个问题。修复后三项目标全部达标：标注类召回 99.4%、写明无效类召回 98.1%（含待确认区）、实质性条款准确率 98.4%；资格条件准确率 38% → 90%，每份文件约 1.2 元。还剩的问题见 `docs/architecture/extract-eval.md` §7.4。
+- 2026-11-03：按评测修复 F1–F8，口径 Q1–Q4 按建议确认（`docs/decisions.md`）；请 Fable 当顾问审读修复，改了它指出的 7 个问题。修掉了几个确定的缺陷（合并时假致命、输出临近上限的静默丢失、WPS 旧版 DOC 乱码、表格串行）；报告分数是在同一批样本上调、又用同一批评的，请 Fable 评估后确认有过拟合：只按人工标注算，实质性条款准确率 72%、标注类召回 98.9%，泛化未测。
-- 下一步：查标（M3）。标注集还没人工复核，建议先抽查实质性条款（S03、S06）。
+- 2026-11-03：读标召回率优化暂停。现状、遗留问题（含泛化风险）和下一步整理在 `docs/architecture/extract-status.md`；后续专项优化先建留出集（多省份、招标投标体系、扫描件）并人工标注。
+- 下一步：查标（M3）。

docs/architecture/architecture.md

@@ -860,7 +860,7 @@ S1–S4 风险最高，建议先做；S8（桌面外壳 PoC）等桌面版立项
 | SK10 | 文字层 v2 与结构识别 | 页眉页脚带（页码、各页重复的行）单独成句，不并进正文；标记写到页尾的句子，和下一页首句接续成一条要求（出处两页各一条）；最小结构识别：十进制分级编号和冒号引出的列表找上级条款，上级条款写明无效情形的，下面的条目照样认定。文字层 v1、v2 的句子编号不同，规范化 PDF 不变 | 已实现 |
 | SK11 | 待确认审计后的修正（2026-11-03） | 国动样本 73 条待确认里多数是好结果被校验误拦，逐条审计后按「规则只修真正的缺陷、不迁就模型的错误输出；模型输出不合理的改提示词」处理。**文字层 v3**：两端接竖线的横线是表格框线，不算下划线（功能表整格被误认成斜体下划线条款）；句号后紧跟的右括号、右引号并进同一句（切句 s3-v3，句子编号和 v2 不同）。**结构识别**：中文编号小节（「三、……否则投标无效」）下的 1. 2.，以冒号结尾的编号条目下的句子；依据核对沿上级链往上找。**校验**：比对引文前去掉我们自己加进输入的格式标记和〔…〕附注；不足 8 个字的短句整句复制时句末标点可省；取值核对认带量词的中文数字、同一行的单元格和评分因素标题；补「投标（响应）无效」「不能通过资格审查」「没有实质性响应」「拒收」等写法。引文最短 8 个字、编号必须对、证据要全部通过，这些不放宽。**提示词**：substantive v3、qualification / scoring / schedule / tech_param v2，统一证据规则（引文复制整句、并列多项不拆、跨页只引上一行、数字写阿拉伯数字），除实质性条款外输入改成纯文本；资格不收附件范本和价格扣除条件，日期不收合同条款，技术参数一句一条。**模型路由**：`BD_AI_MODELS` 按提示词声明的能力选模型，没配的用 `BD_AI_MODEL`。离线评测工具 `evals/run_extract.py` | 已实现 |
 | SK12 | 参考 BidEngine 的五项改进（2026-11-03） | 见 `ref-bid-engine-analysis.md` §5。**原因码**：没通过校验的结果记具体原因（`extract.FAILURES`，存在清单项 `ai_values.failures`），解析结果按原因计数（`verify_failures`），提示词规则和原因码的对照表在 `prompts/README.md`。**分块**：相邻分块重叠约 800 字；模型输出被截断（`finish_reason=length`）或不是合法 JSON 时，把分块对半重跑，最多 3 层，拆到底仍不完整的记 `output_incomplete`（以前当成「这一块没有结果」，审计发现 deepseek-flash 有输出正好停在 8192 token、整块条目悄悄丢掉的情况）。**项目基本信息**：提示词 v2，12 个字段每个都要表态 found / ambiguous / not_found，跨分块合并后分 found / absent（文件本身没写）/ needs_review（抽取有问题），记在解析结果 `info_fields`。**占位符**：「____元」「××」「（ ）」「待填」不算取值。**提示词**：substantive v4，qualification / scoring / schedule / tech_param v3，每条禁止事项对应一个原因码。三份样本的待确认：国动 4 → 2，S02 13 → 3，S06 57 → 55（S06 有 4 次对半重跑，截断的分块都救回来了） | 已实现 |
-| SK13 | S01–S10 标注集评测后的修正（2026-11-03） | 见 `extract-eval.md` §7。规则：合并时待确认条目不再「借道」正式条目（`pending_categories`），表后说明、章识别、★ 节标题、输出接近上限按截断处理、格式范本和整表概括句不收；提示词 substantive v5、qualification v4、schedule v4、tech_param v4；WPS 旧版 DOC 直接修正字体表字符集；表格按单元格切句（切句 s3-v4）。口径 Q1–Q4 见 decisions.md。三项目标（标注类召回 ≥ 99%、写明无效类召回 ≥ 90%、实质性条款准确率 ≥ 95%）全部达标 | 已实现 |
+| SK13 | S01–S10 标注集评测后的修正（2026-11-03） | 见 `extract-eval.md` §7。规则：合并时待确认条目不再「借道」正式条目（`pending_categories`），表后说明、章识别、★ 节标题、输出接近上限按截断处理、格式范本和整表概括句不收；提示词 substantive v5、qualification v4、schedule v4、tech_param v4；WPS 旧版 DOC 直接修正字体表字符集；表格按单元格切句（切句 s3-v4）。口径 Q1–Q4 见 decisions.md。报告分数有过拟合，只按人工标注算未全部达标，泛化未测，见 `extract-status.md` | 已实现 |
 
