@furongjun1999/dsh-memory 0.4.11 → 0.5.1

package/md_cg/routing.py

@@ -1,366 +1,394 @@
-# -*- coding: utf-8 -*-
-"""md 认知图 · 路由键归一化（风险1）
-
-普查结论（wisdom-book-cloud-new.db, 3048 节点）：
-  - 原始 condition_space 四元组作分桶键 → 3037 桶 / 3048 节点，99.9% 单例桶。
-    根因：observation_position 实际格式是「<域> 知识点（<实例名>）」，把节点特有的
-    实例名嵌进了条件字段，3033 种取值 ≈ 唯一。按它分桶 = 一节点一桶，查询侧
-    构造不出精确匹配的情境 → 命中率≈0，召回归零（比退化成全量更糟）。
-  - observation_tool(93% 集中) / existence_constraint(95% 集中) 去掉 position 后
-    塌缩成单个巨桶。
-  - time_window 实测仅 3 种取值，进哈希键是纯噪声。
-  - tags 的 domain: 标签 → 95 桶 / 最大桶 5.4% / 期望扫描 1.8%，是唯一健康的键。
-
-因此路由键 = 归一化提取的「域」，而非四元组哈希。写入侧与查询侧共用本模块，
-保证两侧同构（风险2 的前提：查询构造的键必须与写入键落在同一空间）。
-"""
-import math
-import re
-import hashlib
-import unicodedata
-
-# observation_position 的实例名尾巴：「知识点（xxx）」「概念（xxx）」等
-_INSTANCE_TAIL = re.compile(
-    r"\s*(知识点|概念|条目|卡片|节点|规律|定理|公式)\s*[（(].*?[)）]\s*$"
-)
-# 骨架填充类后缀：「高中物理知识点内容（按骨架填充）」→「高中物理」
-_SKELETON_TAIL = re.compile(r"(知识点)?内容\s*[（(]按骨架填充[)）]\s*$")
-
-ORPHAN = "orphan"
-
-
-# 生效条件：raw 为真值时按 NFKC 归一化并 strip，最多 3 轮剥离 _INSTANCE_TAIL（无变化即停）、再剥 _SKELETON_TAIL、空白转下划线后返回；raw 为假值（None/空串）或处理后为空串时返回 ORPHAN。
-def normalize_domain(raw: str) -> str:
-    """把自由文本的域描述归一化成稳定的短键。
-
-    「工程学 知识点（内力与截面法）」        → 工程学
-    「高中物理知识点内容（按骨架填充）」      → 高中物理
-    「数学分析知识点内容（按骨架填充） 知识点（贝塞尔不等式）」 → 数学分析
-    """
-    if not raw:
-        return ORPHAN
-    s = unicodedata.normalize("NFKC", str(raw)).strip()
-    # 反复剥离实例名尾巴（可能叠加两层，见上面第三个例子）
-    for _ in range(3):
-        new = _INSTANCE_TAIL.sub("", s)
-        if new == s:
-            break
-        s = new.strip()
-    s = _SKELETON_TAIL.sub("", s).strip()
-    s = re.sub(r"\s+", "_", s)
-    return s or ORPHAN
-
-
-# 生效条件：tags 为真值时取其中首个 str(t) 以 "domain:" 开头的项，返回其前缀后内容的 normalize_domain 结果；无此标签且 condition_space 为真值时返回 normalize_domain(condition_space.get("observation_position"))（缺键即 None 归一为 ORPHAN）；tags 为假值且 condition_space 为假值时返回 ORPHAN。
-def route_key(condition_space: dict = None, tags=None) -> str:
-    """导出条件路由键。优先级：tags 的 domain: > observation_position 归一化 > orphan。
-
-    domain: 标签是显式声明的域，普查证明它分布最健康（95 桶/最大桶 5.4%），
-    所以优先。没有标签时才回退到从 observation_position 提取。
-    """
-    for t in tags or []:
-        t = str(t)
-        if t.startswith("domain:"):
-            return normalize_domain(t[len("domain:"):])
-    if condition_space:
-        return normalize_domain(condition_space.get("observation_position"))
-    return ORPHAN
-
-
-# 生效条件：key 等于 ORPHAN 时原样返回 ORPHAN；否则返回 "cond_" + 把 key 中非[\w中文-]字符替换为下划线并截前 24 字符的串 + "_" + key 的 sha256（utf-8）前 8 位十六进制。
-def bucket_dir(key: str) -> str:
-    """路由键 → 目录名。中文键保留可读前缀 + 短哈希，避免文件系统非法字符/超长。"""
-    if key == ORPHAN:
-        return ORPHAN
-    safe = re.sub(r"[^\w\u4e00-\u9fff-]", "_", key)[:24]
-    h = hashlib.sha256(key.encode("utf-8")).hexdigest()[:8]
-    return f"cond_{safe}_{h}"
-
-
-# 14 大域代表词表（白箱第 2 篇第 5 章 + 第 3 篇第 4 章：「56 学科卡 → 14 大域
-# → 域内 KCCS」两阶段并行收敛。本表用作阶段 1 的大域并行打分依据——
-# 当 query 没有显式 context 但 query 词能落进某个大域时，先收敛到大域再查。
-#
-# 词的选取原则：覆盖白箱工程文档里出现的高频学科关键词，且不互相吞并。
-# 同一个词可以出现在多个大域（如「公式」在数学与物理都常见），这是合理的：
-# 大域并行打分阶段就是让多域同分，再由阶段 2 的 KCCS 进一步区分。
-BIG_DOMAINS = {
-    "数学":   {"数学", "算术", "几何", "代数", "微积分", "概率", "统计", "集合", "矩阵",
-              "线性", "拓扑", "数论", "公式", "定理", "证明", "函数", "导数", "积分",
-              "极限", "方程", "不等式", "贝塞尔", "二分", "素数", "微元"},
-    "物理":   {"物理", "力学", "电磁", "光学", "热学", "量子", "相对论", "能量", "动量",
-              "质量", "速度", "加速度", "电荷", "电压", "电流", "沸点", "海拔",
-              "大气压", "压强", "温度", "牛顿", "惯性", "引力"},
