dsh-engramory-recall 0.5.3 → 0.6.1

package/CHANGELOG.md

@@ -3,6 +3,60 @@
 本项目的所有重要变更都记在这里。格式参照 [Keep a Changelog](https://keepachangelog.com/zh-CN/1.1.0/)，
 版本号遵循 [语义化版本](https://semver.org/lang/zh-CN/)。
 
+## [0.6.1] — 2026-10-15
+
+### 新增
+
+- **公开基准：LongMemEval-S**（`xiaowu0162/longmemeval-cleaned` 的 S 版，500 题）。
+  harness 是 `bench/longmemeval.mjs`，逐题结果随仓库发布（`bench/longmemeval-results.json`）。
+  本引擎 500 题跑 18 秒、零模型调用：RecallAny@1 86.2%、**RecallAny@5 97.0%**、
+  Recall@5（gold 覆盖率）90.7%、MRR@5 0.9056、RecallAny@10 98.2%。
+  harness 支持 `--engine unigram|bigram` 跑教科书 BM25 对照。
+- **同格式小夹具 + 测试**（`bench/fixtures/longmemeval-mini.json`、`test/longmemeval.test.mjs`，5 例）：
+  真数据集 264MB 不进 CI，夹具用四道题（英文命中 / 中文命中 / 多 gold 只找到一半 / 零字面重叠
+  必失手）守住判据与两个开关；判据被改动就红。
+
+### 说明
+
+- 在这份**英文**数据集上，本引擎与教科书 BM25 的五个指标完全相同：多出来的机制
+  （中文口语桥、标题字段加权、别名双计）在这里基本没被激活。README 里写明了这一点 ——
+  它只说明「英文词面检索不输常规写法」，不是「我们更准」的证据。
+- 与 `thoth-mem` 公布的 470 题成绩不可直接相减（题集版本与 harness 都不同）。
+
+## [0.6.0] — 2026-10-15
+
+### 新增
+
+- **同义表扩到 177 条 / 519 个值**（105 → 177）。新增的第五波是**通用技术口语**：
+  「变慢」「退不回去」「改表结构」「装不上」这类任何写中文技术笔记的人都会用的说法。
+  它和第一至四波的性质不同 —— 那几波是从一份具体的库里挖出来的（专有名词、某个人的叫法），
+  换一套词汇就大面积失效；第五波不依赖具体某个库。索引里多出 141 个键，实测体积变化在噪声量级。
+
+### 修复
+
+- **桥的碎片降权不再连键本身一起降权**：命中的同义键拆出来的碎片（单字、相邻双字）算 0.5，
+  但键本身若原样出现在查询里，照旧算满权重。原先一刀切把键本身也降到 0.5，
+  合成基准的 `verbatim` 对照组从 100% 掉到 95.1%；放开键本身后回到 98.2%，桥组没退，
+  真库的桥探针还从 9/10 变成 10/10。理由很直白：查询里原样出现的那个词是实打实的证据，
+  该降权的只是它拆出来的碎片（那些碎片在别的笔记里到处都是）。
+- **CI 上 Node 20/22 的永久 pending**：`test/llm.test.mjs` 的超时用例依赖
+  `AbortSignal.timeout` 的定时器把事件循环撑住，而那个定时器是 unref 的，
+  只有本地 Node 25 侥幸能过。测试进程现在自己留一个 ref'd 句柄。CI 自 0.5.0 起连续四次都是红的。
+
+### 文档
+
+- README 的基准数字全部换成实算值，并补上两处此前没写清的取舍（别名在合成语料里是把双刃剑；
+  碎片降权为什么不能连键本身一起降）。
+- `bench/expectations.json` 重设（查询数 683 → 704），`verbatim` 组不再要求满分（98.2%，容差 1pt）。
+
+### 基准口径（不是引擎变好，是尺子以前量错了）
+
+- 覆盖率判据从「整个英文短语有没有键」改成「这个值有没有键」：旧判据把 16 个域词判成只覆盖 5 个、
+  14 个事件词只覆盖 5 个，按值判其实是全覆盖。
+- 英文体裁的笔记改成真正的术语正文。此前正文里混着中文字面，口语查询靠碎片就能蒙中，
+  桥组样本几乎构造不出来（这也是桥组只有 11 条的原因，现在 32 条）。
+- 桥样本改为按表里**真实存在的键**抽样，而不是拿整个英文短语去查表。
+
 ## [0.5.3] — 2026-10-15
 
