主题
词汇与构词领域知识
最后更新：2026-06-15 本文档沉淀 Lampio 涉及的语言学/构词学领域概念——不是规划，也不是实现说明， 而是产品功能背后的业务知识：每个概念是什么、彼此的边界、以及它落在 app 的哪张表 / 哪个界面。
用途：做词汇相关功能（词源卡、近义辨析、消歧、cloze、词形还原）时，先在这里对齐术语， 避免把「词根」当「词目」、把「词族」当「词形」之类的概念混淆带进代码和文案。
1. 构词学四概念：词源 / 词根 / 词族 / 词形
这是最容易混淆的一组。一句话先框住关系：
词根嵌在词源里，词族是词源的兄弟，词形是同一个词的语法外衣。
以 transfer 为例：
transfer（一个词）
│
┌────────────────────────┼────────────────────────┐
│（往后看历史） │（往外长：别的词） │（往内看：同一个词的语法变化）
│ │ │
词源 词族 词形
源自拉丁语 transferre transferable(形) transfers(三单)
「搬过去」 transference(名) transferring(现分)
└─ 词根（词源的零件） transferee/transferor(名) transferred(过去式/过去分词)
trans 跨越 transferability(名)
ferre 携带 … （词义不变，只换语法外衣）| 概念 | 本质 | transfer 的例子 | app 里 | 数据/界面落点 |
|---|---|---|---|---|
| 词源 etymology | 词的来历叙述 | 源自拉丁语 transferre「搬过去」 | ✅ 词源卡 1–2 行 | vocabulary.etymology（JSON {summary_en,summary_zh,roots?}） |
| 词根 root | 来历里的语素零件（词源的子集，非独立词） | trans 跨越 · ferre 携带 | ✅ 词源卡「词根」行 | etymology.roots |
| 词族 word family | 同家族的派生整词（构词网络，各有词性/各有其义） | transferable · transference · transferee… | ✅ 词源卡「同族词」chips | vocabulary.word_family |
| 词形 word forms | 同一个词的屈折语法变化（时态/单复数，词义不变） | transfers · transferring · transferred | ❌ 不展示 | vocabulary.word_forms（cloze 挖空内部用，见 §3） |
关键边界（写代码 / 写文案时反复用到）
词根 vs 词族 = 语素 vs 整词
ferre/trans不能单独当词用（零件）；transferable是成品词。 → 词根永远出现在词源叙述内部，词族永远是可点击的独立词 chips。词族 vs 词形 = 不同的词 vs 同一个词
transfer → transferable是新词（形容词，新义，进自己的词条）；transfer → transferred只是transfer的过去式（还是transfer，只换了语法外衣，不单独成词条）。 → 这条决定了 app 为什么把词族做成 chips、却把词形藏起来：词族有学习价值（拓展词汇量），词形对学习者噪声大、价值低。方向不同 词源 / 词根 朝后看历史（这个词怎么来的）； 词族 / 词形 看横向 / 纵向的构词关系（这个词长出了什么 / 变形成什么）。
反 folk etymology 纪律
词源数据预装时严守真实性：拿不准来历的词宁可留 NULL，不编「民间词源」。 典型如 posh/golf/tip 这类有流行 acronym 传说但语源学上证伪的词，etymology 全数 NULL。 （详见 docs/cross-end/12-etymology-handoff.md / 预装库 reseed v20）
2. 词目（lemma / 归一形）vs 词根
这两个不是一回事，schema 里的注释曾把 lemma 简写成「词根」，是不精确的。
| 概念 | 是什么 | 例子 | 是不是独立词 |
|---|---|---|---|
| 词目 / 归一形 lemma | 一个词的词典基本形（去掉屈折后的标准查询形） | transferred→transfer，mice→mouse，better→good | ✅ 是整词 |
| 词根 root | 词源里的语素零件（构词最小单位，见 §1） | transfer 的根是 ferre/trans | ❌ 不是词 |
- lemma = 词形还原（lemmatization）的结果，仍然是一个能查字典的完整单词，只是脱掉了「词形」那层语法外衣（§1 第四列的逆操作）。