-    "化学":   {"化学", "元素", "分子", "原子", "化合物", "反应", "酸", "碱", "盐",
-              "氧化", "还原", "有机", "无机", "离子", "键", "浓度", "溶液"},
-    "生物":   {"生物", "细胞", "基因", "蛋白质", "酶", "光合", "呼吸", "植物", "动物",
-              "进化", "免疫", "神经", "细菌", "病毒", "代谢", "染色", "分裂"},
-    "计算机": {"计算机", "算法", "数据结构", "编程", "代码", "软件", "网络", "数据库",
-              "系统", "排序", "递归", "图论", "哈希", "索引", "查询", "排序", "锁",
-              "事务", "内存", "进程", "线程"},
-    "语言":   {"语言", "中文", "英文", "语法", "词汇", "语义", "修辞", "文学", "写作",
-              "阅读", "拼音", "字", "词", "句"},
-    "历史":   {"历史", "朝代", "战争", "文明", "政治", "经济史", "文化史", "古代",
-              "近代", "现代", "王朝", "革命", "改革"},
-    "地理":   {"地理", "地形", "气候", "人口", "城市", "国家", "地图", "板块",
-              "洋流", "经度", "纬度", "海拔带", "流域"},
-    "艺术":   {"艺术", "绘画", "音乐", "雕塑", "电影", "设计", "色彩", "构图",
-              "旋律", "节奏", "摄影"},
-    "经济":   {"经济", "市场", "金融", "货币", "投资", "股票", "债券", "GDP",
-              "通胀", "财政", "税收", "供需"},
-    "心理":   {"心理", "认知", "情感", "记忆", "学习", "性格", "行为", "意识",
-              "动机", "人格", "焦虑"},
-    "医学":   {"医学", "疾病", "治疗", "药物", "诊断", "外科", "内科", "儿科",
-              "中医", "症状", "病理", "处方"},
-    "工程":   {"工程", "建筑", "结构", "材料", "机械", "电子", "土木", "桥梁",
-              "内力", "截面", "梁", "柱", "应力"},
-    "通用":   {"常识", "生活", "日常", "通用", "礼仪", "礼貌", "文明", "规则"},
-}
-
-
-# 生效条件：terms 为真值时对 BIG_DOMAINS 每个大域统计命中词数，最高分为 0 或 terms 为假值（None/空）时返回 None，否则返回最高分大域名（并列取 BIG_DOMAINS 迭代序首个最高分）。
-def big_domain_classify(terms) -> str | None:
-    """阶段 1：14 大域并行打分 → 收敛到 top-1。
-
-    terms 是 expand_query_terms 返回的扩展词集合。
-    大域打分 = query 词命中大域代表词的次数（多词同域累加）。
-    并行在认知结构意义上：即使底层串行计算，14 个大域同时独立评估。
-
-    返回最匹配的大域名（多个 0 分 → 返回 None，走原 bucket_dir 路由）。
-    """
-    if not terms:
-        return None
-    scores = {}
-    for d, vocab in BIG_DOMAINS.items():
-        scores[d] = sum(1 for t in terms
-                        if any(w in t or t in w for w in vocab))
-    best = max(scores.items(), key=lambda x: x[1])
-    if best[1] == 0:
-        return None
-    # 多大域并列最高分时，按字典序取第一个稳定结果（避免浮点不确定）
-    return best[0]
-
-
-# 生效条件：terms 为假值（None/空）时返回 {每个 BIG_DOMAINS 域: 0}；terms 为真值时返回 {大域: 该域词表命中 terms 中词的个数}。
-def big_domain_score_breakdown(terms) -> dict:
-    """暴露打分明细，便于审计与回归测试。"""
-    if not terms:
-        return {d: 0 for d in BIG_DOMAINS}
-    return {d: sum(1 for t in terms if any(w in t or t in w for w in vocab))
-            for d, vocab in BIG_DOMAINS.items()}
-
-
-# ---------------------------------------------------------------------------
-# 分级隶属度（模糊控制「隶属函数」的手写版）
-#
-# 上面的 big_domain_classify 是二值控制：`w in t or t in w` 命中即计 1。
-# 下面是同一套规则库的**分级**版本——命中程度是 0~1 的连续值，并乘 IDF：
-#   · 隶属度 membership(t, w)：完全相同 1.0；包含关系取长度比（覆盖越全越高）
-#   · IDF：一个代表词覆盖的大域越少，区分度越高（「贝塞尔」只在数学出现，
-#     权重高于「公式」这种跨域通用词）
-# 老函数保持不动 → P0/P1 基线可比性不受影响；新函数只供新路径（fuzzy）使用。
-# ---------------------------------------------------------------------------
-
-# 生效条件：term 或 word 为假值（None/空串）返回 0.0；相等返回 1.0；word 是 term 子串返回 len(word)/len(term)；term 是 word 子串返回 len(term)/len(word)；二者无包含关系返回 0.0。
-def membership(term: str, word: str) -> float:
-    """词 term 对代表词 word 的隶属度（0.0~1.0，越接近 1 越隶属）。
-
-    完全相同            → 1.0
-    term 包含 word      → len(word)/len(term)（覆盖越全越隶属）
-    word 包含 term      → len(term)/len(word)
-    无包含关系          → 0.0
-    """
-    if not term or not word:
-        return 0.0
-    if term == word:
-        return 1.0
-    if word in term:
-        return len(word) / len(term)
-    if term in word:
-        return len(term) / len(word)
