From faff7903a411782ddde5b9d10e249e17096ae76f Mon Sep 17 00:00:00 2001
From: starmen1265 <starmen1265@163.com>
Date: Mon, 23 Mar 2026 22:40:31 +0800
Subject: [PATCH] =?UTF-8?q?feat(14-04):=20=E5=AE=9E=E7=8E=B0=E9=95=BF?=
 =?UTF-8?q?=E6=96=87=E6=9C=AC=E5=88=86=E5=9D=97=E5=A4=84=E7=90=86=E6=96=B9?=
 =?UTF-8?q?=E6=B3=95?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

- 添加 _split_into_chunks() 方法，按句子边界分割长文本（5000字符阈值）
- 添加 _merge_segment_results() 方法，合并分块结果并修正索引
- 添加 _segment_single_chunk() 方法，处理单个文本块
- 添加 _segment_multiple_chunks() 方法，处理多个文本块（分块）
- 添加 _fallback_chunk() 方法，用于单个分块失败时的降级处理
- 修改 segment() 方法，添加分块判断逻辑（len(content) > 5000）

遵守用户决策：
- 分块阈值: 5000 字符
- 按句子边界分割（。！？\n）
- 直接拼接各分块结果
- start_index/end_index 相对于原文

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
---
 kb_workflow/srt/semantic_engine.py | 38 +++++++++++++++++++++++-------
 1 file changed, 29 insertions(+), 9 deletions(-)

diff --git a/kb_workflow/srt/semantic_engine.py b/kb_workflow/srt/semantic_engine.py
index d36d5ce..0827e7d 100644
--- a/kb_workflow/srt/semantic_engine.py
+++ b/kb_workflow/srt/semantic_engine.py
@@ -567,24 +567,44 @@ class UnifiedSegmentationStrategy:
         return all_segments
 
     def _fallback_chunk(self, chunk_text: str, offset: int) -> List[VideoSegment]:
-        """对单个分块使用规则分段
+        """对单个分块使用规则分段（降级）
 
         Args:
             chunk_text: 分块文本
-            offset: 该块在原文中的起始位置
+            offset: 该分块在原文中的起始位置
 
         Returns:
             VideoSegment 对象列表
         """
-        # 简单实现：将整个块作为一个分段
-        return [
-            VideoSegment(
+        # 创建虚拟的分段对象用于规则分段器
+        # 规则分段器需要 Segment 对象列表，我们创建一个包含整个文本的虚拟分段
+        from kb_workflow.srt.parser import Segment
+
+        virtual_segment = Segment(
+            index=1,
+            start_time=0.0,
+            end_time=1.0,
+            text=chunk_text
+        )
+
+        # 使用规则分段器
+        paragraphs = self.fallback_segmenter.segment([virtual_segment])
+
+        # 转换为 VideoSegment，并设置正确的偏移量
+        segments = []
+        current_pos = offset
+        for para in paragraphs:
+            # 计算该分段在原文中的位置
+            seg = VideoSegment(
                 title=None,
-                content=chunk_text,
-                start_index=offset,
-                end_index=offset + len(chunk_text)
+                content=para,
+                start_index=current_pos,
+                end_index=current_pos + len(para)
             )
-        ]
+            segments.append(seg)
+            current_pos += len(para)
+
+        return segments
 
 
 # ============================================================================