Przejdź do treści
Biblioteka skilli
Dokumenty i biuro · Analiza

govdoc-corpus

/govdoc-corpus

Importuje historyczne dokumenty urzędu do lokalnego, przeszukiwalnego korpusu i tworzy portret stylu oraz stałe sformułowania, bez wysyłania ich poza komputer.

Licencja
Apache-2.0
Ostatnia zmiana repozytorium
14.11.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
9
Skrypty
2
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 14.11.2026, bez odwołań do wycofanych modeli i API.

Licencja

Apache-2.0, otwarta: można używać i zmieniać, z zachowaniem licencji i informacji o zmianach.

Co sprawdzić przed instalacją
  • 2 skrypty w paczce. Przejrzyj je przed instalacją, bo Claude może je uruchomić.

Skrypty: scripts/cognition_stats.py, scripts/corpus_build.py

Co robi i kiedy

Importuje historyczne dokumenty urzędu do lokalnego, przeszukiwalnego korpusu i tworzy portret stylu oraz stałe sformułowania, bez wysyłania ich poza komputer.

Oryginalny opis (EN)

当用户要把本单位(本部门)历年公文导入为可检索可学习的本地语料时使用我。触发词:单位语料、导入历年公文、本单位公文库、把我们单位的材料导入、历年公文接入、语料库接入、学习本单位公文、单位私有语料、本地公文库、公文语料沉淀。产出三份:①单位文风画像(句长/结构装置/惯用开头收尾)②常用口径与固定表述清单(含应避免的表述)③按文种×年份的范文索引。**全程本地运行,解析过程不调用任何 LLM、不发网络请求**;涉密件禁止导入。与 govdoc-style-learn 的区别:style-learn 学的是文风模板(人工挑选少量范本),本技能做的是全量语料的批量接入与画像蒸馏。

Jak działa

  1. 角色定位
  2. ⚠️ 涉密与合规边界(先读这一节,再动手)
  3. 工作流
  4. 与相邻技能的分工
  5. 红线
  6. 参考件
  7. 工作边界与负反馈
Sekcje z nagłówków SKILL.md, w oryginale · 127 linii, 331 słów
Podgląd SKILL.md
---
name: govdoc-corpus
tags: [govdoc, 公文, 单位语料, 私有语料, 本地部署, 文风画像]
display_name: "公文·单位私有语料接入"
display_name_en: "govdoc-corpus"
description_zh: "把本单位历年公文批量接入为本地语料:逐件可溯的本地库 + 单位文风画像 + 常用口径与固定表述清单 + 按文种×年份的范文索引;全程本地运行,解析不外发"
visibility: "public"
version: "1.0.1"
description: "当用户要把本单位(本部门)历年公文导入为可检索可学习的本地语料时使用我。触发词:单位语料、导入历年公文、本单位公文库、把我们单位的材料导入、历年公文接入、语料库接入、学习本单位公文、单位私有语料、本地公文库、公文语料沉淀。产出三份:①单位文风画像(句长/结构装置/惯用开头收尾)②常用口径与固定表述清单(含应避免的表述)③按文种×年份的范文索引。**全程本地运行,解析过程不调用任何 LLM、不发网络请求**;涉密件禁止导入。与 govdoc-style-learn 的区别:style-learn 学的是文风模板(人工挑选少量范本),本技能做的是全量语料的批量接入与画像蒸馏。"
compatibility: "Designed for WorkBuddy/Claude/豆包等 agent 技能平台(standalone 包);引擎脚本需 Python 3.10+ 与 jieba(已在 requirements.txt);docx 解析为纯标准库实现(zipfile + XML),.doc 需先经 convert-documents-to-markdown 转换"
requires:
  master: "gongwen-master(路由流程与六步法)"
  skills: "convert-documents-to-markdown(.doc/.pdf/扫描件转换,可选)"
  engine: "scripts/corpus_build.py(纯本地,无外部依赖、无网络)"
permissions:
  fs_write: "本地语料库与画像产物(路径由用户指定,默认落 style-models/ 与 语料库/)"
  network: "无(脚本不发起任何网络请求)"
  secrets: "无"
copyright: "Gongwen Master Contributors © Apache-2.0"
---

