5219rayhsu/open-book-is-good-skill

開卷有益 Open-Book-Is-Good：考古題自學系統復刻手冊

把官方開放試題資料長成一套「考古題自學系統」的判斷式復刻手冊。給載入此 skill 的 AI agent 執行：偵察資料源 → 下載轉檔 → 判斷式解析 → 題庫 → 答案配對全驗（必跑）→ 裁圖 → 詳解（含查證紀律）→ 詳解紅隊（必跑，問使用者全跑或抽查）→ build 單檔／網站。已在國考跑通， 方法正延伸嘗試臺灣升學（學測 GSAT／會考 CAP）等其他公開試題。

兩道不可略過的必跑門（與「品質門檻」表一致）：

1. 答案配對全驗 —— 解析出的每題答案，逐題對官方標準答案核對，全跑、不抽樣。 這道擋的是解析時的整體錯位（例如某題答案套到下一題），結構檢查（答案落在 A–D 範圍）擋不到。
2. 詳解紅隊 —— AI 生成選擇題與申論題解析後，一定要反駁式紅隊查核；執行前 詢問使用者要「全跑」（逐題查）還是「抽查」（統計停止規則），不得跳過。

---

何時用這個 skill

• 手上有官方公布、可自由重製的試題（依著作權法 §9，見 §9），想把它變成可練習的題庫。
• 要復刻或擴充「開卷有益」這類考古題自學系統：新增一個科目、一個年度，或一整套新考試 （換國家、換考別）。
• 需要把 PDF 試題轉成結構化題庫、裁出圖式題的圖、生成 clean-room 詳解、打包成離線單檔 或網站。

不適用：受著作權保護的商業題本（出版商編排、詳解）；非公開、需授權的試題。

---

核心哲學：judgment 式，不是死腳本

這套流程的靈魂是一句話：先查真實資料再選策略，並內建品質門檻。

• judgment 式、不是死腳本：每一卷的版面、題型、答案鍵格式都不同。解析器要先「偵測 這卷的實況」（有沒有題組？幾選一？有沒有多選／非選？答案鍵長怎樣？圖多不多？）， 再選對應策略 —— 而不是硬套一支萬用腳本。學測較複雜（5 選項、多選、非選、混合題並存， 每科結構差很多），會考較單純（全 4 選一單選）。所以幾乎每科一個 parser。
• 內建品質門檻：judgment 不是隨意，而是把維護者的判斷固化成每次都遵守、不漂移 的門檻（見 §4）。寧可漏、不可錯：規則分情況（圖片題 vs 文字題、題組 vs 獨立題）， 不一刀切。
• 先查實際資料再下判斷：抓到官方答案後用 len(answer) 推題型，比從題幹文字猜可靠； 用官方答案表當權威題號清單，過濾掉附錄被誤判的孤立數字。判斷依據是真實資料，不是規格 或假設。

---

7 phase 流程概覽

偵察 → 下載轉檔 → 判斷式解析 → 題庫 →【答案配對全驗・必跑】→ 裁圖 → 詳解
  →【詳解紅隊・必跑（全跑或抽查，問使用者）】→ build

每個 phase 都有對應的 references/ 深入文件，agent 執行時載入對應檔。

Phase 1：偵察資料源 → references/data-sources.md

找到官方試題與標準答案的實際所在。兩個已驗證的資料源模式：

• 伺服器渲染（學測走大考中心 ceec.edu.tw）：列表頁是靜態 HTML，curl -A Mozilla 直接抓得到，用 python 正則從 HTML 直取 file_pool/*.pdf 連結。curl + python 優於 WebFetch（WebFetch 會摘要、可能漏改連結）。
• JS 渲染（會考走心測中心 cap.rcpet.edu.tw）：主頁前端渲染，curl 抓不到連結。 突破點是 examination.html 用 iframe 載入靜態頁 exam/{年}/{年}exam.html，該頁才 列出指向 Google Drive 的 file id。整理成 cap_drive_ids.json，由 fetch_cap.py 下載（已處理 Drive 大檔的病毒掃描確認頁、_is_pdf() 合法性檢查、冪等跳過）。

碰到新資料源時，第一步永遠是偵察它的渲染方式，再決定 curl 直取或走 iframe／API。

⚠️ 政府／考試開放資料的檔名、編碼、版面年年漂移，是髒資料。 抓檔分類絕不要 exact-match—— ceec 113 數A 的試題檔名少了一個「學」字（數a 而非 數學a），exact-match 直接漏抓整科整年、還 exit 0 不報錯。比對前一律 unicodedata.normalize('NFKC', s)、用別名集合寬鬆比對、零筆即 sys.exit(1) 別覆蓋好資料。完整原則＋ceec 教學案例＋攝取前自檢清單見 references/dirty-data-robustness.md， Phase 1～3 都適用。