 SK11 修正前后（同一模型 deepseek-chat，即 deepseek-flash 不思考模式）的待确认数：国动 46 → 4，S02 17 → 13，S06 174 → 57；同一句被拆成多条的情况没有了。剩下的待确认多数是表格两栏或竖排文字串行（要按单元格切句才能解决）。实质性条款任务上比较了 flash 不思考、flash 思考（deepseek-reasoner）、deepseek-v4-pro：抽到的条款大体一致、互有多少，后两者慢 15～45 倍、输出 token 多 7～12 倍，没有看出明显更准；选型等标注集评测出结果再定。
 

docs/architecture/extract-eval.md

@@ -1,6 +1,6 @@
 # 读标抽取评测：S01–S10 标注集 v1（2026-11-03）
 
-> **修复后的结果见 §7**：F1–F8 和四个口径问题已经处理，三项目标全部达标。§1–§6 是修复前（base）的评测，保留作对照。
+> **修复后的结果见 §7**：F1–F8 和四个口径问题已经处理。§7 的分数是在同一批 10 份样本上调出来、又用这批样本评的，评分脚本里还有两条「按定义算对」的规则，**不能当作达标的证据**。只按人工标注算的分数、泛化风险和下一步见 `extract-status.md`。§1–§6 是修复前（base）的评测，保留作对照。
 
 > 范围：读标（M2）的五类清单抽取和项目基本信息，在 S01–S10 上的召回率和准确率。
 > 模型：DeepSeek Flash 不思考模式（决策 M1，不再对比 Pro 和思考模式）；提示词 substantive v4、qualification / scoring / schedule / tech_param v3、project_info v2；代码版本 f99bb8b。
@@ -162,6 +162,8 @@
 