# 单位私有语料接入(govdoc-corpus v1.0.0)

## 角色定位

把**本单位历年公文**变成一个可检索、可学习的本地语料库,让后续写作能贴合本单位的实际写法与口径。

这是政务采购里的硬门槛能力,也是**风险最高的一项**——因为它处理的往往是内部材料。
因此本技能的第一条不是功能,是**边界**。

## ⚠️ 涉密与合规边界(先读这一节,再动手)

### 三条硬约束

1. **导入前必须提示,不可默认执行**。首次运行必须原样告知用户:

   > 本流程将在**本地**解析你指定目录下的公文并建立本地语料库。
   > **请勿导入涉密文件**(《保守国家秘密法》要求涉密信息全环节合规)。
   > 若目录中可能含涉密件,请先自行筛除。
   > 本流程**不调用任何 LLM、不发起网络请求**,解析与画像全部在本机完成。

   用户未确认前,不执行导入。

2. **解析过程不外发**。`scripts/corpus_build.py` 是纯标准库 + jieba 的本地脚本,
   **不含任何网络调用、不读 LLM 凭据**。这是本技能的合规基础,不得为"增强效果"而改动。
   若要接 LLM 做语义分析,属于另一次需要单独授权的动作,且涉密材料一律禁止。

3. **建独立库,不进合并库**。语料落用户指定的独立 SQLite(默认 `<目录>/../单位语料库/corpus.db`),
   **绝不写入 `gongwen_corpus.db`**(那是求是/地方公共语料库)。
   单位语料与公共语料物理隔离,避免后续检索把内部口径当权威表述引用。

### 一条能力边界(别夸大)

本技能只做**确定性的统计画像**(句长、结构装置、高频表述),
**不做"语义理解式"的风格提炼**。所以:

- 画像给的是"本单位常怎么写",不是"本单位为什么这么写"
- 画像质量**强依赖样本量与文种覆盖**,脚本会给「样本充足度」评级 —— **评级不足时不要拿画像当依据**
- **画像不得直接当验收线**。小样本(精读抽样)得到的区间与全量统计差异很大,拿抽样值判合格会系统性
  冤枉好稿(实测命中率只 8%–16%)。口径、离散度、假设冲突等四条使用纪律见
  `references/param-guardrails.md`,**用画像前先读它**。

## 工作流

### Step 1 范围确认与涉密提示

1. 问清三件事:**目录路径** / **时间范围** / **要覆盖哪些文种**(默认全部)。
2. 原样给出上文第 1 条的涉密提示,等用户确认。
3. 确认后**先做一次干跑**(`--plan`)列出将处理的文件数与格式分布,让用户过目。

### Step 2 格式预处理

- `.docx` → 脚本直接解析(纯标准库)
- `.txt` / `.md` → 脚本直接读取
- `.doc` / `.pdf` / 扫描件 → **先用 `convert-documents-to-markdown` 转成 Markdown**,
  再放进待处理目录;或直接跳过(脚本会显式报告跳过清单)
- **扫描件(图片型)无法提取文字** → 必须显式报出,不得静默跳过

### Step 3 建库与蒸馏(一条命令)

```bash
python scripts/corpus_build.py --src "D:/单位公文" --out "D:/单位语料库" --plan
python scripts/corpus_build.py --src "D:/单位公文" --out "D:/单位语料库"
```

脚本产出:

| 产物 | 内容 |
|---|---|
| `corpus.db` | 独立 SQLite:逐件一行(路径/文种/年份/部门/字数/正文/txt_hash),**每件可溯** |
| `profile_文风画像.md` | 句长分布、结构装置频次、惯用开头/收尾、高频表述 |
| `profile_口径清单.md` | 实名口径("我局""我市")、固定表述、应避免表述 |
| `index_范文索引.md` | 按 **文种 × 年份** 的历史范文清单 |
| `build_report.md` | 处理统计、**跳过清单及原因**、**样本充足度评级** |

### Step 4 交付与使用

交付时**必须把 `build_report.md` 的跳过清单与充足度评级一并说明**,不要只报"导入成功 N 件"。

后续写作时的用法:
- 要贴合本单位写法 → 读 `profile_文风画像.md`
- 要确认本单位怎么称呼某项工作 → 查 `profile_口径清单.md`
- 要参考本单位先例 → 查 `index_范文索引.md`,再回原库取全文

