03-新资源入库流程

03-新资源入库流程

文档性质：当前新资源研究主流程
用途：把人工预筛选后的新资源，统一纳入“转文字 -> 归类 -> 失败回退 -> 研究沉淀”的最简流程
适用范围：播客补样本、YouTube 来源扩展、B 站样本探索、进入数据库方案讨论前的研究处理
边界说明：

• 当前系统现实仍以 ./02-当前系统现实.md 为准
• 当前执行边界仍以 ./01-当前目标与范围.md 为准
• 如果是在讨论 YouTube 自动扩源、候选确认和为什么推荐，先看 ./09-YouTube主动发现、候选确认与入库衔接.md
• 这里描述的是“研究 / 补样本 / 入库判断前”的工作流，不等于 yomiya-service 当前生产处理链路全貌
• 官方供给内容当前已有正式处理链路：风控、难度、scene、通知型发布
• 用户导入内容当前也有正式处理链路，但会跳过风控和难度
• 这份文档默认不再重复判断“这是不是好资源”，那一步已经由人工完成 最后更新：2026-04-16

---

1. 当前固定原则

在这份研究流程里，当前最重要的冻结只有一句话：

人工先筛，系统不重复判值；系统只负责转文字、做归类、处理失败回退。

当前要补一个现实口径：

• 研究主入口仍然是人工预筛
• 但 YouTube 现在允许多一个上游补充入口，也就是 09 中的“自动候选确认”
• 只要候选已经被人工确认“值得继续”，它后面进入本流程的方式和人工预筛资源是一致的

这意味着这份研究流程当前不负责这些前置判断：

• 它是不是高价值资源
• 它是不是 Phase 1 候选
• 它是不是值得研究
• 它是不是内容型资源

这些都默认由人工预筛选先完成。

---

2. 当前默认推进顺序

1. 先确认主路径没有漂移
   先看 ./01-当前目标与范围.md、./02-当前系统现实.md
2. 通过两种方式之一拿到“已确认值得继续”的新资源
   • 人工预筛
   • 09 自动候选发现后的人为确认
3. 登记最小元信息
4. 先解决文字路径
5. 文字成功后再做归类
6. 把结果写回样本清单和研究文档
7. 一批跑完后，再从结果里抽数据库讨论需要的字段、关系和约束

---

3. 研究流程当前只保留的 4 个状态

当前研究流程只保留下面 4 个处理状态：

• queued 人工已挑选，等待处理
• transcript_ready 已拿到可用文字
• transcript_failed 当前无法拿到可用文字，需人工补充或暂挂
• classified 已完成归类，可进入样本沉淀或正式入库讨论

这 4 个状态描述的是处理进度，不是资源价值等级。

同时要注意：

• 这 4 个状态是研究文档里的工作状态，不是 yomiya-service 当前数据库枚举
• 服务端当前实际还存在 processing / completed / rejected / failed 等状态，不应和这里混写

stateDiagram-v2
  [*] --> queued
  queued --> transcript_ready: 拿到可用文字
  queued --> transcript_failed: 原生文字缺失且 ASR 失败
  transcript_failed --> queued: 人工补充后重试
  transcript_ready --> classified: 完成归类
  classified --> [*]

这张状态图只表达研究处理进度，不表达资源价值高低。

---

4. 步骤 A：登记最小元信息

这一层只负责让资源进入处理队列，不做复杂 gate。

最小必填建议只保留：

• platform
• source_brand
• sample_name
• sample_level
• type
• url 或来源定位信息
• notes

如果是播客，优先登记：

• 节目名
• 单集名或节目名
• 平台链接

如果是 YouTube 或 B 站，优先登记：

• 频道名 / UP 主名
• 视频名或播放列表名
• 视频 / 播放列表链接

---

5. 步骤 B：只判定文字路径

研究侧最重要的判断只有一个：

这条资源现在有没有办法拿到可用文字。

统一只分三类来源：

• native 平台原生 transcript、caption、subtitle、article、description
• generated 没有现成文字，但可以用 ASR 生成
• failed 当前既没有现成文字，也无法得到可用 ASR