 F1–F8 全部实现，四个口径按建议执行（决策 Q1–Q4）。改完先请 Fable 当顾问审读（§7.3），改了它指出的问题，再跑两轮。
 
+> **注意（同日复核）**：下表「修复后」一列，实质性条款准确率里有 320 条是评分脚本按定义算对的（★ 节、法规无效），只按人工标注算是 72.4%；标注类召回按 S02 的原标注算是 98.9%；资格、日期的准确率含 AI 裁定补标。详见 `extract-status.md` §2。
+
 ### 7.1 结果
 
 | 指标 | 目标 | 修复前（base） | 修复后（fix3） |

docs/architecture/extract-status.md

@@ -0,0 +1,155 @@
+# 读标抽取：现状、遗留问题和下一步（2026-11-03）
+
+> 用途：读标抽取的召回率优化先暂停，后续做专项优化时从这份文件接着做。
+> 评测过程和数字见 `extract-eval.md`；本文件的结论以这里为准。§7 里「三项目标全部达标」的说法要按本文 §2 的口径重新理解。
+> 依据：S01–S10 标注集评测（修复前 base、修复后 fix3），以及 Fable 顾问的两次审读（修复审读、过拟合评估），关键数字已复核。
+
+## 1. 现状一句话
+
+修掉了几个确定的缺陷，搭起了结构识别的框架。但现在的分数是在同一批 10 份样本上调出来、又用同一批样本评的，**泛化能力还没有被测过**。
+
+## 2. 指标怎么读
+
+| 指标 | 目标 | 报告值（fix3） | 只按人工标注算 | 说明 |
+|---|---|---|---|---|
+| 标注类实质性条款召回（含待确认区） | ≥ 99% | 99.4% | **98.9%**（356/360） | 看过输出后，S02 的 11 条 ★ 按口径 Q2 改成了可选；按原标注算不达标 |
+| 写明无效类召回（含待确认区） | ≥ 90% | 98.1% | 98.1% | 正式清单只有 84.7%。新增召回主要来自两处：江苏范本的「上述……否则无效」句（33 条），以及 Q4 把资格条件定义成无效 |
+| 实质性条款准确率（正式清单） | ≥ 95% | 98.4% | **72.4%**（含补标）/ 71.5%（不含） | 1,232 条里明确判错 20 条；另有 320 条靠评分脚本「按定义算对」：★ 节内 234 条（S10 占 225），资格条件法规无效 86 条。这 320 条没有人逐条核对过，真实准确率在 72%～98% 之间 |
+| 资格条件准确率 | — | 90.0% | 71.5% | 两轮 AI 裁定补了可选单元；裁定理由里有不少「拿不准」，真值在两数之间 |
+| 日期递交准确率 | — | 99.3% | 81.8% | 同上 |
+| 评分项准确率 | — | 100% | 95.4% | 同上 |
+| 技术参数准确率 | — | 98.8% | 98.3% | 同上 |
+
+「只按人工标注算」指两点：不含两轮裁定补的 117 个可选单元；评分脚本里的两条「按定义算对」规则不生效。按这个口径，可以确认达标的只有**写明无效类召回（含待确认区）**。
+
+## 3. 已经确认的进展（换任何文件都成立）
+
+| 改动 | 修掉的缺陷 |
+|---|---|
+| 合并时待确认条目不再借正式条目进清单（`pending_categories`） | S07 一份有 93 条普通技术参数被标成「致命」 |
+| 输出用到上限的 92% 按截断处理，拆到底时采用已有输出 | 模型临近上限自己收尾，S03 两页参数整段静默丢失 |
+| WPS 旧版 DOC 直接修正字体表字符集 | S07 正文全是「第第第第」，产品里根本没法用 |
+| 表格按单元格切句（s3-v4） | 多行单元格串行、竖排窄列一字一句，评分表和参数表的证据对不上 |
+| 是 / 否字段的否定词补「非」「不专门」 | 「非专门面向中小企业」8/10 份核对不通过 |
+| 「视为串通投标」算无效依据（87 号令第三十七条） | 串通情形依据校验不过 |