Phase 2：下載轉檔 → references/parsing.md §1

PDF 先用 markitdown 轉 markdown：

markitdown data/raw/{年}_{科}_試題.pdf -o data/raw/{年}_{科}_試題.md

markitdown 有版面理解，散文（題幹、題組引文 passage）閱讀序乾淨，這是 raw pymupdf 做不到 的。但 markitdown 不是萬靈丹：多欄並排選項、複雜統計表、特殊版面（會考英語）會翻車， 這時改用 pymupdf 座標序（get_text("dict") 依 (page, y, x) 排序）。判斷哪邊可靠正是 judgment 的一部分。答案 PDF 不轉 md，走 pymupdf find_tables() 直接解析表格。

Phase 3：判斷式解析 → references/parsing.md

先偵測「這卷長怎樣」（§2 的偵測表），再選策略。落實到程式的具體手法：

• 題型由答案推斷：len(answer) > 1 → 多選；單字母 → 單選；空且無選項 → 非選。
• 答案表是權威題號清單：用它過濾誤判的孤立數字。
• 題組跨度合理性檢查：標頭抓到 (a, b) 要求 a <= b、跨度不過大。
• 選項殘缺 → fallback：答案是某字母但只解析到 < 4 選項 → 版面被打碎，改 pymupdf 座標 重抓該題。
• 選項圈號組合本身塌縮，不是解析器的錯：部分年度官方 PDF 的字型 ToUnicode 對映本身壞掉， 自製 parser／第三方 API／pdftotext 三條管線會複製同一種毀損，交叉比對抓不出來；偵測判準、 排序題豁免、vision 復原的硬門見 references/dirty-data-robustness.md「官方 PDF 文字層本身 會壞」一節。
• 題組作答政策分類（承上題判斷，給平臺拆題用）：這是「題目分類」要在解析時一次標好的關鍵一項。讀每個子題 stem 判斷它能否「單獨出現」：引用同組兄弟題者（承上題／依前題／根據第 N 小題／同上題條件／利用前小題的結果）→ 標 standalone=false（平臺須整組一起出，≥2 題同時作答）；其餘 → standalone=true（可單獨出，但自帶共用 passage／圖）。關鍵分辨：「上述／如圖」指的是共用材料（passage／圖 → 仍可單獨）還是前一子題的內容／答案（→ 不可單獨）。判斷式、解析時定（落欄見 Phase 4）。

每科一個 parser（parse_gsat.py／parse_eng.py／parse_soc.py／parse_cap_*.py）， 共用同一份 schema 與 qid-keyed 冪等 merge（重跑某科只覆蓋該科）。逐字忠實：絕不改寫、 摘要、翻譯；跳過卷首測驗說明；題組 group_id／passage 綁定、絕不拆散。

Phase 4：題庫 bank.json → references/data-sources.md §5

純文字題庫，每題一物件。核心欄位：qid（全域唯一鍵）、exam、year、subject、no、 group_id、passage、stem、options、answer（可多選）、type、needs_figure、 figure（只存檔名）。圖只存檔名、永不存影像，讓題庫可 lint、可 diff、git 可 delta。

• 題組欄位（共用材料＋作答政策）：group_id 綁同組（解析時建、絕不拆散）。新增 standalone（bool，預設 true）＝該子題能否單獨出現；承上題類標 false → 平臺在模擬題／單題／錯題／弱點等模式必須整組一起出、不拆；true 者可單獨抽出。共用圖與 passage 必須寫進該組「每一個」子題（每子題都帶自己的 figure／passage，即使共用同一張），否則一個 standalone 子題被單獨抽出時會缺圖、缺材料而變廢題。分類在 Phase 3 判斷、此處落欄；圖的 group propagation 見 Phase 5。這兩欄落地後，前端引擎怎麼在不同作答表面顯示題組情境（原文完整引入、只引題幹、鏈式堆疊、各表面分工），見 references/frontend-engine-rules.md §1。
• 轉寫題幹要留定位錨點：stem 預設逐字忠實；但數學等題若把題幹轉成 LaTeX 或清洗後顯示，轉寫過的 stem 已對不上原卷 PDF 文字層，裁圖（Phase 5）靠 stem 比對定位就會失敗或抓錯區塊。凡會改寫 stem，就另存一條 PDF 忠實的定位錨點（建議欄 locate_anchor：題號＋第一個數學符號前的純散文前綴、要求頁內唯一），定位走它、永不顯示。為何不能用 ASCII 化整段救：PDF 的數學符號文字層本身常是 PUA 造字／壞 ToUnicode／根本沒編碼，匹配不到不存在的字。詳見 exam-pdf-asset-extractor「Locating the Question」。

