C3 的"低置信度护栏"，在短稿上把一票否决关掉了 最严重 已修复

判分器有个护栏：当输入明显不是纯口播稿时，不给出误导性的分数。判断条件是"违规比例 > 60%"。

// 原实现
low_confidence = total_numbers > 0 and violation_count / total_numbers > 0.6
if low_confidence:
    result["status"] = "结果不可用（低置信度）"
    result["veto"] = False   // ← 把一票否决关掉了

问题：样本量很小时，比例极易达到 100%。
一篇 300 字的正常短稿只要出现 1 个无出处数字 → 总数字 1、违规 1 → 比例 100% → 触发护栏。
结果不是"违规"，而是"结果不可用"，并且 veto 被置为 False。

修复：两处改动，各有明确理由。

// ① 加绝对样本量下限：样本不足时只提示、不降级
C3_MIN_SAMPLE_FOR_GUARD = 4
guard_triggered = (total_numbers >= C3_MIN_SAMPLE_FOR_GUARD and ratio > C3_GUARD_RATIO)

// ② 置信度与 veto 解耦：置信度只决定"分数能不能用"，永远不能关闭违规结论
result["veto"] = bool(violations)

C1 的判定是串联两级，我只测了第二级 方法固有缺陷 盲区已可见

人工和判分器判的是同一批被抽取出来的候选。没被抽出的，永远进不了混淆矩阵。

假设脚本里真实有 5 个自创类比：

违规 A（含"就像"）    → 进入候选 → 判分器正确判违规  → ✅ TP
违规 B（含"就好比"）  → 进入候选 → 判分器正确判违规  → ✅ TP
违规 C（措辞罕见）    → 未被抽出 → 从未被判定 → 直接"通过"流出 → ❌ 不进矩阵
违规 D（措辞罕见）    → 同上
违规 E（措辞罕见）    → 同上

表格报的： 0/2 = 0%     ← 分母只有候选集里的 2 个
真实情况： 3/5 = 60%    ← 分母应该是全文的 5 个

这不是参数没调好，是指标结构上看不见这类错误。 "一致率 ≥80%" 无法证明 C1 拦得住红线——因为未被抽出的假阴性不在任何指标的分母里。

修复：新增召回率诊断，只诊断、不改变判定结论（含标记的句子未必都是类比）。

"规则分用于版本对比"，但实测只有 3 个取值 覆盖范围问题 已修复

扣分逻辑只对 C2/C4/C5/C6 生效，但 C2/C5 压根没被调用，C6 当时没有计数字段 → 恒不扣分。

distinct rule_score values = [59, 90, 100]

C1=0 C3=0 C4miss=0 -> 100
C1=0 C3=0 C4miss=1 ->  90
C1=1 C3=0 C4miss=0 ->  59
C1=1 C3=1 C4miss=0 ->  59      ← 踩 1 条红线 = 踩 2 条红线
C1=1 C3=1 C4miss=1 ->  59

三个问题：① 取值只有 3 个，撑不起"版本对比"；② 踩 1 条红线和踩 2 条同分，严重度无法区分；③ C2/C5 的扣分分支永远不会执行。

修复：C6 初筛产出计数字段纳入扣分；一票否决按命中项数体现严重度；新增 score_scope 显式声明哪些维度参与计分。

两种相似度方法的实测对比 方法固有缺陷 已换方法

原方法用字符二元组 Jaccard 算相似度。构造四档改写强度实测：

修复：离线语义检索，纯 numpy 实现，不依赖任何外部 API。

三个设计决策，依据都来自业务需求（不是技术惯例）：