 ### 新增

package/README.md

@@ -71,9 +71,9 @@
 
 ### 短板
 
-- **没有公开基准**：`thoth-mem` 公布了 LongMemEval-S 470 题的成绩（RecallAny@5 432/470、
-  Recall@5 84.8%、NDCG@10 0.8165、p95 9.35ms）。本插件的探针跑在自己的库上，口径与它不可比。
-  下面那一节是自建的可复算基准，但它仍然是自建口径，别当成跨插件排名。
+- **公开基准只跑了一半**：LongMemEval-S 500 题跑出 RecallAny@5 97.0%（见下），但那只测英文词面
+  检索；`thoth-mem` 公布的 470 题版本（RecallAny@5 432/470、Recall@5 84.8%、NDCG@10 0.8165）
+  用的是别的 harness，两边数字不可相减。真正的「跨插件排名」仍然不存在。
 - **无语义检索**：没有 embedding、没有向量库。同义改写、隐含意图要靠手工同义表覆盖，
   没覆盖到的就是漏检。（可选的 `ctx.llm` 模块能做矛盾检测和摘要，但它**不参与检索排序**，
   所以排序本身仍然是纯词面的。）
@@ -82,23 +82,23 @@
 - **写入闸门可以被绕过**：`guard` 只拦 `write` / `edit` 工具调用，`bash` 重定向它看不见；
   `@jipika/dsh-memory` 的 guard 挂在更底层的 `tools/pre-execute`，覆盖更广。
 
-## 召回质量：两把可复算的尺子
+## 召回质量：三把可复算的尺子
 
 ### 一、合成基准（`node bench/run.mjs`）
 
-224 篇程序生成的笔记（中文书面 99 / 英文术语 85 / 口语体 40，其中 42 篇写了 `aliases`）、
-683 条查询、固定随机种子。查询按三种风格分开记分：`verbatim` 抄笔记自己的写法（对照组）、
+224 篇程序生成的笔记（中文书面 83 / 英文术语 101 / 口语体 40，其中 37 篇写了 `aliases`）、
+704 条查询、固定随机种子。查询按三种风格分开记分：`verbatim` 抄笔记自己的写法（对照组）、
 `colloquial` 只用口语说法（与正文没有字面重叠）、`keyword` 口语症状加域特征词
 （同域候选很多，必须靠事件词分辨）。语料是程序生成的，不依赖任何私人库，任何人可复算：
-`npm run bench` 整跑 4 秒，零依赖、零网络，消融表里对我们不利的那几行也照打（去掉字段加权反而高 4 个百分点），
+`npm run bench` 整跑 4 秒，零依赖、零网络，消融表里对我们不利的那几行也照打，
 CI 里再跑一遍 `npm run bench:check` 跟 `bench/expectations.json` 对账。
 
 | 引擎 | 总 hit@1 | 总 hit@4 | verbatim | colloquial | keyword |
 |---|---|---|---|---|---|
-| **本插件** | **49.5%** | 57.0% | 100% | 24.1% | 21.9% |
-| 教科书 BM25（同分词口径） | 47.0% | 52.0% | 100% | 17.9% | 25.4% |
-| 教科书 BM25（中文逐字切分） | 48.6% | 54.8% | 100% | 21.4% | 26.8% |
-| 瞎猜（地板线） | 0.1% | 2.5% | 0% | 0% | 0.4% |
+| **本插件** | **49.9%** | 66.6% | 98.2% | 33.9% | 15.2% |
+| 教科书 BM25（同分词口径） | 43.2% | 46.9% | 100% | 17.9% | 17.9% |
+| 教科书 BM25（中文逐字切分） | 47.2% | 53.4% | 100% | 20.1% | 28.1% |
+| 瞎猜（地板线） | 0.6% | 2.6% | 0.4% | 0.9% | 0.4% |
 
 （分风格单元格是 hit@1。地板线是实测的随机命中率：`keyword` 的同域候选有 14 篇，瞎猜大约 7%。）
 
@@ -106,16 +106,17 @@ CI 里再跑一遍 `npm run bench:check` 跟 `bench/expectations.json` 对账。
 
