# 動態語義顯影與逆向語義遮罩系統：本地端實作技術白皮書

**Local Implementation Whitepaper for Dynamic Semantic Revealing and Reverse Semantic Masking**

版本：v0.1  
日期：2026-07-26  
文件性質：本地端 AI 工程實作交接文件  
目標：建立可直接整合至現有時間線、文件庫或研究網站的逆向語義篩選功能

---

## 0. 文件用途

本文件不是公開概念論文的重述，而是交付本地端 AI、工程代理或開發者執行的實作規格。

本系統需要完成以下核心能力：

1. 以查詢語義動態顯影相關文件；
2. 同時支援精確與模糊搜尋；
3. 不因查詢詞不一致而直接歸零；
4. 清楚區分直接命中、詞彙命中、語義近似與結構關聯；
5. 不要求先替全部歷史文件人工補完元資料；
6. 可逐步導入，先以標題與摘要運作，再擴充全文與圖譜；
7. 優先支援本地模型與本地向量索引；
8. 保留原始時間線或文件排列脈絡。

---

## 1. MVP 範圍

### 1.1 MVP 必須完成

- 建立文件索引；
- 支援標題、日期、網址、摘要、標題層級；
- 支援精確詞組搜尋；
- 支援模糊詞彙搜尋；
- 支援本地向量語義搜尋；
- 合併多路檢索結果；
- 每筆結果提供命中理由；
- 支援「顯影模式」；
- 支援「只看結果」聚焦模式；
- 支援最低結果數；
- 支援查詢展開詞顯示；
- 支援 JSON 靜態索引；
- 無後端時仍可運作基本精確搜尋。

### 1.2 MVP 暫不要求

- 完整知識圖譜；
- 自動全文問答；
- 即時大型語言模型重排；
- 跨使用者個人化；
- 自動修改原始 Markdown；
- 雲端向量資料庫；
- 複雜權限管理；
- 多語言完整對齊。

---

## 2. 建議技術架構

建議拆為五層：

```text
[原始文件層]
Markdown / HTML / JSON / Timeline records
        ↓
[抽取與衍生層]
title / date / headings / summary / keywords / aliases
        ↓
[索引層]
lexical index / vector index / relation index
        ↓
[查詢與融合層]
normalization / expansion / retrieval / reranking
        ↓
[顯影介面層]
highlight / dim / collapse / hide / focus
```

---

## 3. 建議檔案結構

```text
semantic-revealing/
├─ README.md
├─ package.json
├─ pyproject.toml
├─ config/
│  ├─ search.config.json
│  ├─ field_weights.json
│  ├─ thresholds.json
│  └─ stopwords_zh_tw.txt
├─ data/
│  ├─ documents.raw.jsonl
│  ├─ documents.index.jsonl
│  ├─ aliases.json
│  ├─ concept_lexicon.json
│  ├─ relations.jsonl
│  └─ embeddings/
│     ├─ vectors.npy
│     └─ ids.json
├─ scripts/
│  ├─ extract_documents.py
│  ├─ build_summaries.py
│  ├─ build_lexical_index.py
│  ├─ build_embeddings.py
│  ├─ build_relations.py
│  ├─ validate_index.py
│  └─ export_static_bundle.py
├─ backend/
│  ├─ app.py
│  ├─ search_service.py
│  ├─ ranker.py
│  ├─ query_expander.py
│  └─ schemas.py
├─ frontend/
│  ├─ semantic-filter.js
│  ├─ semantic-filter.css
│  ├─ semantic-panel.html
│  └─ worker/
│     └─ lexical-search-worker.js
├─ tests/
│  ├─ queries.jsonl
│  ├─ test_normalization.py
│  ├─ test_retrieval.py
│  ├─ test_ranking.py
│  ├─ test_nonzero.py
│  └─ test_frontend_state.js
└─ dist/
   ├─ semantic-index.min.json
   ├─ semantic-filter.min.js
   └─ semantic-filter.min.css
```

