---
gsd_state_version: 1.0
milestone: v1.6
milestone_name: 语义分段改进
status: ready_to_execute
stopped_at: Phase 13 planning complete
last_updated: "2026-03-22T10:00:00.000Z"
last_activity: 2026-03-22 — Phase 13 plan created (7 plans)
progress:
  total_phases: 15
  completed_phases: 12
  total_plans: 38
  completed_plans: 30
  percent: 79
---

# Project State

## Project Reference

See: .planning/PROJECT.md (updated 2026-03-21)

**Core value:** 可靠、可维护的处理管道 - 每个步骤独立、可验证、可恢复
**Current focus:** 语义分段改进 — 使用 LLM 实现智能分段

## Current Position

Phase: Phase 13 - 核心 LLM 分段功能
Plan: 01-07
Status: Ready to execute
Last activity: 2026-03-22 — Phase 13 plan created (7 plans)

Progress: [░░░░░░░░░░] 0% (Phase 13/15)

### Phase 13 Goal
实现基于 LLM 的智能语义分段，识别视频类型并生成主题标题

### Phase 13 Requirements (18 total)
- VIDEO-01, VIDEO-02, VIDEO-03 (视频类型识别)
- BOUND-01, BOUND-02, BOUND-03, BOUND-04 (语义边界检测)
- COMP-01, COMP-02, COMP-03 (内容完整性保护)
- TITLE-01, TITLE-02, TITLE-03 (主题标题生成)
- SENT-01, SENT-02, SENT-03 (中文句边界检测)
- STRAT-01, STRAT-02, STRAT-03 (分段策略)

## Accumulated Context

### Decisions

Key decisions from v1.0-v1.5 (preserved):
- 管道模型 — BaseProcessor + Pipeline 架构
- 步骤级状态 — WorkflowStateManager
- Schema 验证 — Pydantic v2
- 顺序执行 — 简单性和可调试性
- CLI subparsers — 可扩展命令结构
- SRT 独立模块 — kb_workflow/srt/ 职责分离
- ASR 纠错可选 — AI 不可用时返回原文

v1.6 Phase 13 decisions (from 13-CONTEXT.md):
- **数量控制**: 采用建议式数量引导（5-8段），不强制执行
- **视频类型策略**: 无类型区分 — 使用统一 Prompt，不针对不同类型设计不同策略
- **句边界保护**: 纯 Prompt 约束 — 依赖 LLM 理解，不进行代码后处理
- **论点完整性**: 一般性指令 — 不提供具体示例或标记词识别
- **并列结构**: 不特别指定 — 让 LLM 根据整体语义自然判断
- **中文句边界**: Prompt 中强调 — 列举所有中文句末标点
- **标题范围**: LLM 自主判断 — 哪些分段需要标题由 LLM 决定
- **标题风格**: 简洁描述型 — 5-15字，如「机器学习概述」
- **标题格式**: H2 (##) — 与现有格式保持一致
- **标题缺失处理**: 跳过标题 — 无法生成标题时设为 null
- **模块位置**: `kb_workflow/srt/semantic_engine.py`
- **现有 SemanticSegmenter**: 完全替代 — 新代码完全替代旧代码
- **SRTProcessor 集成**: 配置开关控制 — `enable_semantic_segmentation` 参数
- **Pydantic Schema 位置**: `semantic_engine.py` 内

### Technical Context

**架构集成:**
- 新增 `SemanticSegmentationEngine` 模块（`kb_workflow/srt/semantic_engine.py`）
- 替代现有 `SemanticSegmenter`（规则分段）
- 在 `SRTProcessor` 中添加 LLM 分支（`enable_semantic_segmentation` 参数）

**技术栈:**
- SimpleAIClient（已集成 zhipu/openai/minimax）
- Pydantic v2（LLM 响应验证）
- Protocol（SegmentationStrategy 接口）

**数据流:**
```
SRT Input → Parse Subtitles → SemanticSegmentationEngine (LLM) →
Extract Paragraphs → ASR Correction → Generate Markdown
```

### Known Risks

**高优先级风险:**
1. **上下文窗口溢出** — 长视频（>1小时）字幕超10万字符，需分块处理
2. **LLM 输出格式不稳定** — 需多层 fallback 策略
3. **分段边界破坏完整性** — 需句边界保护机制
4. **分段不一致性** — LLM 随机性导致多次运行结果不同
5. **成本失控** — 高频 LLM 调用可能导致费用激增

**缓解策略:**
- Phase 13: 实现 Pydantic 验证 + 句边界保护（Prompt 约束）
- Phase 14: 实现分块处理 + 缓存 + 温度控制 + 降级策略
- Phase 15: 输出格式优化 + 配置开关

### Blockers/Concerns

None.

## Session Continuity

Last session: 2026-03-22T10:00:00.000Z
Stopped at: Phase 13 planning complete
Resume file: .planning/phases/13-llm/13-CONTEXT.md

**Next step:** `/gsd:execute-phase 13` - 开始执行 Phase 13 的 7 个计划

## Phase 13 Plan Structure

**Wave 1** (并行执行，无依赖):
- Plan 01: 视频类型识别（TDD）- VIDEO-01, VIDEO-02, VIDEO-03
- Plan 02: 语义边界检测（TDD）- BOUND-01, BOUND-02, BOUND-03, BOUND-04
- Plan 03: 内容完整性保护（TDD）- COMP-01, COMP-02, COMP-03
- Plan 04: 主题标题生成（TDD）- TITLE-01, TITLE-02, TITLE-03
- Plan 05: 中文句边界检测（TDD）- SENT-01, SENT-02, SENT-03

**Wave 2** (依赖 Wave 1):
- Plan 06: 可扩展策略架构 - STRAT-01, STRAT-02, STRAT-03
- Plan 07: SRTProcessor 集成 - CONFIG-03

**Total**: 7 plans (5 TDD + 2 execute)