-    return 0.0
-
-
-# 生效条件：无入参，恒遍历模块级常量 BIG_DOMAINS 的各域代表词表，返回 {代表词: 包含该词的域个数}。
-def _build_domain_df() -> dict:
-    """代表词 → 覆盖它的大域数（IDF 的分母）。"""
-    df = {}
-    for vocab in BIG_DOMAINS.values():
-        for w in vocab:
-            df[w] = df.get(w, 0) + 1
-    return df
-
-
-_DOMAIN_DF = _build_domain_df()
-
-
-# 生效条件：恒返回 math.log(1.0 + len(BIG_DOMAINS) / _DOMAIN_DF.get(word, 1))，即 word 在 _DOMAIN_DF 中取其覆盖域数，缺键（含任何未登记值）时按 _DOMAIN_DF.get 的默认 1 代入。
-def domain_idf(word: str) -> float:
-    """代表词的区分度权重：log(1 + 大域总数 / 覆盖它的大域数)。
-
-    只在一个大域出现的词（如「贝塞尔」）≈ log(15)=2.71；
-    14 个大域都出现的词（如「公式」）≈ log(2)=0.69。
-    """
-    return math.log(1.0 + len(BIG_DOMAINS) / _DOMAIN_DF.get(word, 1))
-
-
-# 生效条件：terms 是 dict 时以其条目（键 str(t) 以 "__" 开头者剔除、值为 float）为词权重并忽略 weights，否则以 wmap.get(t, 1.0) 为权重（weights 为假值即 None/空 dict 时 wmap 为空、全部权重取 1.0，terms 为假值则词集为空）；逐域累加「词权重 × 该词在域词表内最大（membership × domain_idf）」，权重 <=0 的词跳过，返回 {大域: round(得分, 6)}。
-def big_domain_score_weighted(terms, weights=None) -> dict:
-    """阶段 1（分级版）：14 大域并行打分，按「隶属度 × IDF」加权。
-
-    terms: 可迭代的词集合，或 {词: 权重}（expand_query_terms_weighted 的输出，
-           调用方需先剔除 "__source__" 等元数据键）。
-    weights: terms 为可迭代时的可选权重表；terms 已是 dict 时忽略。
-    返回 {大域: 得分}，得分不再是整数计数，而是连续值。
-    """
-    if isinstance(terms, dict):
-        tw = {str(t): float(w) for t, w in terms.items()
-              if not str(t).startswith("__")}
-    else:
-        wmap = weights or {}
-        tw = {str(t): float(wmap.get(t, 1.0)) for t in (terms or [])}
-    out = {}
-    for d, vocab in BIG_DOMAINS.items():
-        s = 0.0
-        for t, tw_ in tw.items():
-            if tw_ <= 0:
-                continue
-            best = 0.0
-            for w in vocab:
-                m = membership(t, w)
-                if m > 0.0:
-                    best = max(best, m * domain_idf(w))
-            s += tw_ * best
-        out[d] = round(s, 6)
-    return out
-
-
-# 生效条件：以 terms、weights 计算各域加权得分（terms 为假值时各域均为 0.0），得分为空或最高分 <= min_score（默认 0.0）时返回 None，否则返回最高分大域名。
-def big_domain_classify_weighted(terms, weights=None, min_score: float = 0.0):
-    """阶段 1（分级版）收敛到 top-1；全部低于 min_score → None。"""
-    scores = big_domain_score_weighted(terms, weights)
-    if not scores:
-        return None
-    best = max(scores.items(), key=lambda kv: kv[1])
-    if best[1] <= min_score:
-        return None
-    return best[0]
-
-
-# 生效条件：a 或 b 为假值（None/空串）返回 0.0；相等返回 1.0；a 是 b 子串返回 len(a)/len(b)；b 是 a 子串返回 len(b)/len(a)；否则按二者二元组字符集合的 Jaccard 返回 len(ga & gb)/len(ga | gb)，任一集合为空（如单字符键）时返回 0.0。
-def domain_similarity(a: str, b: str) -> float:
-    """两个归一化域键的相似度（0~1）：相同 1.0；包含取长度比；否则二元组 Jaccard。
-
-    「计算机科学」vs「计算机」→ 0.6（包含）；「高中物理」vs「物理」→ 0.5；
-    完全无关 → 0.0。用于 fuzzy 路径的「大域亲和」打分。
-    """
-    if not a or not b:
-        return 0.0
-    if a == b:
-        return 1.0
-    if a in b:
-        return len(a) / len(b)
-    if b in a:
-        return len(b) / len(a)
-    ga = {a[i:i + 2] for i in range(len(a) - 1)}
-    gb = {b[i:i + 2] for i in range(len(b) - 1)}
-    if not ga or not gb:
-        return 0.0
-    return len(ga & gb) / len(ga | gb)
-
-
-# 生效条件：counts 各值之和为 0（含空 dict 与全 0 计数）时返回 {'ok': True, 'reason': 'empty', 'buckets': 0}；否则在最大桶占比 >30%、桶数 >1 且单例桶占比 >50%、期望扫描 >30% 中命中的项写入 problems，返回含 ok(=problems 为空)、buckets、nodes、max_bucket_share、singleton_ratio、expected_scan、problems 的 dict。
-def bucket_health(counts: dict) -> dict:
-    """分区健康度自检。分桶键一旦退化（巨桶或碎片化），条件路由就是纸面收益，
-    必须在写入侧就能发现，而不是等召回变差才回头查。
-