必跑門 A：答案配對全驗（每題逐一，不抽樣）

這是不可略過的步驟，每次都要跑、而且是全跑。

題庫成形後、進詳解前，把每一題的 answer 逐題對官方標準答案核對，列出所有對不上的題（mismatch），修到 0 mismatch 才往下走。（只管選擇題；申論／計算題無官方標準答案，不適用此門，改靠 Phase 7 的申論紅隊角度。）

• 為什麼非跑不可：答案來自官方標準答案 PDF 不代表「對到正確題號」。PDF 解析常見整體錯位（某題答案套到下一題），這種錯結構檢查擋不到（答案還是落在 A–D 範圍、看起來正常），只有逐題比對抓得出來。
• 全跑、不抽樣：答案配對是「對或錯」的硬事實，抽樣只能給信心區間、給不出「哪幾題錯」。所以這道門逐題全驗，與下面詳解紅隊的「可抽查」不同。
• 方法：獨立重新解析官方標準答案來源（PDF find_tables / 答案表），與 bank.json 的 answer 逐題 diff；用官方答案表當權威題號清單對齊。輸出只印計數與 mismatch 清單（qid、bank 答案、官方答案）。
• 國考護理師即用此門全驗 600 題、0 mismatch；舊建的考試若未跑過，補跑這道門。

Phase 5：裁圖 → references/figures.md

圖式題缺圖等於廢題，所以裁切原卷版面區塊 render 成 PNG，忠實重現、不簡化重排。

• 不靠 page.get_images()：地圖／統計圖多為矢量繪製，抓不到內嵌點陣，或會漏掉向量層。 改用 pymupdf 整塊 render（raster + vector 一起點陣化，zoom 2.2）。
• 定位題目：學測用 stem／題組標記的文字前綴（長前綴優先 + 要求唯一）；會考用題號行 （左邊界穩定）。題組圖放 passage 區、獨立題圖放題幹後。
• 題組共用圖 → 寫進全組子題：一張題組共用圖只裁一次（放在實際出現的子題位置），但 figure 欄要 propagate 到該 group_id 的每一個子題。偵測器只給「圖 → 所在題號」這一筆，group 補齊是 wire 進 bank 這步用 group_id 做（偵測器不知道分組）。不補的話，可單獨出的子題（Phase 4 standalone=true）在模擬／單題／錯題／弱點被單獨抽出時就缺圖。
• 圖→題對應隨考試家族變，別套同一管線：數學圖在題幹下方（對最近上方題號）；非數學圖常是題號上方的共用材料或相鄰單題共用無 group → 用「caption-anchored（讀圖的 圖N caption 對應引用該標籤的題）」優先，無標籤（如會考多為指示詞）退「position（圖在頁頂→給下方首題）」。needs_figure 非數學雙向都會錯：漏抓（寬圖被濾、頁頂圖丟）要回收、假旗標（純文字題／\dfrac 公式題）要降旗。每個（考試家族×科）先抽 1-3 卷判 needs_figure 是否整批盲標、有無 圖N 標籤、圖在題上或題下，再選方法。完整見 exam-pdf-asset-extractor「Mapping figures to questions」＋「What varies per exam family」。
• 轉寫過的題幹定位會失敗（數學最慘）：LaTeX／清洗過的 stem 對不上 PDF 文字層，會出現「stem 無法定位」或抓到純文字假圖（band 偏矮 = 抓錯區塊的警訊，與裁切到圖同一類，commit 前一起複查）。定位錨點改用題號＋符號前的純散文前綴（或 Phase 4 的 locate_anchor），別比對整段 LaTeX stem；圖不一定在題幹與選項之間（數學常在 stem 上方或題組共用區），真圖改用 image/drawing-rect 錨點。
• 裁數學圖前先看站上的渲染能力：若部署端已用 KaTeX／MathJax 渲染 LaTeX，許多數學 needs_figure=true 是舊離線單檔版「把公式截成圖」的遺留——重審後降旗、交給渲染器畫，只有真幾何圖（多面體、座標圖、電路／結構圖）才裁。對每個數學 needs_figure 硬裁只會產生純文字假圖。
• 假圖訊號（答題說明／劃記 boilerplate）：升學試卷 Q1 前常有獨立的「選填題答案卡劃記說明」頁（網格＋劃記範例），對任何墨偵測都像圖、是強假陽性（每份學測數學 p0 都有）；國考考選部試題 PDF 則乾淨（直接從第 1 題起、答案卡另份）。第一道防線＝跳過無題號頁＋圖必對應某題，即可濾掉。詳見 exam-pdf-asset-extractor「Known False-Figure Signals」＋「Erase-Text Figure Detection」。
• band 邊界：上界留 padding 不過頁眉；下界取下一題起點當硬上限；圖底保護 （band_image_bottom）確保不切半張圖。寬度一律整頁寬單欄（不依文字 x0 切欄，否則 「文字左圖右」的並排圖會被切掉）。
• 保真不壓縮：不用 pngquant、不降 DPI（地圖失真影響判讀）；只做無損最佳化（如 oxipng）。