+| 格式范本正文（「我单位……」）不收 | 资格任务把声明函逐句抽成资格条件 |
+| 评分、标注工具：按「页码 + 片段」定位，切句变了能自动改写；有留出集就能直接用 | 以前没有可重复的评测 |
+
+## 4. 泛化风险：哪些规则是照着样本调的
+
+Fable 用样本外的写法逐条验证过，标「已验证」的是复现过的。
+
+### 4.1 道理通用、写法和阈值照样本定（换文件可能失效或误判）
+
+| 规则 | 样本外的失效写法 | 失效后果 |
+|---|---|---|
+| 章识别 `structure.chapters` | 「第1章」「第一部分」、章号和标题拆成两句、采购需求或附件放在最后（已验证：全部返回空） | 静默不跳章：召回不掉，但资格准确率退回、成本 +27%、合同章「拒绝接受」的排除失效 |
+| 资格任务跳过采购需求章 `SKIP_CHAPTERS` | 磋商文件把「供应商资格要求」写在采购需求章 | **静默漏抽，没有兜底**。10 份样本里没有一条资格标注落在被跳过的章，这条规则在样本上没付过代价 |
+| 表后说明 `trailing_notes` | 只认句首「上述 / 以上」；「注：第1～5项缺任一项投标无效」覆盖 0 行（已验证） | 漏抽 |
+| 同上，后果词含「不合格 / 拒绝」、不看章 | 需求章「以上人员须经考核，不合格的拒绝进场」（已验证） | 上方参数行全被当成无效依据，进待确认 |
+| `INVALID` 新增「不得参加 / 被拒绝 / 拒绝接受」 | 「评标委员会成员不得参加评审」「不得参加后续培训」「甲方有权拒绝接受不合格货物」（已验证） | 一般要求冒充写明无效；只排除了合同章，而且前提是章识别成功 |
+| 概括句过滤 `BLANKET` / leads | 「上述证书原件须在开标时携带，否则投标无效」本身是一条要求（已验证） | 被当成引导句丢掉，兜底也不补 |
+| ★ 节 `star_sections` | 「★1 核心交换机」被当成节标题（已验证）；后面没有同级编号时，范围最多延伸 800 句 | S10 一个标题覆盖 381 句、产出 225 条致命，没有人逐条核对 |
+| ★ 降级 `star_scored`（Q2） | 后果写在不带 ★ 的句子里（「重要技术参数负偏离超过三项的，投标无效」）（已验证） | 真正的废标 ★ 被显示成「重要」 |
+| 评标方法 `EVAL_METHOD` | 招标投标体系的「综合评估法」「经评审的最低投标价法」 | 项目信息答不出 |
+| 阈值 | 表后往回 40 句、行长 ≤ 60 字、★ 节范围 800 句、最后一章不超过一半、92% | 都是看样本定的，没有样本外依据 |
+
+### 4.2 照着答案改的
+
+- **提示词例子取自测试文件**：substantive v5、qualification v4、schedule v4、tech_param v4 的新例子，逐字来自这 10 份（如「须统一部署于市级政务云平台」「上述资格证明文件 1～6 项」「提供公安部检测报告」「5 分钟内提出疑义」）。这些条目在 10 份上的得分不能当证据，换文件前要换成虚构或别处的例子。
+- **评分脚本镜像了抽取规则**：`score.py` 里「★ 节范围内一律算对」「法规无效且碰到资格标注就算对」两条，等于用抽取规则去证明抽取规则（§2 的 320 条）。
+- **看过输出后改了标注集**：S02 的 ★ 改成可选；两轮 AI 裁定补了 117 个可选单元；标注员和裁定员是同一类模型，都没有人工复核。
+
+### 4.3 换文件后的预计（Fable 的推测，未验证）
+
+| 新文件 | 标注类召回 | 写明无效类召回 | 实质性条款准确率 |
+|---|---|---|---|
+| 同样是江苏政府采购 IT 类 | 大概率 ≥ 98%，到不到 99% 五五开（★ / 斜体下划线的兜底是通用的） | 能守住 90%（范本句一致） | **最先掉**，按人工逐条口径估 85%～90% |
+| 外省、招标投标体系 | 基本不受影响 | 掉到 80% 左右（「作废标处理」「否决投标」写法不全，章识别失效） | 掉得更多；资格准确率退到 60%～70% |