-    counts: {bucket_dir: node_count}
-    """
-    n = sum(counts.values())
-    if not n:
-        return {"ok": True, "reason": "empty", "buckets": 0}
-    nb = len(counts)
-    top = max(counts.values())
-    singles = sum(1 for v in counts.values() if v == 1)
-    # 期望扫描占比：随机取一节点的情境去路由，命中桶的期望大小占全库比例
-    expected_scan = sum(v * v for v in counts.values()) / n / n
-    problems = []
-    if top / n > 0.30:
-        problems.append(f"巨桶：最大桶占 {top / n:.1%}（>30% 视为分区失效）")
-    if nb > 1 and singles / nb > 0.50:
-        problems.append(f"碎片化：单例桶占 {singles / nb:.1%}（>50% 说明键含实例级字段）")
-    if expected_scan > 0.30:
-        problems.append(f"路由无效：期望扫描 {expected_scan:.1%}（接近全量）")
-    return {
-        "ok": not problems,
-        "buckets": nb,
-        "nodes": n,
-        "max_bucket_share": top / n,
-        "singleton_ratio": singles / nb if nb else 0.0,
-        "expected_scan": expected_scan,
-        "problems": problems,
-    }
-
-
-# ---------------------------------------------------------------------------
-# 节点侧大域标签（S1 大域先验收敛的前置元数据）
-#
-# 为何需要：`big_domain_classify` 一直只作用于 **query 侧**（terms），节点侧没有域字段，
-# 于是「14 大域并行打分」算完只能写进 meta（审计偏差 4：先验算出来却当成报告）。
-# 要让大域先验真正参与候选收敛，节点必须在写入时固化自己的域。
-# 口径：与查询侧同一个分类器（BIG_DOMAINS + big_domain_classify），保证两侧同构。
-# ---------------------------------------------------------------------------
-
-# 域词取词：中文（≥2 字）与拉丁词（≥2 字）。词表命中用「包含关系」判定，
-# 故 2 字以上的切口足以覆盖 1~4 字代表词（如「工程」命中「工程师」）。
-DOMAIN_TERM_RE = re.compile(r"[\u4e00-\u9fff]{2,}|[A-Za-z][A-Za-z0-9_]{1,}")
-
-
-# 生效条件：text 为假值（None/空串）时返回 []；否则以 DOMAIN_TERM_RE 取词、按出现顺序去重后返回，
-# 最多 limit 个（limit 为假值/负数时按空处理，返回 []）。
-def domain_terms(text, limit: int = 400) -> list:
-    """从节点正文/标题抽「域词」（供 big_domain_classify 使用）。
-
-    只做最小分词：中文按 ≥2 字连续片段、拉丁按 [A-Za-z][A-Za-z0-9_]+ 取词；
-    去重保序，最多 limit 个（默认 400，避免长文把分类器拖慢）。
-    """
-    if not text or not limit or limit < 1:
-        return []
-    out, seen = [], set()
-    for m in DOMAIN_TERM_RE.finditer(str(text)):
-        w = m.group(0)
-        if w in seen:
-            continue
-        seen.add(w)
-        out.append(w)
-        if len(out) >= limit:
-            break
-    return out
-
-
-# 生效条件：bucket 为假值或等于 ORPHAN 时返回空串；否则去掉 "cond_" 前缀、并当末段为 8 位十六进制哈希时剥掉该段，返回剩余的可读键。
-def bucket_key_readable(bucket: str) -> str:
-    """桶目录名 → 可读键（S1b query 侧桶推断用）：'cond_感知系统_d94e90d2' → '感知系统'。
-
-    与 `bucket_dir` 互逆（丢哈希段）；`orphan`/空值返回空串（S1b 不把 orphan 当键，orphan 恒作兜底）。
-    """
-    if not bucket or bucket == ORPHAN:
-        return ""
-    s = str(bucket)
-    if s.startswith("cond_"):
-        s = s[len("cond_"):]
-    head, sep, tail = s.rpartition("_")
-    if sep and len(tail) == 8 and all(c in "0123456789abcdef" for c in tail):
-        s = head
-    return s
-
-
-# 生效条件：text 为假值或取不到任何域词时返回 None；否则返回 big_domain_classify(domain_terms(text))
-# 的结果（无有效域信号时亦为 None，调用方据此决定是否落域字段）。
-def classify_text(text, limit: int = 400):
-    """正文 → 大域名（节点侧域标签真源）。与查询侧共用 big_domain_classify。
-
-    返回 None 表示「无有效域信号」——此时**不写** big_domain 字段，
-    该节点留在 ORPHAN/兜底池（S1 收敛时必须能被兜底召回，见契约 §3 S1 不变量）。
-    """
+# -*- coding: utf-8 -*-
+"""md 认知图 · 路由键归一化（风险1）
+
+普查结论（wisdom-book-cloud-new.db, 3048 节点）：
+  - 原始 condition_space 四元组作分桶键 → 3037 桶 / 3048 节点，99.9% 单例桶。
+    根因：observation_position 实际格式是「<域> 知识点（<实例名>）」，把节点特有的
+    实例名嵌进了条件字段，3033 种取值 ≈ 唯一。按它分桶 = 一节点一桶，查询侧
+    构造不出精确匹配的情境 → 命中率≈0，召回归零（比退化成全量更糟）。
+  - observation_tool(93% 集中) / existence_constraint(95% 集中) 去掉 position 后
+    塌缩成单个巨桶。
+  - time_window 实测仅 3 种取值，进哈希键是纯噪声。