 | 改动 | 总 hit@1 | 相对本插件 |
 |---|---|---|
-| 本插件 | 49.5% | — |
-| 去掉同义表 | 47.6% | -1.9pt |
-| 去掉笔记别名（不再声明 `aliases`） | 49.0% | -0.4pt |
-| 去掉字段加权（`TITLE_EXTRA` 24 → 0） | 53.4% | **+4.0pt** |
-| 同义键碎片不降权（回到改动前） | 47.7% | -1.8pt |
-| 桥权重与同义表一致（都算 0.5） | 50.5% | +1.0pt |
-
-「去掉笔记别名」在总分上只有 -0.4pt，但分风格看是 -3.6pt 口语（24.1% → 20.5%）：
-别名是作者自己把口语说法钉在笔记上，只对「换一种说法问同一篇」有效，
-在语料整体里被别的风格摊薄了。写别名的 42 篇 hit@1 54.8%，没写的 182 篇 17.0%。
+| 本插件 | 49.9% | — |
+| 去掉同义表 | 46.7% | -3.1pt |
+| 去掉笔记别名（不再声明 `aliases`） | 56.5% | **+6.7pt** |
+| 去掉字段加权（`TITLE_EXTRA` 24 → 0） | 49.6% | -0.3pt |
+| 同义键碎片不降权（回到改动前） | 49.1% | -0.7pt |
+| 桥权重与同义表一致（都算 0.5） | 50.4% | +0.6pt |
+
+「去掉笔记别名」是 **+6.7pt**，在总分上反而更好看 —— 这个语料里别名是把双刃剑：
+它帮自己（写了别名的 37 篇 hit@1 89.2%，没写的 187 篇 23.0%），
+也把同域别的笔记的口语查询抢过来（语料里同域的别名共用同一个口语域词，而别名是程序按比例随机发的）。
+真库里别名是人手写的、更克制，所以别拿这一行下结论 —— 判断别名只看探针的别名组（5/5）。
 
 最后两行是一次明确的取舍。改动前，桥组（查询里的词在目标笔记里一个字都没有）
 只有 27.3%：查询自己的字面碎片（`崩了` 的「了」在别的笔记里到处都是）按满权重计分，
@@ -123,35 +124,45 @@ CI 里再跑一遍 `npm run bench:check` 跟 `bench/expectations.json` 对账。
 实测**打红了真实存在的测试**：`test/recall.test.mjs` 的注入预算阶梯用 `代理节点与部署` 当查询，
 而 `代理`、`部署` 既是同义键、也是笔记正文里的原词，剔掉等于把真证据扔了。
 所以改成**降权不剔除**（`BRIDGED_FRAGMENT_WEIGHT = 0.5`，桥到的技术词算 `BRIDGE_WEIGHT = 1`）。
-
-代价是总分少 1 个点（50.5% → 49.5%）。接受它的理由：合成语料里绝大多数查询本来就有字面落点，
-总分被它们主导；桥是唯一在字面完全无交集时还能工作的机制，它从 27.3% 到 100%，
-而总分只让出 1 个点。消融表里还留着更省事的选项（桥权重打回 0.5），但那条路的桥组只有 90.9%。
-
-「去掉字段加权」那一行要单独说：合成语料里去掉它反而涨 4.0 个点，
-而**真实库的中立对照说相反**（见下）。两个结论冲突的原因定位到了机制上：
+降权只针对键的**碎片**（单字、相邻双字），键本身照旧算满权重 —— 这一条是量出来的：
+一开始连键本身一起降权，`verbatim` 对照组从 100% 掉到 95.1%，放开键本身后回到 98.2%，
+而桥组一点没退。道理很直白：查询里原样出现的那个词是实打实的证据，降权的理由只是
+它拆出来的碎片在别的笔记里到处都是。
+
+代价是与「桥权重打回 0.5」相比总分少 0.6 个点（50.4% → 49.9%）。接受它的理由：
+合成语料里绝大多数查询本来就有字面落点，总分被它们主导；桥是唯一在字面完全无交集时
+还能工作的机制 —— 同一批桥查询，桥权重打回 0.5 只有 25.0%，碎片不降权 43.8%。
+（历史值：修「碎片压桥」之前，那一版语料上这组查询只有 27.3%。）
+
+「去掉字段加权」那一行要单独说：它现在是 -0.3pt（拿掉略微更差），**在一次引擎改动之前它是 +4pt**
+（拿掉明显更好），而**真实库的中立对照一直说拿掉更差**（见下）。当时的冲突定位到机制上：
 合成语料的标题是从正文模板派生的、与正文近乎重复，抬高标题权重只是放大域词噪声；
-真实库的标题是人手提炼的。所以保持 `TITLE_EXTRA = 24`，冲突如实留在这里，
-而不是只挑对自己有利的那把尺子。
+真实库的标题是人手提炼的。现在前两把尺子都偏向「留着字段加权」，但理由仍是上面这条 ——
+不是冲突消失了，是那把合成尺子的标题变真实了一点。两者不一致时以对照 C 为准。
 