+| 扫描件 | 可能掉到 80%～90%：斜体下划线和单元格都依赖矢量信息，★ 经 OCR 常变成 * 或 ☆ | 依赖 OCR 质量 | — |
+
+## 5. 遗留问题清单
+
+按优先级排。P0 不做，后面的分数都不可信。
+
+### P0 评估体系
+
+1. **建留出集**：至少 10 份，**改代码之前选好、不看**，组成见 §6.1。代码冻结后只跑一次、出一份报告，不裁定；裁定中「标注漏了」的只记录，计为错误。
+2. **人工标注**：实质性条款和资格条件必须人工标（两项目标指标都在这里，两轮 AI 裁定已经证明偏宽）。评分、日期可以 AI 标注，再人工抽查 20%。标注员不能和裁定用同一类模型。
+3. **评分脚本拆列**：准确率分两列报：「对上人工标注」和「按定义算对」（★ 节、法规无效）。标注类召回按 S02 两种口径都报。裁定补标的单元单独计数。
+4. **10 份现有样本的标注集人工复核**：先复核实质性条款（S03、S06 最难），再把 `reviewed` 改成 true。
+
+### P1 规则改保守（防样本外误判）
+
+1. **★ 节继承来的条目**：先进 `pending_categories`，由人确认，不直接标致命。S10 一份 250 条致命，和口径 Q3「清单失去意义」的理由自相矛盾，Q1 的落地方式要重新定。
+2. **表后说明**：只在公告、须知、资格、格式这几章生效；后果词去掉「不合格」「拒绝」；支持「注：第1～5项……」这类不以「上述」开头的写法。
+3. **`INVALID`**：
+   - 「不得参加」要求同一句里带「投标」或「采购活动」；
+   - 「拒绝接受」只认主语是采购人或代理机构、对象是投标文件的写法；
+   - 按法律体系补「作废标处理」「予以废标」（招标投标体系里等于否决投标；政府采购里「废标」多指整个采购终止，不能混用）。
+4. **概括句过滤**：只在上下确实有编号列表时生效，句子本身写着具体要求的不过滤。
+5. **★ 降级**：带后果的句子里没有 ★，但提到了 ★ 的定义词（「核心技术参数」「重要技术参数」），也不降级。
+6. **章识别**：
+   - 支持「第1章」「第一部分」、章号和标题拆成两句；
+   - 认不出时计数 `chapters_unreliable`，写进解析结果；
+   - 资格任务不跳过采购需求章，或者跳过之后对采购需求章补一遍关键词扫描（「资格要求」「供应商须具备」）。
+7. **评标方法**：补「综合评估法」「经评审的最低投标价法」等招标投标体系的写法。
+8. **提示词例子**：换成虚构的，或取自留出集以外的文件。
+9. **回归测试**：把 §4.1 里每条「已验证」的反例写成单元测试。
+
+### P2 覆盖面
+
+1. **招标投标体系**：术语（招标人、否决投标）、无效写法、评标方法都没有样本，规则基本没覆盖。
+2. **扫描件**：OCR（技术验证 S5）还没做。斜体下划线、表格单元格这两条规则在扫描件上不成立，要另想办法，例如用版面分析认表格、用多模态模型认标注。
+3. **外省范本**：江苏范本的「上述……否则无效」「苏采云」写法不能当通用规则。
+4. **补遗、更正公告**：没有样本。
+
+### P3 质量细节（`extract-eval.md` §7.4）
+
+- **写明无效类在正式清单里的召回只有 84.7%**：主要卡在符合性审查表（表头在上方）和串通情形上。
+- **待确认区里只有 62% 是好结果**：噪音偏多，要结合查标阶段的处理体验再定。
+- **资格误抽**：「本项目不接受进口产品 / 分包」被当成资格条件。
+- **项目信息**：`accept_imported`、`sme_only` 各 7/10。
+- **重复条目**：同一要求在公告、须知、审查表各抽一条，查标阶段要按语义合并。
+
+## 6. 下一步建议（专项优化时）
+
+### 6.1 找样本
+
+收集时按下面的组成来，**先全部放进留出集，再从中划出一部分作为开发集**，不要反过来：
+
+| 类别 | 份数 | 要点 |
+|---|---|---|