+  - tags 的 domain: 标签 → 95 桶 / 最大桶 5.4% / 期望扫描 1.8%，是唯一健康的键。
+
+因此路由键 = 归一化提取的「域」，而非四元组哈希。写入侧与查询侧共用本模块，
+保证两侧同构（风险2 的前提：查询构造的键必须与写入键落在同一空间）。
+"""
+import math
+import re
+import hashlib
+import unicodedata
+
+# observation_position 的实例名尾巴：「知识点（xxx）」「概念（xxx）」等
+_INSTANCE_TAIL = re.compile(
+    r"\s*(知识点|概念|条目|卡片|节点|规律|定理|公式)\s*[（(].*?[)）]\s*$"
+)
+# 骨架填充类后缀：「高中物理知识点内容（按骨架填充）」→「高中物理」
+_SKELETON_TAIL = re.compile(r"(知识点)?内容\s*[（(]按骨架填充[)）]\s*$")
+
+ORPHAN = "orphan"
+
+
+# 生效条件：raw 为真值时按 NFKC 归一化并 strip，最多 3 轮剥离 _INSTANCE_TAIL（无变化即停）、再剥 _SKELETON_TAIL、空白转下划线后返回；raw 为假值（None/空串）或处理后为空串时返回 ORPHAN。
+def normalize_domain(raw: str) -> str:
+    """把自由文本的域描述归一化成稳定的短键。
+
+    「工程学 知识点（内力与截面法）」        → 工程学
+    「高中物理知识点内容（按骨架填充）」      → 高中物理
+    「数学分析知识点内容（按骨架填充） 知识点（贝塞尔不等式）」 → 数学分析
+    """
+    if not raw:
+        return ORPHAN
+    s = unicodedata.normalize("NFKC", str(raw)).strip()
+    # 反复剥离实例名尾巴（可能叠加两层，见上面第三个例子）
+    for _ in range(3):
+        new = _INSTANCE_TAIL.sub("", s)
+        if new == s:
+            break
+        s = new.strip()
+    s = _SKELETON_TAIL.sub("", s).strip()
+    s = re.sub(r"\s+", "_", s)
+    return s or ORPHAN
+
+
+# 生效条件：tags 为真值时取其中首个 str(t) 以 "domain:" 开头的项，返回其前缀后内容的 normalize_domain 结果；无此标签且 condition_space 为真值时返回 normalize_domain(condition_space.get("observation_position"))（缺键即 None 归一为 ORPHAN）；tags 为假值且 condition_space 为假值时返回 ORPHAN。
+def route_key(condition_space: dict = None, tags=None) -> str:
+    """导出条件路由键。优先级：tags 的 domain: > observation_position 归一化 > orphan。
+
+    domain: 标签是显式声明的域，普查证明它分布最健康（95 桶/最大桶 5.4%），
+    所以优先。没有标签时才回退到从 observation_position 提取。
+    """
+    for t in tags or []:
+        t = str(t)
+        if t.startswith("domain:"):
+            return normalize_domain(t[len("domain:"):])
+    if condition_space:
+        return normalize_domain(condition_space.get("observation_position"))
+    return ORPHAN
+
+
+# 生效条件：key 等于 ORPHAN 时原样返回 ORPHAN；否则返回 "cond_" + 把 key 中非[\w中文-]字符替换为下划线并截前 24 字符的串 + "_" + key 的 sha256（utf-8）前 8 位十六进制。
+def bucket_dir(key: str) -> str:
+    """路由键 → 目录名。中文键保留可读前缀 + 短哈希，避免文件系统非法字符/超长。"""
+    if key == ORPHAN:
+        return ORPHAN
+    safe = re.sub(r"[^\w\u4e00-\u9fff-]", "_", key)[:24]
+    h = hashlib.sha256(key.encode("utf-8")).hexdigest()[:8]
+    return f"cond_{safe}_{h}"
+
+
+# 14 大域代表词表（白箱第 2 篇第 5 章 + 第 3 篇第 4 章：「56 学科卡 → 14 大域
+# → 域内 KCCS」两阶段并行收敛。本表用作阶段 1 的大域并行打分依据——
+# 当 query 没有显式 context 但 query 词能落进某个大域时，先收敛到大域再查。
+#
+# 词的选取原则：覆盖白箱工程文档里出现的高频学科关键词，且不互相吞并。
+# 同一个词可以出现在多个大域（如「公式」在数学与物理都常见），这是合理的：
+# 大域并行打分阶段就是让多域同分，再由阶段 2 的 KCCS 进一步区分。
+BIG_DOMAINS = {
+    "数学":   {"数学", "算术", "几何", "代数", "微积分", "概率", "统计", "集合", "矩阵",
+              "线性", "拓扑", "数论", "公式", "定理", "证明", "函数", "导数", "积分",
+              "极限", "方程", "不等式", "贝塞尔", "二分", "素数", "微元"},
+    "物理":   {"物理", "力学", "电磁", "光学", "热学", "量子", "相对论", "能量", "动量",
+              "质量", "速度", "加速度", "电荷", "电压", "电流", "沸点", "海拔",
+              "大气压", "压强", "温度", "牛顿", "惯性", "引力"},
+    "化学":   {"化学", "元素", "分子", "原子", "化合物", "反应", "酸", "碱", "盐",
+              "氧化", "还原", "有机", "无机", "离子", "键", "浓度", "溶液"},
+    "生物":   {"生物", "细胞", "基因", "蛋白质", "酶", "光合", "呼吸", "植物", "动物",
+              "进化", "免疫", "神经", "细菌", "病毒", "代谢", "染色", "分裂"},
+    "计算机": {"计算机", "算法", "数据结构", "编程", "代码", "软件", "网络", "数据库",
+              "系统", "排序", "递归", "图论", "哈希", "索引", "查询", "排序", "锁",
+              "事务", "内存", "进程", "线程"},
+    "语言":   {"语言", "中文", "英文", "语法", "词汇", "语义", "修辞", "文学", "写作",
+              "阅读", "拼音", "字", "词", "句"},