-### 桥组：11 条，100%
+### 桥组：32 条，65.6%
 
 | 组 | 条数 | hit@1 | 说明 |
 |---|---|---|---|
-| 桥组（全部） | 11 | 100% | 查询与目标笔记的字面重叠为 0，命中只能靠同义桥 |
-| 其中公开词族 | 8 | 100% | 调表时看得见的词族 |
-| 其中留出词族 | 3 | 100% | 没参与调表的词族，看一点泛化 |
+| 桥组（全部） | 32 | 65.6% | 查询与目标笔记的字面重叠为 0，命中只能靠同义桥 |
+| 其中公开词族 | 20 | 65.0% | 调表时看得见的词族 |
+| 其中留出词族 | 12 | 66.7% | 没参与调表的词族，看一点泛化 |
 
 这组查询是从引擎自己读的那张同义表里长出来的，所以它证明的是**扩展管道通不通**，
-不是「表能不能猜中没见过的说法」，后者只有留出那 3 条能说一点。
-真正的瓶颈在供给面：同义表覆盖了 16 个域词里的 5 个、14 个事件词里的 5 个，
-另有一批口语键因为自带字面碎片而够不上「纯桥」资格被丢弃。
-224 条口语查询里，字面重叠为 0 的其实只有 28 条 —— 也就是说这批「口语查询」
-绝大多数仍能靠碎片碰到笔记，真正需要跨说法的只有那几条。
+不是「表能不能猜中没见过的说法」，后者只有留出那 12 条能说一点。
+真正的瓶颈在供给面：这张表有两层来源，口径必须分开说 ——
+
+- **前四波是从真实库里挖出来的**（专有名词、某个人的叫法），换一套词汇就大面积失效；
+- **第五波是通用技术口语**（「变慢」「退不回去」「改表结构」这类任何写中文技术笔记的人都会用的说法），
+  不依赖具体某个库，装到别人机器上也能命中。
+
+新表扩容后，这套语料的 16 个域词、14 个事件词全部有桥；
+但仍有一批口语键因为自带字面碎片而够不上「纯桥」资格被丢弃（本次丢弃 22 组）。
+704 条查询里，口语风格那批字面重叠为 0 的只有 30 条 —— 绝大多数「口语查询」
+仍能靠碎片碰到笔记，真正需要跨说法的只有那几条。
 
-未命中的查询里，53 条的 top-1 是同一领域里搞错了事件，292 条是同一事件里搞错了领域，
-「完全不沾边」和「一条都没召回」都是 0 次。也就是说失败都是「差一点」，
-没有灾难性的空召回。
+未命中的查询里，101 条的 top-1 是同一领域里搞错了事件，242 条是同一事件里搞错了领域，
+「完全不沾边」9 次、「一条都没召回」0 次。失败都是「差一点」，没有灾难性的空召回。
 
 ### 二、真库探针（`npm run probe`）
 
@@ -163,10 +174,10 @@ CI 里再跑一遍 `npm run bench:check` 跟 `bench/expectations.json` 对账。
 | 口径 | 21 | 真实场景的中文口语问法 | recall@4 21/21 |
 | 桥探针 | 10 | 全局同义表（大白话问英文/术语密集的笔记） | recall@4 9/10 |
 | 别名探针 | 5 | 笔记自己的 `aliases:`（关键词在全局桥里一个都没有） | recall@4 5/5 |
-| 死桥自检 | 301 值 | 同义桥的每个值是否真的存在于语料（不存在等于白写） | 25 个死值（均为通用词） |
-| 对照 A | 175 | 文件名当查询的底线（对标题权重有偏袒） | top1 41/175 · recall@4 94/175 |
-| 对照 B | 150 | 笔记中文标题当查询的底线（同样偏袒） | top1 145/150 · recall@4 149/150 |
-| 对照 C | 162 | 正文独有词当查询（该词在任何标题里都没有） | top1 126/162 · recall@4 149/162 |
+| 死桥自检 | 519 值 | 同义桥的每个值是否真的存在于语料（不存在等于白写） | 121 个死值（均为通用词） |
+| 对照 A | 189 | 文件名当查询的底线（对标题权重有偏袒） | top1 36/189 · recall@4 96/189 |
+| 对照 B | 164 | 笔记中文标题当查询的底线（同样偏袒） | top1 159/164 · recall@4 163/164 |
+| 对照 C | 176 | 正文独有词当查询（该词在任何标题里都没有） | top1 140/176 · recall@4 164/176 |
 