- app 里
vocabulary.word主键存的就是归一形：写入前必经lemmatizer::normalize()（lemmatize + NFC）。 用户在文中双击transferred，存进生词本的是transfer——这样跨端 PK 一致、复习时不会transfer/transferred重复入账。 word_page_links.lemma列记录的是「这条语境里那个词的归一形」，不是形态学词根。
红线提示：写入
vocabulary/learning_entries/known_words等表的word字段前必经归一， 否则破坏跨端主键一致性（CLAUDE.md 技术红线 #9）。这是「词目」概念在工程上的硬约束。
数据落点（2026-06-15 cross-end/13 lemmatizer 折叠）：归一所需的 surface→base 映射（140,277 条）+ base 形集合（101,713 条；两个数经 2026-08-18 cross-end/24 从 140,370 / 101,646 变到 140,281 / 101,709， 再经 2026-08-25 cross-end/28 的 v27 残留修正变到现值） 此前是两个
include_str!的 JSON 资产，现已折叠进预装库lampio_dict.db的lemma_surface_to_base/lemma_base_forms表，运行时由commands/lemmatizer.rs只读直载进内存 （查词仍 O(1)）。打包/加载的 byte-equal 资产由 3 → 1。归一算法（4 层管线）仍是两端各一份的代码，对齐义务不变。
3. 为什么词形（word forms）只在 cloze 内部用、不展示
复习卡 cloze（填空）正面要把生词从真实例句里挖空，让用户回忆。 但用户存词时读到的句子里，那个词可能是任意词形：存的是 transfer，句子里却是 transferred。
→ 挖空匹配需要知道 transfer 的所有词形（transfers/transferring/transferred）， 才能在句子里定位并扣掉正确的那一个。这就是 word_forms 的唯一用途：匹配，不是展示。
对学习者而言「transfer 的过去式是 transferred」信息量低、噪声大，所以不进任何卡面 / chips。 （对比 §1：词族进 chips 是因为它扩词汇量，词形不进是因为它没有新词义。）
4. 词义 / 义项（polysemy / sense）——消歧的根基
一个词条下往往有多个义项（sense）：同一个 word、不同的释义，按词性和语义分裂。 存在 pos_definitions JSON 里（每个义项一条 gloss + examples + synonyms…）。
核心业务问题：一词多义时，用户此刻读到的是哪一个义项？
- 例：
bank在「river bank」和「open a bank account」里是两个完全不同的义项。 - 直接把所有义项堆给用户 = 噪声；标错义项 = 自信地误导（比堆所有义项更糟）。
app 的处理（roadmap ⑥ 系列）：
- 双击查词时，把当前句子 + 候选义项交给 Edge Function
disambiguate-sense选「贴合义项」。 - 存的是义项的 gloss 文本（不是 sense_index）——规避预装库 reseed 后义项顺序漂移导致「自信标错」。
- 复习翻面时按 gloss 文本重新定位，给贴合语境的那条释义打绿底高亮。
设计教训（已写进 project memory
project_word_sense_disambiguation）： Phase 0 本地 Lesk 算法实测放弃——例句噪声 + 字面匹配会产出自信的错误徽标（反例number）。 消歧宁可不标，不可标错。义项选择交给 LLM 而非本地启发式。
5. 搭配 / 近义 / 辨析——三种不同的词间关系
近义辨析功能（roadmap ⑤）背后是三个不同的关系，容易混为一谈。三者都挂在 pos_definitions 每个义项内部：
| 关系 | 是什么 | 例子（以 big 义项为例） | 数据键 |
|---|---|---|---|
| 近义词 synonym | 义近、可能可替换的词 | large · huge · enormous | synonyms |
| 辨析 differentiation | 近义词之间怎么区分用（细微差别） | huge 比 big 程度更强、更主观 | differentiation[{synonym,distinction_en,distinction_zh}] |
