汉语基础预料的管理平台
下面给一个面向可交付、按优先级（P0→P2）划分的功能规划，专注于你想先做的三类语料：汉字（word）/ 词语（ci）/ 歇后语（xiehouyu）。每个条目都包含：为什么要先做、验收标准（可交付物）和实现要点/注意事项，便于你直接落地实现或分配给团队去干。
我会把优先级分为三个阶段：
- P0（MVP 必须）：产品能用起来的最小集合；
- P1（关键能力）：提升质量与运维效率、支撑后续功能；
- P2（增强/智能化）：让语料“能被 NLP 用”的功能，放在稳定后实现。
P0 — MVP（必须先实现，平台能“用”起来）
这些功能做完后，任何人都能把现有 JSON 导入、查、改、删，开始常规管理。
1. 统一元数据 Schema（必须）
为什么？ 不同源文件字段不一致，统一 schema 是后面一切功能的前提。 验收标准： 定义并实现 JSON Schema（或 DB 表结构）并能用于导入校验。 要点：
- 公共字段：
id, type, text, pinyin?, explanation, tags[], raw?, meta{source, version, imported_at}。 -
各类型扩展字段：
word（汉字）：word, pinyin[], radicals, strokes, unicode, meanings[]ci（词语）：ci, pinyin, pos?, senses[]xiehouyu（歇后语）：riddle, answer, explanation, region?示例（简短 JSON Schema） 我会在下一步给出可用模板（如果你要我直接生成，我现在就给出）。
2. 导入 / 清洗 Pipeline（一次性把现有 JSON 入库）
为什么？ 源数据格式混乱，需要自动化导入并规范化，避免后续手工改大量条目。
验收标准： 能把 idiom.json / word.json / ci.json / xiehouyu.json 全部导入到数据库，导入报告显示：总数/成功数/失败数/重复数。
要点：
- 支持文件格式：JSON、CSV。
- 映射规则（字段名映射），空值填充（pinyin 自动空或调用后续任务生成）。
- 基础清洗：trim、移除不可见字符、统一引号/星号符号处理、去重（基于 text+type 或 normalized text）。
- 报告：导入日志+样例错误行。
3. 基础 CRUD 后台与列表页（Web UI）
为什么？ 管理必须能直接查看条目并修改。 验收标准： 管理员能在 UI 中：搜索条目、分页浏览、查看详情、编辑保存、软删除与恢复、导出 selected CSV/JSON。 要点：
- 列表按 type 过滤（汉字/词/歇后语）
- 详情页显示 raw 原始数据与结构化字段（allow edit）
- 支持富文本显示 explanation（保留换行）
4. 基本搜索（文本、拼音、类型）
为什么？ 无搜索，管理效率极低。
验收标准： 能做到按 text 模糊搜索、按 pinyin 搜索（拼音包含/前缀匹配）、按 type 过滤。
要点：
- 初版可以在数据库中用 LIKE / full-text（MySQL / Postgres）或简单倒排（小量数据）。
- 搜索需忽略声调/大小写/全半角差异。
5. 导出（按筛选导出 JSON/CSV）
为什么？ 便于迁移、备份、审核。 验收标准： 在 UI 或 API 能导出当前筛选结果为 JSON 或 CSV 文件。
P1 — 核心增强（提升数据质量、协作和安全）
在 MVP 之上，做这些能显著提升平台可维护性和团队协作效率。
6. 版本控制 & 审计（变更日志）
为什么？ 数据会被多人修改，需要回溯与回滚。 验收标准： 每次编辑产生变更记录（用户、时间、变更前后差异），并能回滚到任意历史版本（最近若干）。 要点：
- 简单实现：数据库 audit 表保存 diffs 或快照。
- 高级实现：把数据存为 Git-like 版本或使用专门的版本库。
7. 批量编辑/批量替换 & 验证规则
为什么？ 大规模修正、统一规范字段时非常必要。 验收标准： 支持：批量更改 tags、批量标注 pinyin、批量删除重复项；支持先预览再执行。 要点：
- 支持 dry-run 预览影响条目数与示例。
8. 权限与审核流（RBAC）
为什么？ 多人协作需要控制谁能直接修改、谁需要审核。
验收标准： 至少支持角色：admin, editor, reviewer, viewer；editor 的修改进入待审核队列，reviewer 可批准/拒绝。
要点：
- UI 显示待审核列表，审计记录关联到用户。
9. 标签系统（tags / taxonomies）
为什么？ 快速分类、过滤和后续自动化（如生成 relation）。 验收标准： 增加 tag 管理界面（新增/删除/merge tags），条目可打多个 tag，支持按 tag 搜索。 要点：
- 预定义几类 tag：
情感/方言/高频/多音/古义/成语成分等。
P2 — 智能化 & 关系化（放在数据稳定后）
这些是面向 NLP、推荐、知识图谱的能力，数据稳定与结构化后更容易做。
10. 关系抽取与基础关联（字 ↔ 词 ↔ 成语/歇后语）
为什么？ 建关系能让平台做语义搜索、推荐、错误检测。 验收标准： 系统能自动或半自动建立：词包含的汉字、成语拆字、歇后语答案到词/成语的映射；并在 UI 上展示关系图（小规模）。 要点：
- 规则优先（基于字符串拆分/包含），人工校验后采纳。
- 保存关系类型：
contains,variant_of,same_as,related_to。
11. 同/近/反义词、形近字表（半自动）
为什么？ 对于语言理解和校验很重要（纠错、扩展检索）。 验收标准： 提供接口查询近义词、反义词、形近字，支持人工确认。 要点：
- 初版用启发式规则+小词表，再逐步用 embedding 或外部词典扩充。
12. 导入质量监控 & 数据治理面板
为什么？ 随着语料增长，需要指标来管控数据健康。 验收标准： 仪表板展示：总条数、缺失字段比例、重复率、未审核条数、最近导入统计。 要点：
- 定期运行校验任务，生成警告。
13. 基础 API 层（服务化）
为什么？ 便于前端/外部系统调用语料库。 验收标准： 提供 REST API：查询条目、按 id 获取、批量导出、模糊搜索、检索关系。 要点：
- 为后续 embedding/向量服务留扩展点（e.g.
/api/v1/items?embed=true）。
附：MVP（P0）最小可交付清单（直接可上线验收）
把 P0 的 1~5 完成即可交付给内部用户使用：
- 统一 Schema 文档（JSON Schema）
- 导入脚本（接受你现有的 4 个 JSON 并入库）
- 简单后台 UI（列表/详情/编辑/删除/导出）
- 搜索（text/pinyin/type）
- 导出功能
- 基本 README（如何导入、新增字段说明）