 对照 A 和 B 都拿标题当查询，所以它们对「标题里的词多计几遍」这类参数是**结构性偏袒**的：
 抬高标题权重几乎必然让这两组变好。它们既不该当目标函数，也不能用来证明「抬高标题权重是安全的」。
@@ -196,6 +207,58 @@ CI 里再跑一遍 `npm run bench:check` 跟 `bench/expectations.json` 对账。
 **一个漏字段的指纹比没有指纹更坏**，因为它是权威口吻的错误。现在指纹覆盖所有喂进索引的字段，
 并有专门的回归测试守着。
 
+### 三、公开数据集：LongMemEval-S
+
+前两把尺子都是自己出的卷子，这一把不是：LongMemEval 是 ICLR 2025 的记忆评测集
+（`xiaowu0162/longmemeval-cleaned`）。我们跑的是 S 版，500 题，每题一个约 48 个 session 的
+haystack，题目分六类。
+
+做法：一个 session = 一篇笔记（角色前缀保留），query = 问题原文（**不读** `question_date`，
+也**不看** `has_answer` 标注），命中 = gold session 进 top-k。500 题跑 18 秒，零模型调用。
+
+| 指标 | 全部 500 题 |
+| --- | --- |
+| RecallAny@1 | 86.2% |
+| RecallAny@5 | **97.0%** |
+| Recall@5（gold 覆盖率） | 90.7% |
+| MRR@5 | 0.9056 |
+| RecallAny@10 | 98.2% |
+
+| 题型 | 题数 | RecallAny@1 | RecallAny@5 | Recall@5 | MRR@5 |
+| --- | --- | --- | --- | --- | --- |
+| knowledge-update | 78 | 94.9% | 100.0% | 97.4% | 0.971 |
+| multi-session | 133 | 88.0% | 96.2% | 82.6% | 0.915 |
+| single-session-assistant | 56 | 98.2% | 100.0% | 100.0% | 0.991 |
+| single-session-preference | 30 | 36.7% | 86.7% | 86.7% | 0.548 |
+| single-session-user | 70 | 91.4% | 98.6% | 98.6% | 0.944 |
+| temporal-reasoning | 133 | 82.7% | 96.2% | 87.6% | 0.882 |
+
+三句必须说在前面的实话：
+
+1. **这份数据量不出本插件的长处。** 同一份数据我们用教科书 BM25（同分词口径）也跑了一遍，
+   五个指标**一模一样**。原因很实在：LongMemEval 是英文的，session 没有标题、没有别名、
+   没有中文口语，本插件多出来的那几样在这里基本没被激活。它只说明「英文词面检索不输常规写法」，
+   机制到底值多少，回上面两把尺子看。
+2. **别拿它跟别家数字直接相减。** thoth-mem 公布过 LongMemEval-S 470 题、RecallAny@5 91.9%。
+   我们用的是 cleaned 版 500 题 + 自己的 harness，题集版本、命中口径、读不读日期都未必一样，
+   相减没有意义。能担保的是：harness 与逐题结果都在仓库里（`bench/longmemeval.mjs`、
+   `bench/longmemeval-results.json`），可以逐题核。
+3. **最差的是偏好题**（36.7%@1）：「我喜欢什么」这类问题本身没什么词面抓手。这是零模型路线的
+   边界 —— 偏好类想做得更好，要么开可选的 `llm.js`，要么就老老实实把偏好写进标题。
+
+复算：
+
+```bash
+mkdir -p bench/.tmp && curl -L -o bench/.tmp/longmemeval_s_cleaned.json \
+  https://hf-mirror.com/datasets/xiaowu0162/longmemeval-cleaned/resolve/main/longmemeval_s_cleaned.json
+node bench/longmemeval.mjs --data bench/.tmp/longmemeval_s_cleaned.json                     # 本插件
+node bench/longmemeval.mjs --data bench/.tmp/longmemeval_s_cleaned.json --engine unigram      # 教科书 BM25
+```
+
+数据 264MB，不入库也不进 CI；CI 里跑的是同格式的小夹具
+（`bench/fixtures/longmemeval-mini.json`，四道题分别覆盖「英文命中 / 中文命中 /
+多 gold 只找到一半 / 零字面重叠必失手」），判据被改动就会红。
+
 ## 工作机制
 