腳本：extract_figures.py（學測 S/G 命名）、extract_figures_cap.py（會考 C 命名）， 皆有 --dry-run 先驗 band。

Phase 6：詳解（含查證紀律） → references/explanations-redteam.md

clean-room 自行生成詳解，絕不抄出版商。 輸入只有「題幹 + 選項 + 官方標準答案鍵」， 不把出版商詳解寫法餵進 prompt。每則詳解兩個欄位 {t, c}：t 是詳解本文，c 是把握度 （high／med／low），讓使用者一眼看出這是「AI 整理」而非權威定論。正本 explanations.json 的 meta.note 固定寫明須查證。詳解以 qid 為鍵、冪等 merge （merge_stage3.py 是唯一寫入者）。

詳解涵蓋 AI 生成的選擇題詳解與申論題解析。凡是 AI 生成的解析（含申論／短答／中譯英參考要點）， 一律走下面 Phase 7 的必跑紅隊；官方分級樣卷不是 AI 生成物，不在此列。

t 不是想寫多長就寫多長：三段固定結構（正解／逐一選項辨析／本題考點，段間空行）、 同因選項的合併解析規則、字數上限（概念型 600 字、計算題不受限），見 references/explanations-redteam.md §1.4／§1.5。量產詳解的模型要趨近強模型下筆的水準， 靠金樣 few-shot、結構 lint 零 token 硬門、檢索錨定、分級路由、審計回饋圈五個機制， 見 §2.1。

Phase 7：詳解紅隊（必跑）+ build → references/explanations-redteam.md §3、references/build-deploy.md

• 必跑、不可跳過：AI 生成選擇題與申論題解析後，一定要紅隊查核才能進 build。
• 執行前先問使用者：要 全跑（逐題查）還是 抽查（統計停止規則）？由使用者拍板，agent 不自作主張跳過或默認。
  • 全跑 —— 每則解析逐題反駁式查核（題量小、求穩、或答案爭議多時）。
  • 抽查 —— 抽樣真錯達 k ≥ 4／40（Wilson CI 下界 ≥ 4%）才升級該科到更強模型重做；否則續用現模型。動態停，邊抽邊看。
• 反駁式紅隊（選擇題）：用最強模型主動找碴（正解寫反？措辭誤導？事實過時？把握度標太高？），不是覆述。
• 申論／無官方答案題：錨點不同（沒有官方答案可對），改用 references/explanations-redteam.md §3.4 的六角度（計算重算／準則法條／題意覆蓋／時效／捏造引用／把握度），計算題務必獨立重算。
• 節制門：只修確認的錯，不為改而改；改完重 lint、重驗。
• build：build_app.py 純標準庫、確定性。一場考試一份自足單檔（不出合併版），外加 repo 根 index.html 索引。圖在此步才 base64 內嵌進 window.__FIGS__。前端 ES5、el()／ textContent（杜絕 XSS）、檔 < 800 行。網站版（PWA）走 Service Worker cache-first + 圖隨選快取；改 shell 必把 CACHE 版號 +1。每次改 build／前端後跑 preview smoke （0 console error 才算過）。

build 出來的引擎本身還有一層互動邏輯要顧：單題練習下一題怎麼挑（弱項 Laplace 加權＋ 指紋冷卻＋定期回鍋複習）、「標記」與「儲存」兩個相似按鈕怎麼分工（作答內記號＋回顧介面 折角 vs 收進獨立頁的專練集合），見 references/frontend-engine-rules.md §2、§3。

