paeg-lang-style

中文 | English

Qué es esto

paeg-lang-style es un módulo de normas lingüísticas del chino — arquitectura de tres capas (requisito del usuario):

Originado del agente educativo PAEG (iteraciones v0.12-v0.71), transformado en un plugin independiente sin dependencias del host — cualquier proyecto Python puede integrarlo.

Related MCP server: Chinese Sensitive Words MCP Server

Características principales

• Conjunto de reglas ampliable: reglas externalizadas en data/rules.json, añadir y se carga en caliente (RuleRegistry)

• Principios generales que dirigen al LLM: los principios de completitud léxica/completitud sintáctica/complementos circunstanciales suficientes hacen que el LLM generalice, en lugar de memorizar palabra por palabra (evita la estrechez de "solo convertir 倦 en 疲倦")

• Red de seguridad determinista: reglas de capa explícita ("我在这里听着你。"→"我就在这里听你说说。") evitan que el LLM desobedezca

• Bucle de retroalimentación con ID de regla: la retroalimentación de reescritura incluye "viola #rule-lx-001", formando un bucle regla-generación-retroalimentación

• Diccionario dinámico de palabras prohibidas: alta/baja en tiempo de ejecución + carga en caliente desde JSON externo

• Diseño por inyección: chat_fn se inyecta obligatoriamente — conecta tu propia llamada al LLM, cero acoplamiento con el host

• Tres perfiles: general / teaching / confessional — ensambla el prompt del sistema según el escenario

• Detección de sabor IA: 5 señales dimensionales: variación de longitud de frase/densidad de conectores/estructura de tres partes/raya/paralelismo de párrafos

• 8+ reglas gramaticales: norma de puntuación GB/T 15834 + seis tipos de frases incorrectas + normas del lenguaje docente

• 75 pruebas en verde + 20 segmentos de consistencia de comportamiento (igualdad de cadenas con la implementación original de PAEG)

Instalación

# 方式 1：pip 安装（推荐）
pip install -e /path/to/paeg-lang-style-plugin

# 方式 2：直接引用（零安装）
# 把 src/ 加入 sys.path 即可
import sys
sys.path.insert(0, "/path/to/paeg-lang-style-plugin/src")

Requiere Python 3.9+. Cero dependencias de terceros en tiempo de ejecución.

Integración como servidor MCP (instala y úsalo directamente, como MCP)

Estándar de accesibilidad (§3.109): cualquier proyecto, tras pip install, puede integrarse declarándolo en la configuración del cliente MCP — cero puente de código, cero dependencias del host.

# 方式 1：console_scripts 入口（pip install 后）
paeg-lang-style-mcp

# 方式 2：python -m 入口（源码运行）
python -m paeg_lang_style.mcp_server

Declaración de configuración del cliente MCP (p. ej. config/mcp_servers.json):

{
  "mcpServers": {
    "paeg-lang-style": {
      "command": "python",
      "args": ["-m", "paeg_lang_style.mcp_server"],
      "cwd": "D:/wbo-workspace/paeg_project/paeg-lang-style-plugin"
    }
  }
}

Herramientas MCP expuestas (7):

Inicio rápido

Tres pasos: instalar → ensamblar el prompt → procesar la salida.

from paeg_lang_style import RuleRegistry, make_refiner, gate_content

# Step 1: 语法规则拼进你的系统提示词（谁用都拼）
system_prompt = "你是教育智能体，负责讲解数学概念。"
system_prompt += RuleRegistry().build_prompt("teaching")   # 通则层指挥 LLM

# Step 2: 注入你的 LLM 调用（改写脚本）
def my_llm(system, user, max_tokens=800, **kw):
    return call_my_llm_api(system, user, max_tokens=max_tokens)

refiner = make_refiner(chat_fn=my_llm)

# Step 3: LLM 输出后处理（L0 规则 + L2 重写）
raw_output = "总的来说，让我们一起赋能这个时代！"
clean = gate_content(raw_output, refiner=refiner)
# → "我们把这个时代里的每一个孩子，把他们的潜能一步步唤起。"

Índice

• Conceptos principales

• Guía de integración para proyectos externos

• Ampliabilidad

• Mantenibilidad

• Reglas gramaticales integradas

• Diccionario de palabras prohibidas

• Referencia de API

• Referencia de configuración

• Diseño de arquitectura

• Integración con el proyecto principal PAEG

• Pruebas

• Guía de contribución

• Registro de cambios

• Licencia

Conceptos principales

Arquitectura de tres capas + modelo de datos del conjunto de reglas — la ampliabilidad atraviesa los tres puntos: definición de reglas/detección/generación de prompts:

graph LR
    A[LLM 生成文本] --> B[gate_content 守门]
    B --> C{L0 规则检测}
    C -->|命中列举层| D[确定性替换<br/>听着你→听你说说]
    C -->|通则触发| E[L2 refiner.refine<br/>chat_fn 注入 LLM]
    E --> F[反馈带规则 ID<br/>违反 #rule-lx-001]
    F --> G[多轮 Self-Refine]
    D --> H[输出]
    G --> H
    H --> I[收口: 规则再跑一遍]