 ### 召回：发生在每个用户轮的第一个 step
@@ -212,7 +275,7 @@ CI 里再跑一遍 `npm run bench:check` 跟 `bench/expectations.json` 对账。
 
 | # | 机制 | 治什么 |
 |---|---|---|
-| 1 | 同义扩展（105 条口语→技术词）+ 连字符再切分 | 中文口语与笔记用词对不上的同义鸿沟 |
+| 1 | 同义扩展（177 条口语→技术词）+ 连字符再切分 + 命中键只降「碎片」权重 | 中文口语与笔记用词对不上的同义鸿沟 |
 | 2 | 超长正文按 `##` 切桶 + **整篇**长度归一 | 单篇巨文霸榜（一篇几百 KB 的笔记曾占掉四分之一召回位） |
 | 3 | 寒暄 / 极短消息门控 | 「继续 / 嗯」这类消息 10/10 注入噪音 |
 | 4 | 写入闸门（fail-closed） | 不合规文件名、缺失 frontmatter、疑似真实凭据 |
@@ -258,7 +321,7 @@ CI 里再跑一遍 `npm run bench:check` 跟 `bench/expectations.json` 对账。
 | 往库里写 `bad-name.md` | 拒绝：**「文件名不合规。必须是 \<user\|feedback\|project\|reference\>-\<小写slug\>.md」** |
 | 写一篇带 `api_key: sk-…` 的笔记 | 拒绝：**「疑似含真实凭据（OpenAI 风格密钥）」** |
 
-作者实测（0.5.1 / 2026-10-15 / 库 63 篇、索引 73 行）：四条全中，两次被拒的写入**磁盘上零字节变化** —— 被拒后索引与操作前逐字一致。
+作者实测（本地库几十篇笔记、索引七十余行）：四条全中，两次被拒的写入**磁盘上零字节变化** —— 被拒后索引与操作前逐字一致。
 
 这就是它跟别家最本质的一处不同：别人的记忆预算卡在**注入**上（超了就少喂几段给模型），这里卡在**写入**上 —— 索引文件本身长不到超限，所以「超限的部分静默不再被召回」在这个库里不会发生。
 
@@ -342,7 +405,7 @@ Electron 载体走 `file://` + IPC 时可能没有 webServer，那时召回照
 
 召回准不准，九成取决于「你会怎么问」到「笔记里怎么写」之间那座桥。桥有两层。
 
-**全局同义表**（`bm25.js` 的 `SYNONYMS`，105 条 / 301 个值）管的是一类说法：
+**全局同义表**（`bm25.js` 的 `SYNONYMS`，177 条 / 519 个值）管的是一类说法：
 `梯子 / 翻墙 / 科学上网` → `proxy, http-connect, socks5`。同义项默认按 0.5 权重计入，
 查询命中了某个键时，桥到的技术词按 1 计入、该键自身的字面碎片降到 0.5（上一节的取舍）。
 
@@ -398,16 +461,17 @@ aliases: 梯子, 翻墙, 科学上网, 节点, 代理
 ### 二、真的短板（还做不到）
 
 - **不做语义检索**：没有 embedding、没有向量库。中文用「单字 + 相邻双字」切分，
-  同义改写、隐含意图会漏检，目前唯一的桥接是一张 105 条的手工同义表。
+  同义改写、隐含意图会漏检，目前唯一的桥接是一张 177 条的手工同义表。
   需要模型的那两件事（矛盾检测、摘要）做成了可选工具（见「可选：语义增强」），
   但它们不参与检索排序 —— 排序仍然是纯词面的，这一点不打算含糊。
-- **没有公开基准**：只有自建口径的合成基准与真库探针（见上），跨插件排名无从谈起。
+- **没有跨插件排名**：LongMemEval-S 跑得了（见上），但那是一个英文词面基准，且各家 harness 不同；
+  合成基准与真库探针都是自建口径，只能自己跟自己比。
 
 ### 三、曾经没做、现在补上了
 
 - **不自动归档**：已实现。它原来确实写在这一节里，理由也写了「不可逆」。
   但确定性分层不需要 LLM，只是当时没做，所以补上了。
-- **同义鸿沟**：同义表已扩到 105 条并逐条经探针验证；笔记别名也真的被用起来了。
+- **同义鸿沟**：同义表已扩到 177 条并逐条经探针验证；笔记别名也真的被用起来了。
 - **不自动合并**：降级成只出报告（体检器报疑似重复主题与失联路径），不改文件。
 