完整端到端範例見 examples/walkthrough.md（學測社會 111，最難啃的一科）。

---

品質門檻（每次都遵守、不漂移）

門檻	規則
答案配對全驗（必跑）	每題 answer 逐題對官方標準答案核對、全跑不抽樣，修到 0 mismatch 才往下；擋解析整體錯位（結構檢查擋不到）。
詳解紅隊（必跑）	AI 生成選擇題與申論題解析後一定要反駁式紅隊；執行前問使用者全跑或抽查。抽查時真錯達 k≥4、n≈40（Wilson CI 下界 ≥ 4%）才升級該科到更強模型；否則續用。
全形 lint	中文段落不可混半形標點；CI 一道門（lint.py + lint.yml）。修正用 CJK 前綴規則（CJK 字後緊接的半形子句標點才轉），寧可漏轉、不可誤轉（保住比值 3:1、數字後標點）。
詳解須查證	每則標把握度 c + meta.note 寫明「AI 整理，非官方標準答案，須查證」。
節制門	只修確認的錯（判定寫反、事實錯、把握度明顯標錯），不為純措辭改；改完重 lint、重驗，最小變動面。
逐字忠實	解析絕不改寫／摘要／翻譯；題組絕不拆散；自驗把「忠實」變可檢查條件。

---

模型路由

依成本守則分三檔，把錢花在真正需要推理的地方，並避免「便宜生成 → 昂貴查核」的成本倒置：

工作	模型
解析生成（選擇＋申論；文字／事實／計算皆是）	Opus 或 Codex 大模型（部分或全部，看使用者）
紅隊查核	Opus 或 Codex（往上查，見原則 1）
機械化（答案配對核對、下載／轉檔／檔案搬移、結構／全形 lint）	Sonnet／Haiku

兩條原則：

1. 紅隊往上查（reviewer ≥ generator）：查核者須 ≥ 被查者，否則漏抓真錯又亂標假錯。Sonnet 不當內容紅隊，只做機械化與結構 lint。
2. 避免成本倒置：便宜模型生成、被強模型大量重寫＝付兩次。解析直接上強模型一次到位、紅隊只需輕度確認，整體更省。

實測校準（會計師，2026-06）：Sonnet 計算 ~67% 錯、文字 ~20% 錯；Codex 計算 ~8% 錯。

查核固定用最強模型。詳解紅隊本身必跑、不可省；但全跑或抽查由使用者決定——抽查時靠統計 停止規則決定要不要升級，不逐題重判。升學分支實測（國文／英文／社會）：Sonnet 生成 + Opus 抽驗， 真錯率遠低於升級門檻，故各科續用 Sonnet。（答案配對全驗例外：那道門一律全跑、不抽樣。）

---

§9 著作權與 clean-room

法律依據：著作權法 §9.1.5

依法令舉行之各類考試試題及其備用試題，不得為著作權之標的。

因此官方試題與標準答案可自由重製，不需授權、不付費。標準答案作為權威答案鍵使用。

clean-room 紀律（受保護的不能碰）

§9 解放的是「試題」本身，不解放出版商加值的部分：

• ❌ 不抄出版商的編排（分類、難度標註、章節對應、選文導讀）。
• ❌ 不抄出版商的詳解；出版商答案／詳解寫法不餵進任何生成 prompt。
• ✅ 詳解由我們自行生成（只看官方試題與官方答案），全標「AI 整理，需查證」並附把握度， 經 lint + 必跑紅隊（全跑或抽查）。
• ✅ 作文採官方分級樣卷（最高分→低分），不 AI 代寫完整作文；英文短答／中譯英近乎有標準 答案，可由 AI 整理參考答案並標明須查證。

授權：方法與程式碼（scripts、引擎）採 MIT；題目資料依 §9 屬公共所有；作文範本屬官方機關 依其授權提供。理由（見產物 docs/DECISIONS.md）：norms over laws，與其用 copyleft 強制衍生 開源，不如把 fork／改作／商用的自由給滿，讓「開放比封閉更好用」自己長出規範。

---

三層文件（別混為一談）

復刻時要寫三份對象不同的文件，剛起步的開源專案最常漏掉第三層：

文件	對象	內容
SKILL.md（＋ references/）	AI agent	復刻手冊本體，給 agent 載入執行（即本檔）。
skill repo 的 README.md	逛 GitHub 的人	門面：這 skill 是什麼、怎麼裝、怎麼用、授權。
產物／專案 README.md	大眾／貢獻者	理念 + 如何貢獻 —— 對社群參與最重要，但最常被漏掉。

