13 · lemmatizer 资产折叠进 reading_vocab.db reseed 交接（RVH → RB）

RVH 段二交付：接 RB 表契约 ~/reading-browser/docs/cross-end/13-lemmatizer-fold-handoff.md，把 surface_to_base.json + base_forms.json 两个打包资产烤进 reading_vocab.db 的三张 lemma_* 表，RVH 运行时改从 db 读 lemmatizer Layer 1/2，停止打包 JSON。日期：2026-06-15 · RVH 主库 Schema 不变 / 预装库 新增三表（vocabulary 内容 byte-identical） · 优先级：架构收敛（打包/加载资产 3→1，消灭一类红线 #9 漂移）

⚠️ 行数/SHA 已被 v26 取代（2026-08-18）：lemma_* 表的表契约（DDL）不变，但行数会随每次资产修正变动（v26 140,281/101,709 → v27 140,277/101,713 → …）。 当前权威值只在根目录 CLAUDE.md 红线 #5e 维护，本文不再跟随 —— 这几个数字在 v23/v24/v26/v27 已反复漂移，就地重写只会再漂一次。（RB build_dict.rs 修正 178 个 surface 的 AGID 古语/残根错映射）。当前权威值见根目录 CLAUDE.md 红线 #5e；本轮落地见 24-rb-lemmatizer-asset-v26-reseed-handoff.md（RB 交接）+ 25-rvh-lemmatizer-v26-confirmation.md（RVH 回执）。本文 §1 的契约数字已就地更新；§3 验证回执保留 2026-06-15 当时的实测值不改 （那是真机日志与当时的 db SHA，属 as-built 记录）。

TL;DR（RB 要做的事 —— 全在 RB 会话，本文件只对齐契约 & 报新 SHA）

先放宽 scripts/sync-rvh-vocabulary.sh 断言（TABLE_COUNT -eq 1 → 允许 4 表白名单） → 再跑同步脚本拉新 db（顺序关键，否则脚本因「表数 ≠ 1」中止）。
拉到的 reading_vocab.db 新 SHA = 05facc9bbdadcaccadd3b3a32a1e3c03e42df10485ece5922d352f19c8f249e6 （旧 c81d137492…）。bump VOCABULARY_SEED_VERSION 触发装机用户重灌。
改 src-tauri/src/commands/lemmatizer.rs：两个 LazyLock + include_str! → 从 attach 的 reading_vocab.db 一次性 SELECT 进内存（OnceCell<HashMap> / OnceCell<HashSet>， app setup eager init）。查词路径不变（仍内存 O(1)）。去掉两处 include_str!。
确认 helpers.rs reseed merge SQL 仍只 ATTACH 读 vocabulary 表；三张 lemma_* 表是 lemmatizer 运行时直接读的，不进 notebook merge 流程。
收口写 14-rb-lemmatizer-fold-confirmation.md。

RVH 不动 RB 仓库任何文件（段三由 RB 会话做）。

§1 表契约回执（按 RB §1 编码，已验证）

reading_vocab.db 新增三张表与现有 vocabulary 并存：

sql

CREATE TABLE lemma_surface_to_base (
  surface TEXT PRIMARY KEY,   -- 小写表面形
  base    TEXT NOT NULL       -- 归一 base/lemma
);  -- 行数见 CLAUDE.md 红线 #5e（← surface_to_base.json "map"）

CREATE TABLE lemma_base_forms (
  base TEXT PRIMARY KEY       -- 小写 base 形
);  -- 行数见 CLAUDE.md 红线 #5e（← base_forms.json "base"）

CREATE TABLE lemma_meta (
  key   TEXT PRIMARY KEY,
  value TEXT NOT NULL
);  -- 4 行 provenance

lemma_meta 实际内容（按 key 升序写入）：

key	value
`base_forms_count`	当前值见 CLAUDE.md 红线 #5e
`base_forms_version`	`agid-2016.01.19`
`surface_to_base_count`	当前值见 CLAUDE.md 红线 #5e
`surface_to_base_version`	`agid-2016.01.19`

确定性纪律（RB §1）：INSERT 按主键升序写入（surfaces..sort() / bases.toSet().toList()..sort()）， generate_db 输出 run-to-run 可复现。bake 发生在修正层套用之后的 JSON 上（当时的载体是 patch_lemmatizer_assets.py；该脚本已于 2026-08-18 删除，修正层单一真相源改为 RB src-tauri/examples/build_dict.rs §2.4 corrections / §2.5 force_as_base）： as 不在 lemma_surface_to_base（surface 无 as→a 映射）、as 在 lemma_base_forms（靠 base 自映射返回 as）、picked→pick / passed→pass / trying→try 已修正。

§2 RVH 落地清单（已完成）

生成侧（pipeline）

tools/vocabulary_builder_v3/config.yaml：paths 加 lemmatizer_base_forms（lemmatizer_surface_to_base 已存在）。
tools/vocabulary_builder_v3/lib/db_generator.dart：DbGenerator 加 surfaceToBasePath / baseFormsPath 构造参数；generate() 在 _verify(db) 后调 _bakeLemmaTables(db)（建三表 + 排序写入，沿用既有 sqlite3 写法，无时间戳/无 random）。
tools/vocabulary_builder_v3/bin/generate_db.dart：从 config 取两路径透传给 DbGenerator。
不动：patch_lemmatizer_assets.py（patch 在 bake 之前）、wordlist_builder.dart::_lemmatize（仍读 JSON 当 PK 归一输入）。