 ### 路线图
@@ -503,11 +567,12 @@ dsh plugin --profile <profile> remove dsh-engramory-recall
 ## 测试与自检
 
 ```bash
-npm test        # 分词 / BM25 / 切桶 / 门控 / 闸门 / 索引闸门 / 技能注册 / 体检 / 审计 / 沉淀提醒 / 归档 / 打包 / 路由
+npm test        # 分词 / BM25 / 切桶 / 门控 / 闸门 / 索引闸门 / 技能注册 / 体检 / 审计 / 沉淀提醒 / 归档 / 打包 / 路由 / 公开基准 harness
 npm run check   # 接线自检：配置键认不认、库路径对不对、装的是哪一份、包清单漏没漏文件
 npm run probe   # 召回质量探针：3 组 query + 三道对照，跑在真实记忆库上
 npm run probe -- --save   # 把这次结果存成基线，之后每次跑自动比对
 npm run bench:check       # 合成基准 + 和 bench/expectations.json 对账（CI 跑的就是它）
+node bench/longmemeval.mjs --data bench/.tmp/longmemeval_s_cleaned.json   # 公开基准（数据要自己下，264MB）
 ```
 
 CI 跑 `npm test` 和 `npm run bench:check` 两件事。后者是防「数字悄悄漂走」的：任何一项
@@ -544,7 +609,7 @@ CI 跑 `npm test` 和 `npm run bench:check` 两件事。后者是防「数字悄
 | 自动归档 | dsh-mneme `src/dream/sleep.js:411` `phaseDemotion` | 落地但换了实现：它截断 + 存 `_full_content`，本插件整段搬家、不截断 |
 | 时间衰减 | 灵枢 `rust/src/freshness.rs` | 实测证伪。六档半衰期扫描，recall 恒定、top-1 只有一档 +1（噪声级）。它能用是因为它的 `protected_floor` 依赖人工 `importance` 字段，Engramory 笔记没这个字段 |
 | 时间乘性加权 | hindsight `engine/search/reranking.py:35-37` | 实测证伪。五档扫描净收益为零，`w ≥ 0.1` 起还要拿对照组去换 |
-| 同义表扩容 | 灵枢的语义归一化 | 落地。105 条桥 / 301 个值，每条都经探针验证，另加一道死桥自检 |
+| 同义表扩容 | 灵枢的语义归一化 | 落地。177 条桥 / 519 个值，每条都经探针验证，另加一道死桥自检 |
 | 查询侧同义词要先分词再算 | 自己踩的坑 | 落地。中文同义词原样返回时永远匹配不上「英文整词 + 汉字双字」的词项形状，写了等于没写且不报错。英文同义词 tokenize 后等于自身，所以这毛病藏了很久 |
 | 笔记级别名（`aliases:`） | dsh-mneme 的 `aliases` 钩子 | 落地。机制本来就在（计两遍 = 满权重），但真实库里 0 篇在用；给 8 篇补上后别名探针 1/5 → 5/5 |
 