---

## 4. 文件索引資料模型

### 4.1 最小文件紀錄

```json
{
  "id": "doc-000001",
  "title": "文件標題",
  "url": "/paper/example/",
  "date": "2026-07-26",
  "language": "zh-TW",
  "summary": "短摘要",
  "headings": ["第一節", "第二節"],
  "body_text": "",
  "series": [],
  "keywords": [],
  "aliases": [],
  "related_ids": [],
  "metadata": {
    "title_source": "author_declared",
    "summary_source": "model_derived",
    "keywords_source": "model_derived",
    "confidence": 0.82,
    "schema_version": "0.1"
  }
}
```

### 4.2 搜尋用壓縮紀錄

前端靜態索引應避免載入完整正文：

```json
{
  "i": "doc-000001",
  "t": "文件標題",
  "u": "/paper/example/",
  "d": "2026-07-26",
  "s": "短摘要",
  "h": ["第一節", "第二節"],
  "k": ["關鍵詞一", "關鍵詞二"],
  "r": ["doc-000005"]
}
```

### 4.3 正文策略

正文可採三種模式：

1. `title_only`：僅標題與日期；
2. `summary_index`：標題、摘要、章節；
3. `fulltext_index`：包含完整正文。

建議導入順序：

$$
\text{title\_only}
\rightarrow
\text{summary\_index}
\rightarrow
\text{fulltext\_index}
$$

---

## 5. 元資料來源標記

所有自動生成內容必須標明來源：

```json
{
  "value": ["語義搜尋", "知識庫"],
  "source": "model_derived",
  "confidence": 0.79,
  "generator": "local-model-name",
  "generated_at": "2026-07-26T19:00:00+08:00"
}
```

允許來源：

```text
author_declared
editor_confirmed
model_derived
system_inferred
query_generated
```

不得把 `model_derived` 靜默轉成 `author_declared`。

---

## 6. 查詢正規化

### 6.1 必要處理

```text
Unicode NFKC
全形轉半形
英文轉小寫
連續空白合併
前後空白移除
繁簡映射可選
異體字映射可選
標點切分
縮寫保留
數學符號保留
連字號與底線等價化
```

### 6.2 不能移除的內容

不得粗暴移除：

- 數字；
- 版本號；
- 數學符號；
- 希臘字母；
- 連字號；
- 專案縮寫；
- 模型名稱；
- 單字母變數。

例如：

```text
X積分
GPT-5.6
RH-W-20
C++
Ω
```

都可能是有效查詢。

### 6.3 正規化函數介面

```python
def normalize_query(query: str) -> dict:
    return {
        "original": query,
        "normalized": "...",
        "tokens": ["..."],
        "detected_language": "zh-TW",
        "variants": ["..."]
    }
```

---

## 7. 專屬詞典

### 7.1 詞典資料模型

```json
{
  "concept_id": "concept-ai-agency",
  "canonical": "AI 主體性",
  "aliases": [
    {"term": "人工智慧主體性", "weight": 0.95},
    {"term": "AI 能動性", "weight": 0.82}
  ],
  "related": [
    {"term": "持續意圖", "weight": 0.72},
    {"term": "記憶連續性", "weight": 0.68}
  ],
  "broader": [],
  "narrower": [],
  "status": "editor_confirmed"
}
```

### 7.2 關係類型

```text
alias
synonym
abbreviation
broader
narrower
related
historical_name
translation
spelling_variant
```

### 7.3 展開限制

每次查詢最多：

```json
{
  "max_aliases": 8,
  "max_related_terms": 6,
  "max_graph_depth": 1,
  "min_expansion_confidence": 0.60
}
```

不得無限制遞迴擴展。

---

## 8. 多路候選召回

至少建立四路召回。

### 8.1 精確召回

來源：

- 完整標題；
- 標題詞組；
- 摘要詞組；
- 人工別名。

輸出：

```json
{
  "document_id": "doc-1",
  "channel": "exact",
  "raw_score": 1.0,
  "reason": "title_phrase"
}
```