---

base64 安全鐵則（最高優先）

把任何 base64 字串塞進對話／終端／工具輸出，會觸發 Anthropic AUP 內容過濾器、kill 掉 session —— 這是專案鐵則，整套圖架構就是為了讓 base64 全程不進那些通道。

資料流三段、職責清楚（只描述架構，永不貼任何 base64 內容）：

原卷 PDF ──extract_figures──► data/figures/{檔名}.png   （獨立二進位 PNG）
                                      │
bank.json 只寫 figure="{檔名}.png"     │  （純文字、可 lint、可 git delta）
                                      ▼
build_app.py 建置時：PNG ──► base64 ──► 內嵌進 window.__FIGS__（輸出 HTML 內）

鐵則細項（agent／貢獻者務必遵守）：

• 絕不把任何 base64 字串放進對話、終端輸出、工具參數、Read 結果。
• 裁圖／批次腳本只 print 計數與大小（張數／位元組／檔名／座標／缺檔清單）；要看圖就 用 Read 開 PNG 檔，不 cat、不 head、不把 bytes 餵進 prompt。
• bank.json／staging JSON 只存檔名；base64 只活在 build_app.py 的 figures_block() 內部與最終 HTML。
• js_safe_json() 把資料裡的 </ 轉成 <\/，避免內容裡萬一出現 </script> 提早關閉標籤。

---

範圍是對象決策，不是技術決策

收哪些年度／課綱／考別，由維護者依服務對象拍板（升學分支：只收新課綱 111–115）。換對象 （收舊課綱、另一國家的考試）時自行調整收錄範圍，其餘流程（偵察→下載→解析→題庫→裁圖→ 詳解→build）不變。學測與會考同平臺、考試選擇器切換、預設不跨考混題；國考各考試對使用者 各自獨立呈現。

但國考端有「共用槓桿」：不同考試常共用基礎科目（如臨床／諮商心理師共用變態心理學、 心理衡鑑等）。開一套新考試前先做「科目重疊矩陣」，共用科目建一次、用 exams 陣列標 歸屬、題庫層去重（同一份官方卷才併），省工又保證兩考試一致 —— 見 references/shared-question-banks.md。

混卷模擬考跨年跨卷抽題時還有另一層去重：組卷前的內容指紋去重（題幹＋排序選項）， 與「題幹相同、選項全異」的跨年孿生題絕不可 stem-only 誤刪，同場互斥改靠獨立的 題幹指紋＋萬用題幹豁免——同樣見 references/shared-question-banks.md。

---

references 索引

檔	主題
references/data-sources.md	資料源偵察、下載、著作權 §9、clean-room、bank.json schema
references/parsing.md	judgment 式解析、markitdown vs pymupdf、每科 parser、冪等 merge、自驗
references/figures.md	裁圖（整塊 render）、定位、band 邊界、base64 安全架構、保真
references/explanations-redteam.md	clean-room 詳解、三段固定結構＋合併解析規則、品質拉齊五機制、模型路由、反駁式紅隊、Wilson 停止規則、節制門、lint、作文政策
references/build-deploy.md	build 單檔／網站、PWA／Service Worker、體積永續、產物層收斂決策
references/dirty-data-robustness.md	政府／考試開放資料的命名／編碼／版面髒點：NFKC 正規化、寬鬆匹配、零筆即報、不吞錯、原子寫入、官方 PDF 文字層 ToUnicode 塌縮的偵測與 vision 復原硬門；含 ceec「數a 少學字」教學案例＋攝取前自檢清單
references/shared-question-banks.md	跨考試共用題庫（國考用）：科目重疊矩陣、共用科目建一次、exams 陣列多考試標記、同一份官方卷才併的去重紀律、混卷模擬考內容指紋去重、跨年孿生題不可 stem-only 去重
references/frontend-engine-rules.md	前端作答引擎：題組／承上題情境引入規則（各作答表面分工）、出題演算法（弱項加權、指紋冷卻、回鍋複習）、標記與儲存的職責分工
examples/walkthrough.md	端到端範例：學測社會 111（最難啃的一科）
examples/sample-output/	真實產出切片：學測社會 111 題組（passage＋小題＋圖＋詳解 JSON），看管線跑完長什麼樣
scripts/	各 phase 的參考實作（model 腳本：scrape／parse／裁圖／merge／build）；judgment 式、需依自身資料調整，見 scripts/README.md