| 搭配 collocation | 这个词习惯和谁一起出现（固定组合） | big decision · big mistake（不说 large decision） | collocations[{pattern,note_zh}] |
边界
近义 vs 搭配 = 能换的词 vs 能连的词 近义关注「这个词≈哪个词」；搭配关注「这个词常接哪个词」。
large是big的近义；big deal是big的搭配——搭配里换成近义large deal反而不地道。近义 vs 辨析 = 列出来 vs 讲清楚 光给近义词列表（
big ≈ huge ≈ enormous）学习者还是不知道何时用哪个； 辨析就是补上「huge强调体量惊人、enormous更书面」这层可操作的区分。
这三键随
pos_definitions整体由 RVH 预装库 pipeline 单点产出（reseed v19 起）， RB 侧不就地修改（技术红线 #10）。
6. 这些概念在 vocabulary 表的落点速查
| 概念 | 列 / 键 | 性质 |
|---|---|---|
| 词目（归一形） | word（PK COLLATE NOCASE） | 写入必经 lemmatizer::normalize |
| 词源 | etymology（JSON {summary_en,summary_zh,roots?}） | 独立列；merge 时单独 DO UPDATE SET |
| 词根 | etymology.roots（词源 JSON 内部） | 语素，非独立词 |
| 词族 | word_family | 派生整词网络 |
| 词形 | word_forms | 仅 cloze 匹配用，不展示 |
| 义项 | pos_definitions[].gloss | 消歧选「贴合义项」存 gloss 文本 |
| 近义 / 辨析 / 搭配 | pos_definitions[].{synonyms,differentiation,collocations} | 三关系，义项内部 |
| 插图 | emoji（OpenMoji hexcode） | 不进同步矩阵 |
| 难度 | primary_cefr_level（A1–C2）+ cefr_inferred/cefr_source | CEFR；inferred 标识来源可信度 |
所有这些列由 RVH 预装库 pipeline 单点产出，RB / RVH 两端 byte-equal 共享
lampio_dict.db（技术红线 #10）。 运行时只 ATTACH 只读读取，绝不就地 ALTER / UPDATE。 列的完整 schema + 同步矩阵见docs/database-schema.md，跨端交接细节见docs/cross-end/。
7. 预装词库的数据源（RVH pipeline）
⚠️ 这段话过期过两轮，现已订正：流水线 2026-07-19 就迁进了 RB，物理位置是
tools/vocabulary_builder_v3/（README +config.yaml是权威说明），RVH 降级为纯消费方； 2026-08-28 合仓后 RVH 也不再是独立仓（= 本仓rvh/）。改 pipeline 就在 RB 会话做， 不需要换会话（会话隔离的判据是工具链，见 CLAUDE.md §9 —— 而这个 pipeline 虽然是 Dart， 跑的是dart run、不碰 Flutter）。预装库单点见技术红线 #10 //vocab-reseedskill。
预装库不是单一来源，而是多源融合 + LLM 增强：不同来源各补不同字段。一句话概括分工—— 词表来源决定「收哪些词、什么难度」，Kaikki 提供「词条主体内容」，LLM 补「Kaikki 缺的 + 教学增值的」。
7.1 字段 → 来源 映射（核心）
| 字段 | 主来源 | 性质 |
|---|---|---|
| 收词范围 + CEFR 难度 | Oxford 5000 / CEFR-J / Google 词频 | 词表三源（见 §7.2） |
| 英文释义 gloss | Kaikki (Wiktionary) | 词条主源抽取 |
| 例句 examples | Kaikki 优先 + LLM 补全 | 平行数组 example_source 逐句标 corpus/llm（见 §7.4） |
| IPA 音标 | Kaikki | 抽取 |
| 词性 POS / 近义 synonyms / 反义 antonyms | Kaikki | 抽取 |
| 词形 word_forms | Kaikki（屈折数据） | 抽取（§3 cloze 匹配用） |
| 词族 word_family | Kaikki（derived 正向 + etymology_templates 反向扫描）+ Google 词频过滤 | 抽取+过滤，非 LLM |
| 中文释义（sense 级） | LLM（默认 DeepSeek） | 翻译，强制相邻义项译文相异 |