### 8.2 詞彙召回

可使用：

- BM25；
- trigram；
- token overlap；
- edit distance；
- prefix match；
- phrase proximity。

### 8.3 向量召回

建議本地嵌入模型，索引內容優先順序：

```text
title
title + summary
title + headings + summary
chunked full text
```

MVP 建議採：

```text
title + summary + headings
```

向量相似度：

$$
M(d,q)
=
\frac{
\vec{d}\cdot\vec{q}
}{
\|\vec{d}\|\|\vec{q}\|
}
$$

### 8.4 關聯召回

關聯來源：

- 同系列；
- 相鄰版本；
- 明確連結；
- 共同關鍵詞；
- 同一來源頁；
- 時間上的連續研究節點。

MVP 可只做 `related_ids` 與 `series`。

---

## 9. 分數融合

### 9.1 初始權重

```json
{
  "exact_title": 1.00,
  "exact_summary": 0.82,
  "alias_title": 0.88,
  "lexical": 0.60,
  "semantic": 0.55,
  "series_relation": 0.25,
  "direct_link_relation": 0.30,
  "anchor_bonus": 0.08
}
```

### 9.2 建議公式

$$
S(d,q)
=
0.40E
+
0.20L
+
0.25M
+
0.10G
+
0.05F
$$

其中 $F$ 為欄位權重。

加入錨定：

$$
S'(d,q)
=
\min\left(1,\ S(d,q)+0.08A(d,q)\right)
$$

### 9.3 分數校正

不同召回器分數範圍不同，融合前先正規化：

$$
\hat{s}
=
\frac{s-s_{\min}}{s_{\max}-s_{\min}+\epsilon}
$$

或以排名融合代替原始分數融合。

### 9.4 去重

同一文件可被多路召回，應合併：

```json
{
  "document_id": "doc-1",
  "channels": ["exact", "lexical", "semantic"],
  "reasons": [
    "title_phrase",
    "alias_match",
    "semantic_similarity"
  ],
  "score": 0.91
}
```

---

## 10. 分級規則

建議初始門檻：

```json
{
  "tier_A": 0.82,
  "tier_B": 0.68,
  "tier_C": 0.54,
  "tier_D": 0.38,
  "minimum_display": 5,
  "absolute_floor": 0.28
}
```

注意：分級不能只看總分，也要看召回類型。

### A 級

```text
直接詞組命中
標題精確命中
人工別名命中
```

### B 級

```text
高詞彙相似
高可信度同義詞
標題部分命中
```

### C 級

```text
向量高相似
摘要概念近似
缺乏直接文字錨點
```

### D 級

```text
系列關聯
引用關聯
低分語義近似
```

---

## 11. 非歸零機制

### 11.1 演算法

```python
def ensure_minimum_results(results, minimum=5, thresholds=None):
    thresholds = thresholds or [0.78, 0.70, 0.62, 0.54, 0.46, 0.38]

    for threshold in thresholds:
        selected = [r for r in results if r["score"] >= threshold]
        if len(selected) >= minimum:
            return {
                "results": selected,
                "threshold": threshold,
                "relaxed": threshold != thresholds[0]
            }

    fallback = sorted(results, key=lambda x: x["score"], reverse=True)[:minimum]
    return {
        "results": fallback,
        "threshold": None,
        "relaxed": True,
        "low_confidence": True
    }
```

