journal-archaeology

# Journal Archaeology · 日记考古 把一个人多年的日记变成 TA 的思维年鉴。**核心原则：不是摘要，是考古**—— 提取作者*相信/主张/执念*的东西，而不是发生了什么事。 ## 开场原则（不可跳过） **分工铁律：确定性工作交脚本，判断力工作交阅读。** 数数、词频、密度、共现 = `scripts/` 下的脚本；转折点认定、执念命名、引语精选、 叙事撰写 = 通读原文。词典法输出只是线索，结论必须由深读确认。 **伦理边界（日记是一个人最裸的东西）：** - 全程本地文件处理，语料不上传任何外部服务 - 单被试纵向数据：相关不等于因果，所有图表带方法边界脚注 - 这是自我反思工具，**不是心理诊断**——不使用诊断性语言，不下临床结论 - 所有 quote 原文照录（`assemble_datajson.py` 机器校验逐字命中），所有论断带日期出处 - **人的重要性永远不打分**：关系层只报客观文本计数，"TA 对我是谁"由用户亲自填写 - 分析会触及沉重内容（丧失、危机、感情）。每个检查点都是用户的退出口； 用户可随时终止，或指定某段时期/某个人不进入分析。呈现沉重发现前先问"要不要展开" - **"和用户聊发现"是正式阶段（CP3），不是吐一份报告完事**—— 最好的洞察来自对话，用户的亲历语境是任何分析替代不了的证据层 **MVP 范围**：打字语料、中文优先。手写笔记本是高级路线（人工转录，成本高， 见 references/ingestion.md），多语言界面是 v2。 ## 工作目录约定（用户项目内） ``` <用户项目>/ ├── journal-analysis.config.json 唯一配置(CP2 诞生,用户校订过) ├── PROJECT.md 语料档案 + 决策日志(跨会话记忆) ├── import/ 原始导出 + 一次性提取脚本 + 转录底稿(只进不删) ├── corpus/ 规范化语料 YYYY-MM-DD_来源.txt(建成后只读) ├── knowledge/ │ ├── stats.json / timeline.md / verify_report.md / config_suggestions.md 脚本生成 │ ├── digests/YYYY.md P2 通读产物(纵轴) │ ├── profile/NN_维度.md P2 通读产物(横轴十维) │ ├── annual/YYYY.json + cross_year.json P4 结构化中间层 │ └── findings/01-05_*.md + data/*.json P4 五章 + P3 量化数据 └── output/ ├── data.json assemble_datajson.py 校验汇总产物 ├── site.json P5 叙事文案层(经 CP4 签字) └── index.html build_html.py 产物,唯一交付物,永不手改 ``` 所有脚本用法：`python3 <skill目录>/scripts/<脚本>.py --config <项目>/journal-analysis.config.json`。 skill 目录只读，产物全部落用户项目。开始前把 `assets/config.template.json` 复制为 项目根的 `journal-analysis.config.json`（lexicons 有中文默认值，其余空壳在 P2 填）。 ## 五阶段流程 ### P1 摄取与核验 → 检查点 CP1（强制停） 1. 问清用户语料来源与形态，读 `references/ingestion.md` 选对应模式 2. 写一次性提取脚本（放 `import/`），把一切切成 `corpus/YYYY-MM-DD_来源.txt` 3. 跑 `verify_corpus.py`（命名/日期/星期/重复五项机械检查 + 抽样清单）和 `build_stats.py` 4. **CP1**：向用户呈现——逐年逐源篇数字数表、星期不符等异常清单及处置建议、 随机 5 篇与原始导出的比对结果。**用户确认前不进 P2**。缺失时段要问清是真没写还是漏导 ### P2 通读与知识层 → 检查点 CP2（强制停） 1. 按年分批通读 corpus（用 `build_timeline.py` 的索引辅助定位），按 `references/analysis-spec.md` 写 `digests/YYYY.md` 和 `profile/` 十维 2. 通读中记录：人名与别名线索、主题词线索、作者的独有对比句式 3. 