运行时侧（Flutter）

lib/core/nlp/lemmatizer.dart：加 preloadFromMaps({baseForms, surfaceToBase})（从内存 Set/Map 直装，绕过 JSON 反序列化）。preloadFromJsonStrings 保留（CLI / 测试用）。
lib/core/nlp/lemmatizer_flutter_loader.dart：loadLemmatizerFromAssets（rootBundle 读 JSON） → loadLemmatizerFromDatabase（从 preinstalled_vocab.db SELECT lemma_surface_to_base / lemma_base_forms 喂 preloadFromMaps）。复用预装库导入拷出的 preinstalled_vocab.db；缺表自愈（探测无 lemma 表 → 从 bundled asset 重拷兜底）。
lib/core/services/startup_initialization_service.dart：新增 Stage 1.5 _initLemmatizer()，排在 _initDatabase() 之后（串行）。启动顺序坑已解：lemmatizer 从 main() 并行批移走 → db 先于 lemmatizer 就绪。
lib/main.dart：从 fast-init Future.wait 移除 loadLemmatizerFromAssets()（四并行 → 三并行）+ 移除 import。
pubspec.yaml：移除 assets/nlp/ 打包；JSON 文件留盘（pipeline config 路径仍指向，作构建输入）。

§3 验证回执

项	结果
db 表数	4（vocabulary + lemma_surface_to_base + lemma_base_forms + lemma_meta）
行数	vocabulary 18899（不变）/ lemma_surface_to_base 140370 / lemma_base_forms 101646 / lemma_meta 4
db↔JSON 内容比对	byte-equal（surface_to_base diff 0 / base_forms diff 0，全量逐行）
vocabulary 内容	byte-identical（除 created_at/updated_at 外全列 dump SHA 一致）
lemmatize 抽查	`transferred→transfer` / `mice→mouse` / `picked→pick` / `passed→pass` / `trying→try`；`as` 不在 surface 表、在 base 表
lemma-regression.txt	行为零变化（`as→as` base 层 / 其余 dictionary 层）
设备运行时（Android 15，real device）	启动序 `Database initialized` → `Loaded from db: 140370 surface→base, 101646 base forms` → `Initialization completed in 2862ms`，无异常。自愈兜底路径实测命中（既存安装旧 `preinstalled_vocab.db` 无 lemma 表 → 重拷成功）

新预装库 SHA256：05facc9bbdadcaccadd3b3a32a1e3c03e42df10485ece5922d352f19c8f249e6 （旧 c81d137492bd4a20bc14fbb697ad441d6d5868b4531c7e92c12c50be76c0f4ba）。 output/baseline_sha256.txt 锚点已更新。

§4 两点 RVH 特有说明（RB 对齐用）

RVH 主库 schema 不变、_preinstalledVocabVersion 不变：lemma_* 表只在预装库里， RVH 运行时通过 preinstalled_vocab.db（asset 的拷贝）直接读，不 merge 进 app 主库（RB 同理：lemma 表是运行时直读，不进 notebook merge）。vocabulary 内容零变化，故 RVH 端无需 bump 预装版本触发 upsert；既存安装由 loader 缺表自愈重拷处理（实测命中）。RB 端因 reseed 复制整包 db，仍需 bump VOCABULARY_SEED_VERSION 让装机用户拿到带新表的 db。
红线 #5e 措辞迁移：byte-equal 要求从「surface_to_base.json / base_forms.json 运行时资产」转为「reading_vocab.db 内 lemma_* 表」；JSON 降级为 pipeline 构建输入（仍需 RB build_dict ↔ RVH 一致，但不再是 shipped runtime 资产）。lemmatizer Layer 3/4 算法代码（后缀规则 + 裁决 + NFC）两端各一份的对齐义务照旧——折叠只合并数据，不合并代码。

关联

RB 表契约源文档：~/reading-browser/docs/cross-end/13-lemmatizer-fold-handoff.md
RB 收口（待 RB 会话写）：~/reading-browser/docs/cross-end/14-rb-lemmatizer-fold-confirmation.md
RVH CHANGELOG：本批 [Unreleased] / Changed
红线：CLAUDE.md §跨端 Sync 协议红线 #5e（资产 byte-equal，措辞迁移见 §4.2）

13 · lemmatizer 资产折叠进 reading_vocab.db reseed 交接（RVH → RB） ​

TL;DR（RB 要做的事 —— 全在 RB 会话，本文件只对齐契约 & 报新 SHA） ​

§1 表契约回执（按 RB §1 编码，已验证） ​

§2 RVH 落地清单（已完成） ​

生成侧（pipeline） ​

运行时侧（Flutter） ​

§3 验证回执 ​

§4 两点 RVH 特有说明（RB 对齐用） ​

关联 ​