### 11.2 顯示文案

直接結果不足：

```text
直接命中較少，已加入詞彙與語義近似結果。
```

僅有低可信結果：

```text
沒有找到高可信度直接結果。以下僅列出語義上最接近的文件。
```

完全沒有候選：

```text
索引中沒有可用結果。請嘗試較短詞組、別名或移除限制條件。
```

非歸零保證不代表必須偽造結果；當索引真的沒有任何候選時，仍應誠實顯示空結果。

---

## 12. 查詢處理流程

```python
def search(query: str, limit: int = 50):
    nq = normalize_query(query)
    expansions = expand_query(nq)

    exact = exact_retrieve(nq, expansions)
    lexical = lexical_retrieve(nq, expansions)
    semantic = semantic_retrieve(nq, expansions)
    graph = relation_retrieve(exact + lexical + semantic)

    candidates = merge_candidates(
        exact=exact,
        lexical=lexical,
        semantic=semantic,
        graph=graph
    )

    ranked = rerank(candidates, nq, expansions)
    tiered = assign_tiers(ranked)
    final = ensure_minimum_results(tiered)

    return {
        "query": nq,
        "expansions": expansions,
        "results": final["results"][:limit],
        "relaxed": final.get("relaxed", False),
        "low_confidence": final.get("low_confidence", False)
    }
```

---

## 13. API 規格

### 13.1 搜尋 API

```http
POST /api/semantic-search
Content-Type: application/json
```

請求：

```json
{
  "query": "使用者查詢",
  "mode": "reveal",
  "limit": 50,
  "minimum_results": 5,
  "include_related": true
}
```

回應：

```json
{
  "query": {
    "original": "使用者查詢",
    "normalized": "使用者查詢"
  },
  "expansions": [
    {
      "term": "相關詞",
      "type": "alias",
      "weight": 0.88
    }
  ],
  "summary": {
    "exact_count": 3,
    "lexical_count": 8,
    "semantic_count": 12,
    "related_count": 5,
    "relaxed": true
  },
  "results": [
    {
      "id": "doc-0001",
      "title": "文件標題",
      "url": "/paper/example/",
      "date": "2026-07-26",
      "score": 0.91,
      "tier": "A",
      "visibility": 1.0,
      "reasons": [
        {
          "type": "exact_title",
          "label": "標題包含完整查詢詞"
        }
      ]
    }
  ]
}
```

### 13.2 索引健康檢查

```http
GET /api/semantic-search/health
```

回應：

```json
{
  "status": "ok",
  "documents": 1727,
  "lexical_index": true,
  "vector_index": true,
  "relation_index": true,
  "schema_version": "0.1"
}
```

---

## 14. 前端互動規格

### 14.1 搜尋框

需要：

- 300 毫秒 debounce；
- 支援 Enter 立即搜尋；
- 支援清除；
- 顯示查詢展開；
- 顯示結果層級統計；
- 保留原始查詢。

### 14.2 顯影狀態

每個文件節點設定：

```html
<article
  data-doc-id="doc-0001"
  data-semantic-score="0.91"
  data-semantic-tier="A"
  data-semantic-visible="true">
</article>
```

### 14.3 CSS 建議

```css
.semantic-tier-a {
  opacity: 1;
  filter: none;
}

.semantic-tier-b {
  opacity: 0.92;
}

.semantic-tier-c {
  opacity: 0.62;
}

.semantic-tier-d {
  opacity: 0.38;
}

.semantic-hidden {
  opacity: 0.12;
  pointer-events: none;
}

.semantic-focus .semantic-hidden {
  display: none;
}
```

正式實作時可依網站主題調整，但不得只靠顏色區分，必須同時使用文字、圖示或透明度。

### 14.4 兩種模式

```text
顯影模式：
  非相關節點保留輪廓

聚焦模式：
  非相關節點 display: none
```

### 14.5 切換控制

```html
<button data-mode="reveal">顯影</button>
<button data-mode="focus">只看結果</button>
<button data-action="reset">重設</button>
```

---

## 15. 命中理由 UI

每筆結果至少顯示一項：

```text
A｜標題精確命中
B｜命中已確認別名
C｜摘要語義近似
D｜與直接結果屬於同系列
```

展開後可顯示：

```json
{
  "matched_text": "命中的文字",
  "field": "title",
  "expansion_term": "別名",
  "semantic_score": 0.83,
  "relation": "same_series"
}
```