Modelo de datos de reglas (Rule — ampliable mediante JSON externo):

{
  "id": "rule-lx-general-001",
  "type": "general",
  "category": "lexical",
  "pattern": "(倦|乏|沉|累|苦|慌|虚|弱|低|烦|闷|困|急|乱)",
  "replacement": null,
  "message": "存在单字状态词——应扩展为完整双字词形",
  "prompt_block": "### 词法完整通则（指挥 LLM 泛化）...",
  "severity": "high",
  "enabled": true,
  "source": "builtin",
  "profile_tags": ["general", "teaching", "confessional"]
}

• type: "general" (capa de principios generales): prompt_block se inserta en el prompt del sistema y dirige al LLM a generalizar — "todo adjetivo monosilábico que exprese estado/sensación debe ampliarse a la forma bisilábica completa (倦/乏/沉/累/苦/慌/虚/弱/低/烦/闷/困/急/乱)". El LLM generaliza por sí mismo a palabras no enumeradas, en lugar de corregir solo "倦→疲倦".

• type: "explicit" (capa explícita): pattern + replacement como red de seguridad determinista — la última línea de defensa cuando el LLM no obedece.

Guía de integración para proyectos externos

Requisito del usuario: cualquier proyecto/agente que quiera usar nuestro módulo de reglas gramaticales, ¿cómo lo hace?

Escenario A: solo quiero usar la "restricción de reglas gramaticales" (prompt del sistema)

from paeg_lang_style import RuleRegistry

# 语法规则拼进自己的系统提示词（谁用都拼）
system = "你是我的客服机器人。"
system += RuleRegistry().build_prompt("general")   # 或 "teaching" / "confessional"

El fragmento de reglas devuelto por build_prompt(profile) (principio general de completitud léxica/principio general de completitud sintáctica/principio general de complementos circunstanciales suficientes/norma de puntuación) se concatena directamente en el system prompt de tu LLM. Esta es la esencia de "dirigir al LLM a usar palabras completas" — no depende de nuestro reescritor.

Escenario B: quiero usar el "script de reescritura" para procesar la salida del LLM

from paeg_lang_style import make_refiner, gate_content

# 注入你自己的 LLM 调用包装（chat_fn 强制注入，零宿主耦合）
def my_chat(system, user, max_tokens=800, **kw):
    return call_your_llm(system, user, max_tokens=max_tokens)

refiner = make_refiner(chat_fn=my_chat)
clean = gate_content(your_llm_output, refiner=refiner)   # L0 规则 + L2 重写
# 纯规则（不调 LLM）：
clean = gate_content(your_llm_output)                    # 病句/违禁词确定性修正

Escenario C: quiero usar el "diccionario de palabras prohibidas"

from paeg_lang_style import ForbiddenWords

fb = ForbiddenWords()                     # 内置违禁词（AI 腔/空洞大词/伪共情/网络用语）
fb.load_json("my_words.json")             # 合并你自己的词库（动态扩充）
fb.add("你们公司的禁词")                  # 运行时新增
hits = fb.detect(text)                    # → ["禁词1", "禁词2"]

Escenario D: quiero ampliar las reglas (ampliabilidad)

Edita data/rules.json, añade una regla y se carga en caliente:

{
  "rules": [
    {
      "id": "rule-my-001",
      "type": "explicit",
      "category": "lexical",
      "pattern": "你们行业的黑话",
      "replacement": "规范说法",
      "message": "这是行业黑话，应改规范",
      "severity": "medium",
      "enabled": true,
      "source": "user",
      "profile_tags": ["general"]
    }
  ]
}

reg = RuleRegistry()
reg.load("data/rules.json")    # 合并（追加即生效）
reg.watch("data/rules.json")   # mtime 变更自动热重载
reg.check_reload()             # 每次调用前检查

Escenario E: integración completa (incluido el bucle de retroalimentación con ID de regla)

from paeg_lang_style import RuleRegistry, make_refiner, gate_content, get_style_prompt

