159 lines
3.7 KiB
Markdown
159 lines
3.7 KiB
Markdown
# 章节点识别Skill 设计
|
||
|
||
## 1. Skill 定位
|
||
|
||
`章节点识别Skill` 负责对已登记文档进行章节点和资料角色的初步识别，为目录汇总和后续法规完整性核查提供结构化字段。
|
||
|
||
本 Skill 使用规则优先，不依赖 LLM。后续可以在人工复核或复杂标题解析中引入模型辅助，但不作为 V1 必需能力。
|
||
|
||
英文实现标识建议使用 `ChapterClassificationSkill`，用于 Python 类名和 Tool Registry 注册处理器。
|
||
|
||
## 2. 输入
|
||
|
||
```python
|
||
@dataclass
|
||
class ChapterClassificationInput:
|
||
document_id: int
|
||
original_filename: str
|
||
relative_path: str
|
||
file_type: str
|
||
title_text: str | None = None
|
||
manual_hint: dict = field(default_factory=dict)
|
||
```
|
||
|
||
## 3. 输出
|
||
|
||
```python
|
||
@dataclass
|
||
class ChapterClassificationResult:
|
||
document_id: int
|
||
chapter_code: str | None
|
||
chapter_name: str | None
|
||
document_role: str | None
|
||
declared_document_name: str | None
|
||
confidence: str
|
||
status: str
|
||
evidence: list[dict]
|
||
```
|
||
|
||
## 4. 识别规则
|
||
|
||
### 4.1 章节点编码识别
|
||
|
||
从文件名和相对路径中识别：
|
||
|
||
1. `CH1.2`
|
||
2. `CH1.4`
|
||
3. `CH1.5`
|
||
4. `CH1.9`
|
||
5. `CH1.11.1`
|
||
6. `CH1.11.5`
|
||
7. `CH1.11.6`
|
||
|
||
正则示例：
|
||
|
||
```python
|
||
r"CH\s*(\d+(?:\.\d+)*)"
|
||
```
|
||
|
||
### 4.2 章节名称识别
|
||
|
||
从相对路径中识别：
|
||
|
||
1. `第1章 监管信息`
|
||
2. `第2章 综述资料`
|
||
3. `第3章 非临床资料`
|
||
4. `第4章 临床评价资料`
|
||
5. `第5章 产品说明书和标签样稿`
|
||
6. `第6章 质量管理体系文件`
|
||
|
||
### 4.3 文档角色识别
|
||
|
||
| 关键词 | document_role |
|
||
|---|---|
|
||
| `监管信息目录` | `regulatory_information_catalog` |
|
||
| `申请表` | `application_form` |
|
||
| `产品列表` | `product_list` |
|
||
| `符合标准的清单` | `standard_compliance_list` |
|
||
| `真实性声明` | `authenticity_statement` |
|
||
| `符合性声明` | `conformity_statement` |
|
||
| `沟通的说明` | `pre_submission_communication` |
|
||
| `说明书` | `product_instruction` |
|
||
|
||
## 5. 核心方法
|
||
|
||
### 5.1 `run(input) -> ChapterClassificationResult`
|
||
|
||
主入口方法。
|
||
|
||
执行顺序：
|
||
|
||
1. 从相对路径识别章名称。
|
||
2. 从文件名识别章节点编码。
|
||
3. 从文件名识别文档角色。
|
||
4. 如有标题文本，则用标题补充识别。
|
||
5. 计算置信度。
|
||
6. 返回识别结果。
|
||
|
||
### 5.2 `extract_chapter_code(text) -> str | None`
|
||
|
||
从路径或文件名提取 `CHx.x`。
|
||
|
||
### 5.3 `extract_chapter_name(relative_path) -> str | None`
|
||
|
||
从目录层级识别章节名称。
|
||
|
||
### 5.4 `detect_document_role(text) -> str | None`
|
||
|
||
基于关键词和规则表识别文档角色。
|
||
|
||
### 5.5 `calculate_confidence(matches) -> str`
|
||
|
||
置信度规则：
|
||
|
||
1. 路径、文件名和标题一致：`high`
|
||
2. 文件名命中但路径缺失：`medium`
|
||
3. 只有关键词命中：`low`
|
||
4. 无法识别：`manual_review_required`
|
||
|
||
## 6. 技术实现
|
||
|
||
使用技术：
|
||
|
||
1. `re`
|
||
2. YAML 规则表
|
||
3. 可选 `python-docx` 首页标题抽取
|
||
4. Django 管理后台人工修正
|
||
|
||
建议规则文件：
|
||
|
||
```text
|
||
configs/registration/chapter_classification.yaml
|
||
```
|
||
|
||
## 7. 落库字段
|
||
|
||
建议写入 `RegistrationDocument`：
|
||
|
||
1. `chapter_code`
|
||
2. `chapter_name`
|
||
3. `document_role`
|
||
4. `declared_document_name`
|
||
5. `classification_confidence`
|
||
6. `classification_status`
|
||
7. `needs_manual_review`
|
||
|
||
## 8. 异常处理
|
||
|
||
1. 文件名无章节点：尝试路径识别。
|
||
2. 路径与文件名冲突：标记待人工复核。
|
||
3. 识别为法规资料但批次为业务资料：标记潜在混入风险。
|
||
4. 同一文件命中多个角色：保留最高优先级角色，记录警告。
|
||
|
||
## 9. 测试要点
|
||
|
||
1. `CH1.4 申请表.docx` 识别为 `CH1.4` 和 `application_form`。
|
||
2. `第1章 监管信息/CH1.2 监管信息目录.docx` 识别章节和目录角色。
|
||
3. 无章节点文件标记待人工复核。
|
||
4. 路径与文件名冲突时输出警告。
|