不得只顯示一個不透明的「AI 推薦」。

---

## 16. 靜態網站方案

若現有網站為靜態網站，可採雙層方案。

### 16.1 前端純文字模式

瀏覽器載入：

```text
semantic-index.min.json
```

以 Web Worker 完成：

- 精確搜尋；
- token overlap；
- trigram；
- 欄位加權；
- 顯影控制。

優點：

- 無伺服器；
- 易部署；
- 離線可用；
- 不需 API。

限制：

- 向量索引較重；
- 手機記憶體有限；
- 大量全文不適合一次載入。

### 16.2 API 增強模式

前端先執行精確搜尋，再呼叫本地 API 取得語義結果：

```text
前端精確結果
+
本地向量 API 結果
=
融合顯影
```

若 API 失效，系統退化為精確搜尋，不得整體失效。

---

## 17. 向量索引方案

### 17.1 小型資料庫

若文件數少於數萬，可選：

- NumPy 暴力 cosine；
- FAISS；
- hnswlib；
- SQLite + 向量擴充；
- 本地輕量向量庫。

### 17.2 向量內容

每篇文件先建立一個文件級向量：

```text
title + "\n" + summary + "\n" + headings
```

若後續加入全文，再建立 chunk 向量：

```json
{
  "chunk_id": "doc-1#chunk-3",
  "document_id": "doc-1",
  "text": "段落內容",
  "heading": "章節名稱",
  "position": 3
}
```

### 17.3 文件級聚合

若文件有多個 chunk 分數：

$$
M(d,q)
=
\max_j M(c_{d,j},q)
$$

或：

$$
M(d,q)
=
\beta\max_j M(c_{d,j},q)
+
(1-\beta)\operatorname{meanTopK}_j M(c_{d,j},q)
$$

MVP 使用最大值即可，正式版可採 Top-K 平均避免單段偶然誤配。

---

## 18. 摘要與關鍵詞生成

### 18.1 批次生成輸出

本地 AI 對每篇文件輸出：

```json
{
  "document_id": "doc-1",
  "summary": "80 至 150 字摘要",
  "keywords": ["3 至 8 個"],
  "candidate_series": ["0 至 3 個"],
  "named_concepts": ["概念一"],
  "confidence": 0.81
}
```

### 18.2 生成限制

- 不得改寫原文立場；
- 不得將推測寫成確定事實；
- 不得生成不存在的系列；
- 關鍵詞應來自文本或可合理概括；
- 低信心時保留空值；
- 原始標題永遠優先於模型摘要。

### 18.3 增量更新

以文件 hash 判斷是否需要重建：

```json
{
  "document_id": "doc-1",
  "content_hash": "sha256:...",
  "indexed_at": "2026-07-26T19:00:00+08:00"
}
```

若 hash 不變，不重新生成摘要與向量。

---

## 19. 關聯索引

### 19.1 MVP 關聯

```text
same_series
previous_version
next_version
explicit_link
same_primary_keyword
```

### 19.2 關聯資料模型

```json
{
  "source": "doc-1",
  "target": "doc-2",
  "type": "same_series",
  "weight": 0.72,
  "source_type": "system_inferred"
}
```

### 19.3 圖擴展限制

只允許一跳擴展：

$$
\operatorname{depth}\leq1
$$

否則結果容易被大型概念網絡污染。

---

## 20. 多樣性重排

避免單一系列占滿結果。

可使用簡化配額：

```json
{
  "max_per_series_top_10": 4,
  "max_same_title_prefix_top_10": 3
}
```

或使用最大邊際相關性：

$$
\operatorname{MMR}(d)
=
\lambda \operatorname{Rel}(d,q)
-
(1-\lambda)
\max_{d'\in S}
\operatorname{Sim}(d,d')
$$