# 1. 系统提示词（规则 + 风格）
system = get_style_prompt("all") + "\n" + RuleRegistry().build_prompt("general")

# 2. 改写器（规则检测 → 反馈带 ID → 重写）
refiner = make_refiner(chat_fn=my_chat)

# 3. 守门（L0 规则 + L2 重写 + 收口）
final = gate_content(raw, refiner=refiner)

Ampliabilidad

Mantenibilidad

• Cero dependencias del host: no importa ningún módulo del proyecto host, comprobable de forma independiente

• Compatibilidad con API antigua: rules.py/rules_enhanced.py se conservan como envoltorios finos, compatibles hacia atrás

• 75 pruebas: cobertura completa de carga del conjunto de reglas/recarga en caliente/detección/ensamblaje/ampliación por el usuario/tolerancia a corrupción

• Consistencia de comportamiento: 20 segmentos de muestra con igualdad de cadenas frente a la implementación original de PAEG (cero deriva)

• Tolerancia a corrupción: si el JSON se corrompe, se conserva el conjunto de reglas anterior, nunca "se vacía y se ejecuta"

• Anti-inflación: token_budget controla la longitud del prompt del sistema (por defecto 800)

• Patrón claro: separación de responsabilidades entre la capa de principios generales (dirige al LLM) y la capa explícita (red de seguridad determinista)

Reglas gramaticales integradas

Detalle del principio general de complementos circunstanciales suficientes (rule-sx-general-002, añadido por el usuario):

Cada acción/juicio debe explicitarse con complementos circunstanciales suficientes — tiempo, lugar, modo, condición, objeto, finalidad. "复习单词。" → "你可以在每天睡前用十分钟复习单词。" "使用这个软件。" → "你可以在每天固定的时间使用这个软件。"

Diccionario de palabras prohibidas

Forma de ampliación: ForbiddenWords().load_json("path.json") — estructura JSON {"extra_forbidden": [...], "ai_tells_extra": [...]}.

Referencia de API

RuleRegistry

LanguageRefiner / make_refiner

gate_content / gate_short

ForbiddenWords

get_style_prompt

Referencia de configuración

Variables de entorno

Archivos data/

Diseño de arquitectura

宿主系统（任何 Python 项目 / 智能体）
  system_prompt += RuleRegistry().build_prompt()    <- 语法规则拼系统提示词（谁用都拼）
  gate_content(output, refiner=make_refiner(chat))  <- 输出后处理
        |
        | 零宿主依赖（不 import 宿主任何模块）
        v
paeg_lang_style（独立插件）
  +------------------+  +-----------------+  +-----------------+
  | rule_registry    |  | forbidden.py    |  | ai_taste.py     |
  | 可扩充规则集      |  | 动态违禁词库     |  | AI 味检测        |
  +--------+---------+  +--------+--------+  +--------+--------+
           |                    |                     |
           v                    v                     v
  +-----------------------------------------------------------+
  | refiner.py（改写脚本：chat_fn 注入 + 规则 ID 闭环）           |
  | gate.py（守门入口：L0+L2 编排）                              |
  +-----------------------------------------------------------+
  data/（rules.json / forbidden_words.json / 语料）

Integración con el proyecto principal PAEG

El agente educativo PAEG se integra mediante la única capa de adaptación infra/lang_plugin_bridge.py (regla de hierro R18/R20 de cero rupturas):

from infra.lang_plugin_bridge import gate_content, get_style_prompt, make_refiner
# 插件挂载 → 走插件；插件未挂载 → 静默回退 PAEG 原实现（旧文件永不删除）

Ver docs/integration_paeg.md.

Pruebas

python -m pytest tests/ -q
# 75 项：规则集加载/热重载/检测/拼装/用户扩充/损坏容错 + 通则 + 充分状语 + 行为一致性

Guía de contribución

¡Las contribuciones son bienvenidas! Consulta CONTRIBUTING.md (pendiente de creación) para saber:

• Nueva regla de sintaxis: edite data/rules.json para añadir Rule (con pruebas)

• Nueva palabra prohibida: ForbiddenWords.load_json o envíe directamente un PR al diccionario integrado

• Estilo de código: siga la estructura de módulos existente + las normas de comentarios

Registro de cambios

Consulte CHANGELOG.md.

Agradecimientos

• Agente educativo PAEG (iteraciones v0.12-v0.71) — este plugin se extrajo de su módulo de especificaciones lingüísticas

• LanguageTool — paradigma de motor declarativo de reglas (dev.languagetool.org)

• textstat — paradigma de medición de legibilidad (github.com/textstat/textstat)

• GB/T 15834-2011《Uso de los signos de puntuación》 — norma nacional para las reglas de puntuación

• Estándar Agent Skills — paradigma de divulgación progresiva (agentskills.io)

Licencia

MIT © 2026 PAEG Team — consulte el archivo LICENSE.