package/bm25.js

@@ -321,6 +321,85 @@ export const SYNONYMS = new Map(
     记忆库: ['engramory', 'memory', 'bm25'],
     召回: ['recall', 'search', 'bm25'],
     归档: ['archive', 'history'],
+
+    // ── 2026-10-15 第五波：通用技术口语 ────────────────────────────────
+    // 前面几波是**从这个库挖出来的**（专有名词、某个人的叫法），换一个库就大面积失效。
+    // 这一波换来源：只收**任何写中文技术笔记的人都会用的说法** ——「变慢」「装不上」
+    // 「退不回去」「改表结构」「打日志」…… 不依赖哪个库的词，别人装上也能命中。
+    // 判据没变：同一个概念的两种叫法，不是「相关的两件事」。宽词（请求/客户端/队列这些）
+    // 故意配上更专的伴词，靠 BRIDGE_WEIGHT 之外的其它词项兜住精度。
+    改表结构: ['migration', 'migrate', 'schema', 'ddl', 'alter'],
+    回填: ['backfill', 'migration'],
+    流水线: ['pipeline', 'ci', 'runner', 'workflow'],
+    自动检查: ['ci', 'pipeline', 'runner', 'lint'],
+    打日志: ['log', 'logging', 'logger'],
+    日志: ['log', 'logging'],
+    轮转: ['rotation', 'rotate', 'logrotate'],
+    抢锁: ['lock', 'mutex', 'locking'],
+    加锁: ['lock', 'mutex'],
+    死锁: ['deadlock', 'lock', 'mutex'],
+    并发: ['concurrency', 'concurrent', 'parallel', 'mutex'],
+    调接口: ['api', 'http', 'request', 'curl'],
+    请求: ['request', 'http', 'api', 'curl'],
+    重试: ['retry', 'backoff'],
+    退避: ['backoff', 'retry'],
+    限流: ['ratelimit', 'throttle', 'rate'],
+    发包: ['publish', 'npm', 'tarball'],
+    发版: ['release', 'publish', 'version', 'tag'],
+    版本号: ['version', 'semver', 'tag'],
+    自动点网页: ['automation', 'playwright', 'puppeteer', 'selector'],
+    自动化: ['automation', 'playwright', 'selenium'],
+    选择器: ['selector', 'xpath'],
+    找不着: ['search', 'ranking', 'recall', 'bm25'],
+    排序: ['ranking', 'rank', 'sort', 'bm25'],
+    命中率: ['recall', 'hit', 'precision'],
+    时区: ['timezone', 'utc'],
+    时间对不上: ['timezone', 'utc', 'offset'],
+    时间戳: ['timestamp', 'epoch', 'utc'],
+    升版本: ['upgrade', 'dependency', 'major', 'peer'],
+    升级依赖: ['upgrade', 'dependency', 'node_modules'],
+    版本打架: ['conflict', 'peer', 'dependency'],
+    大版本: ['major', 'semver', 'breaking'],
+    客户端: ['desktop', 'client', 'electron'],
+    打包产物: ['bundle', 'dist', 'artifact'],
+    镜像: ['image', 'docker', 'registry'],
+    容器: ['docker', 'container', 'pod'],
+    队列: ['queue', 'runner', 'wait'],
+    变慢: ['latency', 'slow', 'p95'],
+    响应慢: ['latency', 'slow', 'p95'],
+    慢得没法用: ['latency', 'slow', 'timeout'],
+    数算错了: ['wrong', 'mismatch', 'incorrect'],
+    结果不对: ['wrong', 'mismatch', 'incorrect'],
+    对不上: ['mismatch', 'wrong', 'inconsistent'],
+    安装失败: ['install', 'failed', 'npm'],
+    东西没了: ['loss', 'lost', 'missing', 'data loss'],
+    数据丢了: ['loss', 'lost', 'missing', 'data loss'],
+    内存一直涨: ['leak', 'rss', 'memory'],
+    泄漏: ['leak', 'leakage'],
+    版本冲突: ['conflict', 'peer', 'semver'],
+    悄悄不生效: ['silent', 'silently', 'quiet'],
+    静默失效: ['silent', 'silently', 'failure'],
+    没报错: ['silent', 'quiet'],
+    乱码: ['encoding', 'mojibake', 'utf8', 'gbk'],
+    编码: ['encoding', 'utf8', 'gbk', 'charset'],
+    退不回去: ['rollback', 'revert', 'undo'],
+    回滚: ['rollback', 'revert'],
+    跑两次: ['duplicate', 'idempotent', 'idempotency'],
+    重复触发: ['duplicate', 'idempotent'],
+    幂等: ['idempotent', 'idempotency', 'duplicate'],
+    卡住不动: ['hang', 'stuck'],
+    没响应: ['hang', 'timeout', 'unresponsive'],
+    心跳: ['heartbeat', 'ping', 'watchdog'],
+    配置不生效: ['config', 'override', 'precedence'],
+    改了没用: ['config', 'stale', 'cache'],
+    进程退出: ['crash', 'exit'],
+    退出码: ['exit', 'code', 'status'],
+    调用栈: ['stack', 'trace', 'traceback'],
+    权限被拒: ['forbidden', 'denied', '403'],
+    审计: ['audit', 'trail'],
+    落盘: ['disk', 'persist', 'write'],
+    常驻集: ['rss', 'memory', 'resident'],
+    排队: ['queue', 'runner', 'wait'],
   }),
 );
 
@@ -438,7 +517,7 @@ export function search(index, query, limit = 5) {
   // 命中同义键时，这个键自身的字面碎片降权（见 BRIDGED_FRAGMENT_WEIGHT）。
   const bridged = matchedSynonymKeys(query);
   const fragments = new Set();
-  for (const key of bridged) for (const term of tokenize(key)) fragments.add(term);
+  for (const key of bridged) for (const term of tokenize(key)) if (term !== key) fragments.add(term);
   const base = queryTerms(query);
   const extras = expandQuery(query);
   if (!base.length && !extras.length) return [];

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "dsh-engramory-recall",
-  "version": "0.5.3",
+  "version": "0.6.1",
   "description": "Local BM25 auto-recall, fail-closed write guard, static doctor and a memory panel for the Engramory markdown store — no network, no model, no daemon.",
   "keywords": [
     "dsh",