建議：

$$
\lambda = 0.75
$$

---

## 21. 測試集

建立 `tests/queries.jsonl`：

```json
{"query":"完整專有詞","expected_tier_a":["doc-1"]}
{"query":"已知別名","expected_any":["doc-1","doc-2"]}
{"query":"自然語言描述","expected_top10":["doc-3"]}
{"query":"常見錯字","expected_suggestion":"正確詞"}
{"query":"不存在概念","expect_low_confidence":true}
```

至少準備：

- 20 個精確查詢；
- 20 個別名查詢；
- 20 個自然語言查詢；
- 10 個錯字查詢；
- 10 個零資料查詢；
- 10 個跨領域查詢。

---

## 22. 驗收標準

### 22.1 功能驗收

- [ ] 輸入查詢後 500 毫秒內出現前端精確結果；
- [ ] 語義 API 在可接受時間內補入結果；
- [ ] 精確命中永遠排在純語義近似之前；
- [ ] 每筆結果至少有一個命中理由；
- [ ] 查詢結果可切換顯影與聚焦；
- [ ] 清除查詢後完整恢復原時間線；
- [ ] API 失效時前端精確搜尋仍可用；
- [ ] 不會因低分結果而假裝是直接命中；
- [ ] 索引可增量更新；
- [ ] 同一文件不重複顯示。

### 22.2 品質驗收

- [ ] 精確查詢 Top-3 命中率高於 95%；
- [ ] 已知別名 Top-5 命中率高於 90%；
- [ ] 自然語言查詢 Top-10 可用率高於 80%；
- [ ] 每筆顯示結果解釋覆蓋率為 100%；
- [ ] 低可信查詢必須顯示放寬提示；
- [ ] 查詢清除後 DOM 狀態無殘留。

---

## 23. 效能要求

### 23.1 前端

建議：

```text
索引壓縮後 < 5 MB：可直接載入
5–20 MB：延遲載入 + Web Worker
> 20 MB：改用分片或 API
```

### 23.2 後端

對數千篇文件，基本向量查詢不需大型服務。優先：

- 單機；
- 本地索引；
- 增量更新；
- 啟動時載入記憶體；
- 定期匯出靜態備份。

### 23.3 快取

快取 key：

```text
normalized_query
index_version
search_config_version
```

若索引版本改變，全部舊快取失效。

---

## 24. 日誌與觀測

記錄：

```json
{
  "query": "使用者查詢",
  "normalized_query": "使用者查詢",
  "result_count": 12,
  "exact_count": 3,
  "semantic_count": 6,
  "relaxed": true,
  "latency_ms": 84,
  "index_version": "0.1"
}
```

若涉及公開網站，應避免記錄可識別個人資訊。查詢日誌可選擇匿名化或完全關閉。

---

## 25. 安全要求

- 不執行查詢字串；
- 防止 XSS；
- 所有摘要與標題輸出需 escape；
- 不允許前端傳入任意檔案路徑；
- 限制查詢長度；
- 限制 API 頻率；
- 向量索引不得包含未授權文件；
- 權限過濾必須在候選召回前完成；
- 不把私人文件傳送至外部模型。