音频优先级

1. 平台原生 transcript / show notes / description
2. RSS description 或附带文字
3. ASR

视频优先级

1. 原生 captions / subtitle
2. 视频 description 或配套 article
3. 抽音轨做 ASR

这一层的原则

• 不讨论资源值不值
• 只讨论文字能不能拿到
• 能拿到就继续
• 拿不到就先挂起

---

6. 步骤 C：文字成功后直接归类

只要文字可用，就直接进入归类。

当前归类输出建议只保留这些字段：

• type
• transcript_availability
• transcript_source
• transcript_quality_expectation
• level
• scene
• content_structure
• recommended_channel
• recommended_collection_direction
• series_candidate

如果还在研究阶段，可以顺手保留：

• cross_media_expandability
• item_derivation_value
• item_derivation_form

但这些是补充输出，不再作为前置 gate。

当前归类依赖关系

• 没有文字，不做稳定归类
• 有文字，再结合标题 / 简介 / 元信息做归类

也就是说：

归类依赖文字成功，不依赖复杂的系统侧价值判断。

---

7. 步骤 D：失败回退

如果文字失败，不要硬做分类。

当前只保留两种处理：

1. 待人工补充 例如补 transcript 来源、补标题说明、补外部文字稿
2. 暂挂 当前先不继续处理，等后续再看

失败时至少要记录：

• 为什么失败
• 是无字幕、无 transcript、ASR 不可用，还是噪音太高

---

8. 轻量兜底，而不是复杂 gate

虽然这份研究流程不再负责“资源值不值得入”，但仍可以保留一个很轻的异常拦截：

• 文字结果明显不是日语主体
• ASR 结果噪音极高，无法支撑归类
• 视频几乎没有可解析语音

这类情况不叫“资源不值得入”，而叫：

当前无法完成稳定转文字与归类。

这时进入 transcript_failed 或人工补充，不再展开复杂评分。

---

9. 研究层怎么回写

新资源处理完以后，默认按这个顺序回写：

1. 统一写入 ./04-内容样本池.md
   • 播客、YouTube、执行状态、链接附录都在这一份里维护
2. 再根据新模式调整 ./archive/research/播客与视频统一分析标准.md
3. 如果已经形成稳定目标理想或结构差距，再回写 ./02-当前系统现实.md
4. 如果牵涉当前阶段边界，再同步 ./01-当前目标与范围.md

进入数据库方案讨论之前，至少要回答清楚这 5 个问题：

1. 音频 / 视频最稳定的文字路径分别是什么
2. 文字失败最常见的原因是什么
3. 哪些归类字段最容易稳定产出
4. 哪些内容方向最容易形成可组织内容线
5. 当前数据库应该优先承接哪一批最稳定的结构化结果

这 5 个问题没收敛前，不建议直接写数据库表结构。

---

10. 当前推荐的实际执行顺序

如果下一轮要立刻推进，建议按下面顺序做：

1. 先从已识别资源里人工挑一批
2. 先补最小元信息，不急着补全四层字段
3. 先跑文字路径
4. 文字成功后再补 scene / level / content_structure / collection_direction
5. 失败的先记失败原因，不硬做归类
6. 一批跑完后再汇总模式

推荐先处理：

• 已有原生 transcript / subtitle 的资源
• description 较完整的资源
• 语音密度高、较易 ASR 的资源

不建议第一轮优先处理：

• 明显跨语混合节目
• 明显工具型 / 题库型音频
• 文字路径极弱、ASR 噪音很高的资源

---

11. 流程图

flowchart TD
  A[开始] --> B[先确认主路径文档]
  B --> C[人工挑选一批新资源]
  C --> D[登记最小元信息]
  D --> E{是否有可用文字}
  E -->|有| F[直接提取文字]
  E -->|无| G[尝试 ASR]
  G --> H{ASR 是否成功}
  H -->|否| I[记录失败原因并暂挂]
  H -->|是| J[获得文字稿]
  F --> J
  J --> K[AI 归类]
  K --> L[写回样本与研究文档]
  I --> L
  L --> M{是否已形成稳定模式}
  M -->|否| C
  M -->|是| N[回写当前系统现实或目标范围]

---

12. 一句话总结

当前最稳的研究方式不是让系统先做复杂价值判断，而是人工先挑资源，系统先拿文字，再基于文字做归类，把结果沉淀回样本和研究文档。