+| 江苏政府采购 IT 类 | 4 | 含 1 份非苏采云平台、1 份竞争性磋商、1 份竞争性谈判或询价 |
+| 外省政府采购 IT 类 | 3～4 | 不同范本的省份（例如浙江「政采云」、广东、北京），优先选章节写法不同的 |
+| 招标投标体系 | 2 | 国企或工程类信息化项目（江苏省公共资源交易网「工程建设」栏目等） |
+| 扫描件 PDF | 1～2 | 盖章扫描的招标文件，用于 OCR（S5）和标注识别 |
+| 补遗 / 更正公告 | 1 | 带原文件和更正内容 |
+
+获取方式和版权处理沿用 `samples/tenders/README.md`：原文件和抽取文本不进 git，只提交清单和 `fetch.sh`。
+
+### 6.2 优化的流程
+
+1. **划分**：样本分开发集和留出集（留出集至少 10 份，§6.1 每类至少 1 份）；
+2. **标注**：留出集人工标注实质性条款和资格条件；标注规范沿用 `evals/gold/GUIDELINES.md`，先补上招标投标体系和扫描件的口径；
+3. **改代码**：只看开发集；每条新规则都配一个样本外的反例测试；提示词例子不取自留出集；
+4. **评分**：冻结代码后在留出集上只跑一次，按 §5 P0 第 3 条拆列报告，不裁定；
+5. **决定**：留出集分数没达标的，回到开发集找原因，不在留出集上改。
+
+### 6.3 先做哪几件
+
+1. P0：评分脚本拆列、10 份现有样本的实质性条款人工复核（工作量最小、能立刻看清真实水平）；
+2. P1 第 1、3、6 条：★ 节改待确认、`INVALID` 收紧、章识别补写法（误判代价最高的三条）；
+3. 收集样本、建留出集（§6.1），再开始下一轮优化。
+
+## 7. 相关文件
+
+| 文件 | 内容 |
+|---|---|
+| `docs/architecture/extract-eval.md` | 评测方法、修复前后的结果、改动清单（§7） |
+| `docs/decisions.md` | M1（只用 Flash）、Q1–Q4（实质性条款的口径） |
+| `evals/README.md`、`evals/gold/GUIDELINES.md` | 评测工具用法、标注规范 |
+| `server/src/bid_doctor/checklist/extract.py` | 抽取、校验、合并、兜底 |
+| `server/src/bid_doctor/document/pipeline/structure.py` | 章、表后说明、★ 节、上级条款 |
+| `server/src/bid_doctor/document/pipeline/text_layer.py` | 切句（按单元格） |
+| `evals/score.py` | 评分；`ok()` 里两条「按定义算对」的规则见 §4.2 |

evals/README.md

@@ -21,4 +21,4 @@ cd .. && evals/run_all.sh base && cd server
 ../.venv/bin/python ../evals/score.py base
 ```
 
-改了规则或提示词之后，换一个运行名重跑、打分，和上一次的 `summary.md` 对比。目前的基线是 `fix3`（`docs/architecture/extract-eval.md` §7）；`base` 是修复前的那一轮，用的是旧切句（s3-v3），不能拿现在的标注集重新打分。正式清单里多出来、对不上标注的条目要逐条裁定（GUIDELINES §4）。
+改了规则或提示词之后，换一个运行名重跑、打分，和上一次的 `summary.md` 对比。目前的基线是 `fix3`（`docs/architecture/extract-eval.md` §7；分数怎么读、为什么不能当达标证据，见 `extract-status.md` §2）；`base` 是修复前的那一轮，用的是旧切句（s3-v3），不能拿现在的标注集重新打分。正式清单里多出来、对不上标注的条目要逐条裁定（GUIDELINES §4）。