+    "历史":   {"历史", "朝代", "战争", "文明", "政治", "经济史", "文化史", "古代",
+              "近代", "现代", "王朝", "革命", "改革"},
+    "地理":   {"地理", "地形", "气候", "人口", "城市", "国家", "地图", "板块",
+              "洋流", "经度", "纬度", "海拔带", "流域"},
+    "艺术":   {"艺术", "绘画", "音乐", "雕塑", "电影", "设计", "色彩", "构图",
+              "旋律", "节奏", "摄影"},
+    "经济":   {"经济", "市场", "金融", "货币", "投资", "股票", "债券", "GDP",
+              "通胀", "财政", "税收", "供需"},
+    "心理":   {"心理", "认知", "情感", "记忆", "学习", "性格", "行为", "意识",
+              "动机", "人格", "焦虑"},
+    "医学":   {"医学", "疾病", "治疗", "药物", "诊断", "外科", "内科", "儿科",
+              "中医", "症状", "病理", "处方"},
+    "工程":   {"工程", "建筑", "结构", "材料", "机械", "电子", "土木", "桥梁",
+              "内力", "截面", "梁", "柱", "应力"},
+    "通用":   {"常识", "生活", "日常", "通用", "礼仪", "礼貌", "文明", "规则"},
+}
+
+
+# 生效条件：terms 为真值时对 BIG_DOMAINS 每个大域统计命中词数，最高分为 0 或 terms 为假值（None/空）时返回 None，否则返回最高分大域名（并列取 BIG_DOMAINS 迭代序首个最高分）。
+def big_domain_classify(terms) -> str | None:
+    """阶段 1：14 大域并行打分 → 收敛到 top-1。
+
+    terms 是 expand_query_terms 返回的扩展词集合。
+    大域打分 = query 词命中大域代表词的次数（多词同域累加）。
+    并行在认知结构意义上：即使底层串行计算，14 个大域同时独立评估。
+
+    返回最匹配的大域名（多个 0 分 → 返回 None，走原 bucket_dir 路由）。
+    """
+    if not terms:
+        return None
+    scores = {}
+    for d, vocab in BIG_DOMAINS.items():
+        scores[d] = sum(1 for t in terms
+                        if any(w in t or t in w for w in vocab))
+    best = max(scores.items(), key=lambda x: x[1])
+    if best[1] == 0:
+        return None
+    # 多大域并列最高分时，按字典序取第一个稳定结果（避免浮点不确定）
+    return best[0]
+
+
+# 生效条件：terms 为假值（None/空）时返回 {每个 BIG_DOMAINS 域: 0}；terms 为真值时返回 {大域: 该域词表命中 terms 中词的个数}。
+def big_domain_score_breakdown(terms) -> dict:
+    """暴露打分明细，便于审计与回归测试。"""
+    if not terms:
+        return {d: 0 for d in BIG_DOMAINS}
+    return {d: sum(1 for t in terms if any(w in t or t in w for w in vocab))
+            for d, vocab in BIG_DOMAINS.items()}
+
+
+# ---------------------------------------------------------------------------
+# 分级隶属度（模糊控制「隶属函数」的手写版）
+#
+# 上面的 big_domain_classify 是二值控制：`w in t or t in w` 命中即计 1。
+# 下面是同一套规则库的**分级**版本——命中程度是 0~1 的连续值，并乘 IDF：
+#   · 隶属度 membership(t, w)：完全相同 1.0；包含关系取长度比（覆盖越全越高）
+#   · IDF：一个代表词覆盖的大域越少，区分度越高（「贝塞尔」只在数学出现，
+#     权重高于「公式」这种跨域通用词）
+# 老函数保持不动 → P0/P1 基线可比性不受影响；新函数只供新路径（fuzzy）使用。
+# ---------------------------------------------------------------------------
+
+# 生效条件：term 或 word 为假值（None/空串）返回 0.0；相等返回 1.0；word 是 term 子串返回 len(word)/len(term)；term 是 word 子串返回 len(term)/len(word)；二者无包含关系返回 0.0。
+def membership(term: str, word: str) -> float:
+    """词 term 对代表词 word 的隶属度（0.0~1.0，越接近 1 越隶属）。
+
+    完全相同            → 1.0
+    term 包含 word      → len(word)/len(term)（覆盖越全越隶属）
+    word 包含 term      → len(term)/len(word)
+    无包含关系          → 0.0
+    """
+    if not term or not word:
+        return 0.0
+    if term == word:
+        return 1.0
+    if word in term:
+        return len(word) / len(term)
+    if term in word:
+        return len(term) / len(word)
+    return 0.0
+
+
+# 生效条件：无入参，恒遍历模块级常量 BIG_DOMAINS 的各域代表词表，返回 {代表词: 包含该词的域个数}。
+def _build_domain_df() -> dict:
+    """代表词 → 覆盖它的大域数（IDF 的分母）。"""
+    df = {}
+    for vocab in BIG_DOMAINS.values():
+        for w in vocab:
+            df[w] = df.get(w, 0) + 1
+    return df
+
+
+_DOMAIN_DF = _build_domain_df()
+
+
+# 生效条件：恒返回 math.log(1.0 + len(BIG_DOMAINS) / _DOMAIN_DF.get(word, 1))，即 word 在 _DOMAIN_DF 中取其覆盖域数，缺键（含任何未登记值）时按 _DOMAIN_DF.get 的默认 1 代入。
+def domain_idf(word: str) -> float:
+    """代表词的区分度权重：log(1 + 大域总数 / 覆盖它的大域数)。