| 近义辨析 differentiation + 搭配 collocations | LLM | 生成（roadmap ⑤，§5） |
| 词源 etymology（summary + roots） | LLM | 生成，反 folk etymology（roadmap ⑦，§1） |
| 插图 emoji | 人工复核的 word→OpenMoji hexcode 映射表 | 静态映射 |
| 音频 audio | 下载 MP3（A1/A2/B1）/ URL（B2-C2）；Free Dictionary API 兜底 URL | 见 §7.5 |
易错点：词族是 Kaikki 抽取的、词源是 LLM 生成的——虽然 §1 里它俩是「兄弟」概念， 但数据来路完全不同。词族有 Wiktionary 的派生关系可挖，词源叙述则需要 LLM 写（且严守真实性宁缺毋造）。
7.2 词表三源（决定收哪些词 + 难度）— Step 1
按优先级合并、按小写 headword 去重：
- Oxford 5000 — 骨架，自带官方 A1–C2 CEFR 分级。
- CEFR-J Vocabulary Profile（7799 词）— 补 A1–B2 覆盖。
- Google Web Trillion 词频（333k 词）— 取 top 20k，按词频 rank 推断 C1/C2（rank<10000→C1，≥10000→C2，伪 CEFR）。
过滤：停用词 / 单字母 / 纯数字。 ⚠️ 专有名词并没有被收词阶段过滤掉 —— config.yaml 的 exclude_proper_nouns: true 是个 死开关（wordlist_builder.dart::_shouldExclude 从没读过它），专名照常进 vocabulary。 此处曾写作「专有名词移去 reference_words，不进 vocabulary」，那是从未存在过的行为 （2026-08-31 订正）。今天专名在运行时由 src-tauri/src/db/vocab_scope.rs 的谓词挡在 「可学 / 计难度」之外（vocabulary 里仍有它们，因为「可查」角色需要）； 收词阶段真正落实这道闸是 L-C 的活，见 docs/plans/proper-noun-governance-plan.md。 → 这就是 cefr_inferred / cefr_source 两列的由来：Oxford/CEFR-J 给的是权威 CEFR，Google rank 推断的标 inferred。
7.3 词条主源：Kaikki (Wiktionary) — Step 2/3
Kaikki 是 Wiktionary 的结构化 JSONL dump，单词内容的主数据源。按 master wordlist 匹配抽取， 跳过对学习者无关的 POS（name/symbol/affix/prefix/suffix/particle/numeral/article）。 中文释义由 CC-CEDICT 选配补充，音频 URL 由 Free Dictionary API 兜底。
7.4 例句的双来源（重要细节）
例句不是单一来源：Kaikki 真实语料优先，LLM 只补 Kaikki 缺例句的义项。
examples数组与example_source数组平行，逐句标corpus（来自 Kaikki/Wiktionary 真实语料）或llm（生成）。- LLM 补全是确定性缓存（
data/generated_examples.json提交进 RVH 仓库），不是每次构建重新请求——保证可复现。 - 同理 differentiation / etymology 也是提交进仓库的确定性缓存（
differentiation.json/etymology.json）。
这解释了运行时另一条线
lookup-or-fetch-wordEdge Function：用户查到预装库外的词时， 走同样的 Kaikki+清洗逻辑实时兜底（例句清洗规则三端严格对齐，见 §7.3kaikki_parser注释）。
7.5 质量门槛（quality governor）
pipeline 末尾按阈值卡关，达不到不出库：CEFR 覆盖 100%、英文释义 >98%、IPA >90%、 例句 >80%、中文翻译 >85%、义项区分率 >90%（抽样 200 词人工复核）。 → 这是预装库「12,291 词、字段高覆盖」质量保证的来源。
7.6 LLM provider 纪律
中文翻译 + 例句/辨析/词源生成默认用 DeepSeek（成本低），可切 Claude（质量高 ~10×）/ OpenAI。 换 LLM provider = pipeline 大版本号 bump（RVH 红线）——因为生成内容会变，影响 byte-equal 与跨端一致性。