---

## 26. 導入階段

### Phase 0：資料盤點

- 掃描所有文件；
- 建立穩定 ID；
- 對應 URL；
- 檢查日期與標題；
- 產出 `documents.raw.jsonl`。

### Phase 1：純前端精確顯影

- 標題與摘要文字搜尋；
- 顯影與聚焦切換；
- 命中高亮；
- 無向量模型。

### Phase 2：詞典與別名

- 建立概念詞典；
- 支援查詢展開；
- 顯示展開詞。

### Phase 3：本地向量搜尋

- 建立文件級嵌入；
- API 回傳語義結果；
- 加入 C 級顯示。

### Phase 4：關聯與系列

- 建立系列與版本關聯；
- 加入 D 級顯示；
- 加入多樣性重排。

### Phase 5：全文與評估

- 建立 chunk；
- 建立測試集；
- 調整權重；
- 建立搜尋品質儀表板。

---

## 27. 本地端 AI 工作指令

本地端 AI 應依以下順序執行：

1. 讀取現有網站或文件庫結構；
2. 找出時間線節點的 DOM 結構；
3. 建立文件 ID 與 URL 對應；
4. 產出最小 `documents.raw.jsonl`；
5. 實作純前端標題搜尋；
6. 加入顯影與聚焦狀態；
7. 加入命中理由；
8. 建立詞典資料格式；
9. 建立本地向量索引；
10. 實作 API 與前端融合；
11. 建立測試集；
12. 生成部署文件與回滾方案。

每個階段必須保留可運行版本，不得等到全部完成後才第一次整合。

---

## 28. 回滾與相容性

### 28.1 回滾

搜尋功能應可由單一設定關閉：

```json
{
  "semantic_search_enabled": false
}
```

關閉後，網站恢復原有時間線，不影響文件內容與 URL。

### 28.2 相容性

不得：

- 改變既有網址；
- 重新命名歷史文件；
- 依賴 JavaScript 才能讀取原文；
- 將原始時間線永久改寫為搜尋結果頁。

搜尋層必須是附加層。

---

## 29. 最小可交付成果

本地端 AI 最終至少交付：

```text
1. 可運作的搜尋元件
2. semantic-index.min.json
3. semantic-filter.js
4. semantic-filter.css
5. 索引生成腳本
6. 查詢詞典格式
7. 測試集
8. README
9. 部署步驟
10. 回滾步驟
11. 已知限制
12. 一份搜尋品質報告
```

---

## 30. 最終原則

實作時必須遵守以下原則：

### 原則一：精確優先

$$
\text{Exact Match}
>
\text{Alias Match}
>
\text{Semantic Similarity}
>
\text{Structural Relation}
$$

### 原則二：近似必須被標示

不得把模糊結果偽裝成直接結果。

### 原則三：非歸零不等於偽造

系統可以放寬搜尋，但必須揭露放寬狀態。

### 原則四：不修改原文

索引、摘要、關鍵詞與關聯皆在外部層生成。

### 原則五：先有可用版本，再逐步增強

$$
\text{Lexical MVP}
\rightarrow
\text{Dictionary}
\rightarrow
\text{Vector Search}
\rightarrow
\text{Graph Expansion}
$$

### 原則六：保留知識脈絡

搜尋不是把文件搬走，而是改變文件在當下查詢中的可見程度。

---

## 附錄 A：建議設定檔

```json
{
  "schema_version": "0.1",
  "search": {
    "minimum_results": 5,
    "max_results": 100,
    "initial_threshold": 0.78,
    "threshold_step": 0.08,
    "absolute_floor": 0.28
  },
  "channels": {
    "exact": true,
    "lexical": true,
    "semantic": true,
    "relations": true
  },
  "weights": {
    "exact": 0.40,
    "lexical": 0.20,
    "semantic": 0.25,
    "relations": 0.10,
    "field": 0.05,
    "anchor_bonus": 0.08
  },
  "display": {
    "default_mode": "reveal",
    "tier_a_opacity": 1.0,
    "tier_b_opacity": 0.92,
    "tier_c_opacity": 0.62,
    "tier_d_opacity": 0.38,
    "hidden_opacity": 0.12
  }
}
```

---

## 附錄 B：完成定義

專案只有在以下條件同時成立時才算完成：

```text
使用者輸入一個精確術語時，直接結果優先出現；
使用者輸入同義說法時，系統仍能找到主要文件；
使用者輸入自然語言描述時，系統能給出可解釋的近似結果；
查詢過窄時，介面不會突然無意義地全空白；
查詢完全無資料時，系統不偽造結果；
清除查詢時，原始時間線完整恢復；
所有自動衍生資料都標記來源與信心；
搜尋功能可獨立關閉且不破壞原網站。
```