跑 `suggest_config.py` 得宽网候选，结合通读印象起草 config 的 `topics` / `invariants`（候选+对照组）/ `people.registry` 4. **CP2**：把 config 草稿逐块摆给用户校订。**词典和人物表不出厂预装，这里是唯一出生点**： - 人物表逐人确认：别名合并（"k 是谁？"）、归类、歧义符号的生效年份 - 主题词典：主题划分对不对、词表有没有明显误命中源 - 不变量候选：这些"底色假设"像不像 TA；对照组选哪两个 校订质量直接决定 P3 一切输出的质量——这轮对话值得慢慢聊 ### P3 量化分析 → 软检查点（异常才停） 1. 跑量化脚本：`topic_shares.py`、`relationships.py`、`extract_self_compare.py`、 `build_timeline.py`（幂等，P2 跑过也重跑无害）；`invariants.py` 仅在语料 ≥100 篇且 ≥2 年时跑（体量门槛见 analysis-spec.md） 2. 逐个 sanity check 输出：份额突变月先查词典误命中；CV 自检按 "对照组最小 CV ≥ 候选组最大 CV × 1.5"判定，不过则发现四不产出； 人名明显误命中（如常用词撞名）回 CP2 修 config 重跑 3. 无异常则直接进 P4，有异常向用户报告并修正 ### P4 五问综合 → 检查点 CP3（强制停，正式对话阶段） 1. 按 `references/analysis-spec.md` 写 `knowledge/annual/YYYY.json` 逐年 + `cross_year.json`（评分标准/三判据/宁缺毋滥全在手册里） 2. 写 `findings/01-05.md` 五章，对应五问： 01 自我认知时间线（今昔对比句法）/ 02 关注点迁移（主题份额）/ 03 转折点解剖（得失×在场者编码）/ 04 人格底色（不变量 CV）/ 05 人际关系客观层（五信号，无公式） 3. 跑 `assemble_datajson.py`——quote 校验不过就回原文修正再跑，**不许绕过校验** 4. **CP3——和用户聊发现**：逐个发现给出"一句话结论 + 最强证据（带日期原文）+ 方法边界"， 然后听：用户可以否决、修正、补充亲历语境；人物档案的 role 字段邀请用户命名； 沉重的发现先问"这部分要不要展开"。把用户的修正回写进 findings 和 annual JSON ### P5 展示与交付 → 检查点 CP4（强制停） 1. 读 `references/presentation.md`，写 `output/site.json`（全部叙事文案： 序厅大标题、五厅"标题即结论"、footnote 方法边界、尾厅收束句） 2. **CP4（构建前）**：把文案清单给用户签字——序厅大标题、尾厅收束句、五厅标题、 精选引语。这些是年鉴里最重的话，必须是用户认可的话 3. 跑 `build_html.py`，让用户本地打开 `output/index.html` 验收 （交互全项过一遍，见 presentation.md 的 CP4 检查单） ## 语料不足时的降级 语料 < 100 篇或不足 2 年：只做长廊 + 对比句 + 星图，跳过 CV 和转折编码 （详见 analysis-spec.md 体量门槛）。site.json 少写对应展厅，模板自动隐藏，无需改模板。 ## 增量更新（新语料进来时） P1 局部（增量核验）→ 只重读新增部分、更新受影响年份的 digests/annual → 重跑 P3 全部脚本 → assemble → 必要时补 CP3 聊新发现 → 更新 site.json → build。 详见 references/ingestion.md 增量流程。 ## 参考文件 - `references/ingestion.md` — P1 详规：按来源的 playbook、核验协议、PROJECT.md 模板 - `references/analysis-spec.md` — P2/P4 编码手册：评分标准、四个分析方法、annual schema、体量门槛 - `references/presentation.md` — P5 详规：五展厅映射、site.json schema、文案规范、CP4 检查单 - `assets/config.template.json` — 配置模板（中文 lexicons 默认值内置） - `assets/template.html` — 年鉴模板（渲染器，勿改副本，文案走 site.json）