主题
预装短语库 reseed 交接（RVH → RB）
RVH Phase 1 完成，交 RB 启动 Phase 2。 对应 RB 简报：
~/reading-browser/docs/cross-end/06-rvh-phrase-library-brief.mdRVH 计划：rvh/docs/plans/phrase-library-rvh-phase1-plan.md日期：2026-06-07
1. 发布物
| 项 | 值 |
|---|---|
| DB 文件 | assets/databases/reading_vocab.db |
| SHA256 | 22ee5f1f0a9ebd850c68a3d0e29d51847e0db5f55b51edfbe1bb9ed448c070fd |
_preinstalledVocabVersion | 16 → 17 |
| schema | 不变（短语复用现有列，无 schema 变更） |
| 词库总量 | 12291 → 18899（+6611 短语，3 条合并入既有行） |
⚠️ DB 文件 sha 每 build 变（created_at 时间戳）；RB reseed 比 pos_definitions 内容，文件 sha 仅供完整性校验。
2. 交接回填表（对应简报 §4.1）
| 项 | 目标 | RVH 实际值 | ☐ |
|---|---|---|---|
| phrasal_verb 条数 | ~1,000–2,000 | 1861 | ✅ |
| idiom 条数 | ~500–1,000 | 5336（见下注） | ⚠️ |
| 含 gloss + 中文 translation 占比 | 100% | 100% | ✅ |
含 primary_cefr_level 占比 | 尽量高 | 0%（有意不产，见 §4） | ℹ️ |
含 frequency_rank 占比 | 尽量高 | 99% | ✅ |
word 经 lemmatizer 归一 | 100% | 100%（normalizePhrase，逐 token） | ✅ |
| 仅存连续基础形（无屈折 / 无可分离） | 是 | 是 | ✅ |
| byte-equal 整包覆盖 | 是 | 是（确定性双跑校验通过） | ✅ |
_preinstalledVocabVersion bump | 是 | 17 | ✅ |
| basic（默认排除）条数 | （新增项，见 §3） | 400 | ✅ |
idiom 超目标说明：LLM 按 commonness 评分后，库纳入阈值取 commonness ≤ 3（丢 c4-5 生僻尾巴 2607 条）。idiom 的 c2-3「真常用」比简报预估多，故 5336。降噪由 RB 在高亮层用 frequency_rank 阈值控制（见 §3），库大小与高亮密度解耦——这正是简报「frequency_rank 做降噪阈值」的设计。RB 可只高亮 frequency_rank ≤ 4000（commonness ≤ 2）起步，按体验调。
3. 字段约定（RB 消费要点）
每条短语 = 一行 vocabulary：
word：归一后基础形短语（逐 token lemmatize + 单空格 + NFC）。word_tags：JSON 数组，含phrasal_verb或idiom（互不互斥，可并存）。basictag（超出原简报的新增契约）：标记「太简单=系统默认排除」的短语（如go on/give up/find out）。共 400 条。语义见 §3.1。pos_definitions：单 POS key"phrase"→definitions[]，每条{gloss, translations:{zh}}。覆盖度驱动义项：idiom 多为 1 条，常用 PV 1–5 条（如get up5 义：起床/站起/攀登/增强/组织）。frequency_rank：commonness×2000 代理（commonness 1→2000 … 3→6000）。越小越常用，与单词 rank 同向。RB 据此降噪。primary_cefr_level：NULL（短语不产 CEFR）。emoji/ipa/etymology/word_forms：NULL。
3.1 basic = 系统默认排除短语（决定 A，需 RB 协调）
「太简单」短语保留入库但标 basic，作为系统默认排除集。落地复用 RVH/RB 已有的 v42 recommended_excluded_words 机制（Supabase 公共表 → 确定性 id merge 进 per-user excluded_words → 同步 + 统一 UI）：
- RVH 已产 artifact：
tools/vocabulary_builder_v3/output/recommended_excluded_phrases.jsonl（400 条，{word(归一), sort_order, tags}）。 - 需 RB/Supabase 协调动作：把这 400 条短语加进 Supabase 公共表
recommended_excluded_words（word用 artifact 里的归一形，保证与 vocabulary.word 同归一 → merge 命中）。 - ⚠️ 这是对简报 §5「无 Supabase 动作」的有意偏离——经双方确认采用（复用现成排除机制，零新增逻辑，UX 与排除词统一）。
recommended_excluded_words是全端共享表，策展归属/时机请 RB 确认。 - RB 运行时：
有效排除 = (在用户 excluded_words) OR (该短语 basic 且未被用户捞回)；basic 短语默认不高亮。
4. 归一一致性（红线 #9）—— 20 条样例（对应简报 §4.2）
