textmachine/eval/pkg7/README.md

eval/pkg7/ — терминологическая ресёрч-программа (полигон, пакет-7)

Инструменты фазы A. Отчёт с цифрами и вердиктами — docs/archive/reports/POLYGON_TERM_RESEARCH_A_2026-07-26.md. Всё здесь $0: ни одного вызова LLM-провайдера, ни одного чтения ключей.

Скрипт	Что делает	Заметки
split_book.py	книга → JSONL-субстрат {chapter, chunk_idx, source}	правила глав — ДАННЫЕ (RULES), добавить книгу = добавить строку; epub парсится stdlib (bs4/ebooklib в venv нет) и чистится от колонтитулов
minerharness/	вызов БОЕВОГО internal/miner из модуля ВНЕ репо	build.sh <work-dir> [commit]; replace смотрит в git archive-копию коммита, а НЕ в рабочее дерево
mine_nonhan.py	кандидаты-термы для en/ja тремя раздельными каналами	ORTHO · DISP · CONTRAST; кандзи сознательно без контраста (см. шапку)
kwic.py	KWIC-контексты вхождения	разметка по тексту, а не по памяти; --stats даёт объём контекстов для сметы
seed_recall.py	recall WHICH-канала против подписанного сида	майнер обязан гоняться с ПУСТЫМ сидом, иначе метрика вырождается
rubric_probe.py	измеримость критериев рубрики на подписанном сиде	M1 морфология (pymorphy3) · M2 транскрипция · M3 коллизии банка

Правила, выученные на своих ошибках в этом пакете

1. Пин обязателен. Харнесс replace-ит копию коммита, не рабочее дерево: параллельная бэкенд-сессия правит backend/ под руками, и прогон стал бы невоспроизводимым. Все цифры отчёта — на 996bade.
2. Ссылки файл:строка — по коммиту пина. В рабочем дереве те же якоря уже уехали; первая редакция отчёта содержала номера строк рабочего дерева.
3. Порог частоты и алфавит кандидатов — свойство ЯЗЫКА, не движка. Японские названия техник живут на частотах 2–10 и в катакане/руби; ханьский n-граммный канал их не видит вовсе.
4. Правило вершины словосочетания зависит от типа терма (у имени вершина последняя, у нарицательного — первая). Морфо-чекер без этого правила меряет не то: первая версия rubric_probe.py склоняла «Вина» в «Монах Цветочного Вина».
5. Контраст без опоры вырождается в частоту. Ранжирование кандзи против словаря другого языка даёт log частоты, а не над-представленность; канал понижен до инвентаря.
6. Отклонение методики — замерять, а не декларировать. Нарезка здесь не боевая; свип целевого размера чанка (800/2000/6000) дал Жаккар 1.000 — только после этого цифры можно было предъявлять.