## 与相邻技能的分工

| 需求 | 该走谁 |
|---|---|
| 全量历年公文批量接入 + 统计画像 | **本技能** |
| 少量精选范本 → 定制文风模板 | `govdoc-style-learn`(嵌套于 gongwen-master) |
| 有零散材料要成一篇稿 | `govdoc-material` |
| 检查某篇稿子的错别字/敏感词 | `govdoc-polish`(质检模式) |

## 红线

1. **涉密件不导入**。用户不确认就不执行;用户说"应该没涉密"时,提醒其自行确认,不代为判断。
2. **不联网、不调 LLM**。脚本的确定性是合规前提,不得为效果而破坏。
3. **不写合并库**。单位语料必须与公共语料物理隔离。
4. **不静默跳过**。无法解析的文件必须逐项报出。
5. **不夸大画像**。样本不足时明说"不足以作为依据",不硬给结论。
6. **不拿画像当验收线**。参数与区间只能作对照;自检只判硬冲突(文种识别错误级)。
   见 `references/param-guardrails.md`。
7. **不自动改写原文**。入库的是原文;清洗只在派生统计层做(去页码/页脚等版式噪声),且原样保留 `raw`。
8. **统计数字必带来源**。每一个 n 篇 / x% 必须同节写清:数据源、样本量、脚本、复算等级(A/B/C)。
   未标注来源的统计数字按不可复核处理。见 `references/reproducibility.md`。

## 参考件

- `references/privacy-and-scope.md` —— 涉密判定、目录筛选建议、与公共语料的隔离要求
- `references/param-guardrails.md` —— **参数使用四纪律**:中位数而非均值 / 抽样区间不得当验收线 /
  只判硬冲突 / 常见印象与实测相反五条;含画像数值层与原文层分离的对外分发口径
- `references/cognition-layers.md` —— **认知层 L3–L5**:站位七类(本机 51.9% 开篇无显著信号、制度缺陷仅 0.0%)、
  引用层级六层与授权链、带单位数字的十分位落点(前 20% 占 19.3%、末 10% 仅 7.7%)、力度词与收尾按行文方向编目
  (**自然收束 94.8%,上行谦辞在结尾 0.0%**);含本机可复算与不可复算的分界声明
- `references/layered-devices.md` —— **千字材料的分层装置**:四类占比(段首提领句 53%/独立小标题段 39%/
  两者兼用 17%/两者皆无 25%)、提领句与独立小标题是同一构件、
  **修正「千字材料用『一是二是』」**(真用的只 5–6/77 篇)、并列做法型的结构算术与写作预算表
- `references/reproducibility.md` —— **口径与可复核性声明**:三等级(A 强可复核/B 弱可复核/C 不可复算)、
  本包数据分层实测、未标注来源统计数字 706 处的归集与处置、新件必须遵守的四项标注格式、对外分发只写 A 级数字
- `scripts/corpus_build.py` —— 建库与蒸馏脚本(`--plan` 干跑 / `--json` 报告)
- `scripts/cognition_stats.py` —— **认知层统计器**(L3 站位/L4 引用层级/L4 数据十分位/L5 力度词/L5 收尾);
  纯 SELECT 不写库、不联网;跑完自印口径声明(本表不含的文种不能套用其数值)

## 工作边界与负反馈

遵循公共模板:`../shared-templates.md`(自动更新检查/工作边界/负反馈收集)。
Pliki w paczce (9)
  • LICENSE 1 KB
  • SKILL.md 9 KB
  • references/cognition-layers.md 10 KB
  • references/layered-devices.md 6 KB
  • references/param-guardrails.md 6 KB
  • references/privacy-and-scope.md 4 KB
  • references/reproducibility.md 7 KB
  • scripts/cognition_stats.py 10 KB
  • scripts/corpus_build.py 22 KB

Wersje

W bazie nie ma innych skilli o nazwie govdoc-corpus.

Migawka bazy z 13.11.2026 · wersja paczki bfb00dc9880d (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 100govdoc-style-learn
    Uczy się stylu pisania konkretnej jednostki na podstawie jej historycznych dokumentów i tworzy model, który potem stosuje w kolejnych tekstach.
  • 100govdoc-material
    Pisze dokument urzędowy z gotowych materiałów, wyciągając fakty i wskazując źródło każdej informacji, a brakujące oznacza.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.