RB Phase 2 须实现逐字符等价的 normalize_phrase（split_whitespace → lemmatize 每 token → join " " → NFC），用同输入复算确认 diff 为空。完整回归集：test/data/phrase-normalize-regression.txt（35 条）+ RVH 输出 tools/vocabulary_builder_v3/output/rvh-phrase-normalize.csv。
| # | 原始短语 | 入库 word（归一后） | 说明 |
|---|---|---|---|
| 1 | Looking Into | look into | 大小写 + 屈折 |
| 2 | LOOKS INTO | look into | 全大写 |
| 3 | looked into | look into | 屈折 |
| 4 | gives up | give up | 屈折 |
| 5 | gave up | give up | 不规则过去式 |
| 6 | giving up | give up | -ing |
| 7 | took off | take off | 不规则 |
| 8 | taking off | take off | -ing |
| 9 | running out | run out | 双写 -ing |
| 10 | look forward to | look forward to | 3-token |
| 11 | looking forward to | look forward to | 3-token 屈折 |
| 12 | put up with | put up with | 3-token |
| 13 | came up with | come up with | 3-token 不规则 |
| 14 | runs out of | run out of | 3-token 屈折 |
| 15 | break the ice | break the ice | idiom |
| 16 | breaks the ice | break the ice | idiom 屈折 |
| 17 | piece of cake | piece of cake | idiom（注：Kaikki 词条无冠词 a） |
| 18 | a dime a dozen | a dime a dozen | idiom |
| 19 | raining cats and dogs | rain cat and dog | ⚠️ 逐 token lemmatize 致字面变形，跨端一致即可 |
| 20 | déjà vu | déjà vu | Unicode NFC byte-equal |
⚠️ 已知 lemmatizer 资产瑕疵：surface_to_base.json（双端共享）有 3 处错误映射 picked→pic / passed→pas / trying→trie（tried→try 却对）。表现：picked up → pic up（不等于库里 pick up）。跨端一致性不破（双端同资产同输出，diff 仍空），仅影响 pick/pass/try 系短语的屈折匹配召回。属红线 #5e（资产双端原子提交）独立修，不在本次。详见 RVH memory reference_lemmatizer_asset_bugs。
5. RB 待办（Phase 2 协调清单）
/vocab-reseed：整包覆盖src-tauri/assets/reading_vocab.db+ bumpVOCABULARY_SEED_VERSION+ 校验。- 实现逐字符等价
normalize_phrase，跑test/data/phrase-normalize-regression.txtdiff RVH 的rvh-phrase-normalize.csv，确认为空。 get_phrases_for_matching：查word_tags含 phrasal_verb/idiom 的短语 + frequency_rank（降噪）+ basic（默认排除）。- 决定 A：把
recommended_excluded_phrases.jsonl（400 条）填入 Supabaserecommended_excluded_words公共表（协调策展归属；这是对简报 §5 的有意偏离）。 - 高亮降噪起步阈值建议：只高亮
frequency_rank ≤ 4000（commonness ≤ 2）且非 basic。
6. 验收 SQL（RB reseed 后）
sql
-- 短语条数（注意 NULL word_tags 行会让 json_each 报错，加 IS NOT NULL guard）
SELECT value AS tag, COUNT(*) FROM vocabulary, json_each(vocabulary.word_tags)
WHERE vocabulary.word_tags IS NOT NULL AND value IN ('phrasal_verb','idiom','basic')
GROUP BY value;
-- 期望：basic 400 / idiom 5336 / phrasal_verb 1861
SELECT word, word_tags, frequency_rank,
json_extract(pos_definitions,'$') IS NOT NULL AS has_def
FROM vocabulary WHERE word IN ('look into','give up','get up','piece of cake','break the ice');