+
+    只在一个大域出现的词（如「贝塞尔」）≈ log(15)=2.71；
+    14 个大域都出现的词（如「公式」）≈ log(2)=0.69。
+    """
+    return math.log(1.0 + len(BIG_DOMAINS) / _DOMAIN_DF.get(word, 1))
+
+
+# 生效条件：terms 是 dict 时以其条目（键 str(t) 以 "__" 开头者剔除、值为 float）为词权重并忽略 weights，否则以 wmap.get(t, 1.0) 为权重（weights 为假值即 None/空 dict 时 wmap 为空、全部权重取 1.0，terms 为假值则词集为空）；逐域累加「词权重 × 该词在域词表内最大（membership × domain_idf）」，权重 <=0 的词跳过，返回 {大域: round(得分, 6)}。
+def big_domain_score_weighted(terms, weights=None) -> dict:
+    """阶段 1（分级版）：14 大域并行打分，按「隶属度 × IDF」加权。
+
+    terms: 可迭代的词集合，或 {词: 权重}（expand_query_terms_weighted 的输出，
+           调用方需先剔除 "__source__" 等元数据键）。
+    weights: terms 为可迭代时的可选权重表；terms 已是 dict 时忽略。
+    返回 {大域: 得分}，得分不再是整数计数，而是连续值。
+    """
+    if isinstance(terms, dict):
+        tw = {str(t): float(w) for t, w in terms.items()
+              if not str(t).startswith("__")}
+    else:
+        wmap = weights or {}
+        tw = {str(t): float(wmap.get(t, 1.0)) for t in (terms or [])}
+    out = {}
+    for d, vocab in BIG_DOMAINS.items():
+        s = 0.0
+        for t, tw_ in tw.items():
+            if tw_ <= 0:
+                continue
+            best = 0.0
+            for w in vocab:
+                m = membership(t, w)
+                if m > 0.0:
+                    best = max(best, m * domain_idf(w))
+            s += tw_ * best
+        out[d] = round(s, 6)
+    return out
+
+
+# 生效条件：以 terms、weights 计算各域加权得分（terms 为假值时各域均为 0.0），得分为空或最高分 <= min_score（默认 0.0）时返回 None，否则返回最高分大域名。
+def big_domain_classify_weighted(terms, weights=None, min_score: float = 0.0):
+    """阶段 1（分级版）收敛到 top-1；全部低于 min_score → None。"""
+    scores = big_domain_score_weighted(terms, weights)
+    if not scores:
+        return None
+    best = max(scores.items(), key=lambda kv: kv[1])
+    if best[1] <= min_score:
+        return None
+    return best[0]
+
+
+# 生效条件：a 或 b 为假值（None/空串）返回 0.0；相等返回 1.0；a 是 b 子串返回 len(a)/len(b)；b 是 a 子串返回 len(b)/len(a)；否则按二者二元组字符集合的 Jaccard 返回 len(ga & gb)/len(ga | gb)，任一集合为空（如单字符键）时返回 0.0。
+def domain_similarity(a: str, b: str) -> float:
+    """两个归一化域键的相似度（0~1）：相同 1.0；包含取长度比；否则二元组 Jaccard。
+
+    「计算机科学」vs「计算机」→ 0.6（包含）；「高中物理」vs「物理」→ 0.5；
+    完全无关 → 0.0。用于 fuzzy 路径的「大域亲和」打分。
+    """
+    if not a or not b:
+        return 0.0
+    if a == b:
+        return 1.0
+    if a in b:
+        return len(a) / len(b)
+    if b in a:
+        return len(b) / len(a)
+    ga = {a[i:i + 2] for i in range(len(a) - 1)}
+    gb = {b[i:i + 2] for i in range(len(b) - 1)}
+    if not ga or not gb:
+        return 0.0
+    return len(ga & gb) / len(ga | gb)
+
+
+# 生效条件：counts 各值之和为 0（含空 dict 与全 0 计数）时返回 {'ok': True, 'reason': 'empty', 'buckets': 0}；否则在最大桶占比 >30%、桶数 >1 且单例桶占比 >50%、期望扫描 >30% 中命中的项写入 problems，返回含 ok(=problems 为空)、buckets、nodes、max_bucket_share、singleton_ratio、expected_scan、problems 的 dict。
+def bucket_health(counts: dict) -> dict:
+    """分区健康度自检。分桶键一旦退化（巨桶或碎片化），条件路由就是纸面收益，
+    必须在写入侧就能发现，而不是等召回变差才回头查。
+
+    counts: {bucket_dir: node_count}
+    """
+    n = sum(counts.values())
+    if not n:
+        return {"ok": True, "reason": "empty", "buckets": 0}
+    nb = len(counts)
+    top = max(counts.values())
+    singles = sum(1 for v in counts.values() if v == 1)
+    # 期望扫描占比：随机取一节点的情境去路由，命中桶的期望大小占全库比例
+    expected_scan = sum(v * v for v in counts.values()) / n / n
+    problems = []
+    if top / n > 0.30:
+        problems.append(f"巨桶：最大桶占 {top / n:.1%}（>30% 视为分区失效）")
+    if nb > 1 and singles / nb > 0.50:
+        problems.append(f"碎片化：单例桶占 {singles / nb:.1%}（>50% 说明键含实例级字段）")
+    if expected_scan > 0.30:
+        problems.append(f"路由无效：期望扫描 {expected_scan:.1%}（接近全量）")
+    return {
+        "ok": not problems,
+        "buckets": nb,
+        "nodes": n,
+        "max_bucket_share": top / n,
+        "singleton_ratio": singles / nb if nb else 0.0,
+        "expected_scan": expected_scan,
+        "problems": problems,
+    }
+
+
+# ---------------------------------------------------------------------------
+# 节点侧大域标签（S1 大域先验收敛的前置元数据）
+#
+# 为何需要：`big_domain_classify` 一直只作用于 **query 侧**（terms），节点侧没有域字段，
+# 于是「14 大域并行打分」算完只能写进 meta（审计偏差 4：先验算出来却当成报告）。
+# 要让大域先验真正参与候选收敛，节点必须在写入时固化自己的域。
+# 口径：与查询侧同一个分类器（BIG_DOMAINS + big_domain_classify），保证两侧同构。
+# ---------------------------------------------------------------------------
+
+# 域词取词：中文（≥2 字）与拉丁词（≥2 字）。词表命中用「包含关系」判定，
+# 故 2 字以上的切口足以覆盖 1~4 字代表词（如「工程」命中「工程师」）。
+DOMAIN_TERM_RE = re.compile(r"[\u4e00-\u9fff]{2,}|[A-Za-z][A-Za-z0-9_]{1,}")
+
+
+# 生效条件：text 为假值（None/空串）时返回 []；否则以 DOMAIN_TERM_RE 取词、按出现顺序去重后返回，
+# 最多 limit 个（limit 为假值/负数时按空处理，返回 []）。
+def domain_terms(text, limit: int = 400) -> list:
+    """从节点正文/标题抽「域词」（供 big_domain_classify 使用）。
+
+    只做最小分词：中文按 ≥2 字连续片段、拉丁按 [A-Za-z][A-Za-z0-9_]+ 取词；
+    去重保序，最多 limit 个（默认 400，避免长文把分类器拖慢）。
+    """
+    if not text or not limit or limit < 1:
+        return []
+    out, seen = [], set()
+    for m in DOMAIN_TERM_RE.finditer(str(text)):
+        w = m.group(0)
+        if w in seen:
+            continue
+        seen.add(w)
+        out.append(w)
+        if len(out) >= limit:
+            break
+    return out
+
+
+# 生效条件：bucket 为假值或等于 ORPHAN 时返回空串；否则去掉 "cond_" 前缀、并当末段为 8 位十六进制哈希时剥掉该段，返回剩余的可读键。
+def bucket_key_readable(bucket: str) -> str:
+    """桶目录名 → 可读键（S1b query 侧桶推断用）：'cond_感知系统_d94e90d2' → '感知系统'。
+
+    与 `bucket_dir` 互逆（丢哈希段）；`orphan`/空值返回空串（S1b 不把 orphan 当键，orphan 恒作兜底）。
+    """
+    if not bucket or bucket == ORPHAN:
+        return ""
+    s = str(bucket)
+    if s.startswith("cond_"):
+        s = s[len("cond_"):]
+    head, sep, tail = s.rpartition("_")
+    if sep and len(tail) == 8 and all(c in "0123456789abcdef" for c in tail):
+        s = head
+    return s
+
+
+# 中文词判定：至少含一个汉字
+_ZH_RE = re.compile(r"[\u4e00-\u9fff]")
+
+
+# 生效条件：key 缺失或含汉字时返回 []；否则从 tags（保序在前）与 text 域词（domain_terms）中收集含汉字、长度≥2 的词，去重取前 limit 个返回。
+def bucket_zh_aliases(key: str, tags, text, limit: int = 6) -> list:
+    """英文桶键的中文别名（issue #33：S1b 跨语言收敛盲区的修复面）。
+
+    机理：domain_similarity 的 bigram 兜底跨语言交集恒空——英文桶键 × 中文
+    query 恒 0.0 → S1b 恒 no_key_match（真实库 91.1% 中文节点恰是设计目标场景）。
+    别名**只取节点自身内容**（tags 中文词 ∪ 正文中文域词，tags 优先），零翻译
+    依赖——unify_query/en_zh_terms 桥接已被 #33 实测排除（字级直译语义毁）。
+    键本身含中文时无跨语言问题，返回 []。
+    """
+    if not key or _ZH_RE.search(str(key)):
+        return []
+    out, seen = [], set()
+    src = [str(t) for t in (tags or [])]
+    src += domain_terms(text or "", limit=200)
+    for w in src:
+        if len(w) >= 2 and _ZH_RE.search(w) and w not in seen:
+            seen.add(w)
+            out.append(w)
+            if len(out) >= limit:
+                break
+    return out
+
+
+# 生效条件：text 为假值或取不到任何域词时返回 None；否则返回 big_domain_classify(domain_terms(text))
+# 的结果（无有效域信号时亦为 None，调用方据此决定是否落域字段）。
+def classify_text(text, limit: int = 400):
+    """正文 → 大域名（节点侧域标签真源）。与查询侧共用 big_domain_classify。
+
+    返回 None 表示「无有效域信号」——此时**不写** big_domain 字段，
+    该节点留在 ORPHAN/兜底池（S1 收敛时必须能被兜底召回，见契约 §3 S1 不变量）。
+    """
     return big_domain_classify(domain_terms(text, limit))