63 lines
2.4 KiB
Markdown
63 lines
2.4 KiB
Markdown
|
---
|
||
|
|
description: Revisione qualitativa del clean.md dopo il pre-processing automatico (step 4). Trova artefatti residui, paragrafi spezzati e header errati, poi propone le correzioni.
|
||
|
|
allowed-tools: Read Bash Grep Edit
|
||
|
|
argument-hint: <stem>
|
||
|
|
---
|
||
|
|
|
||
|
|
Esegui la revisione qualitativa di `step-4/$ARGUMENTS/clean.md`.
|
||
|
|
|
||
|
|
**Profilo struttura:**
|
||
|
|
!`cat step-4/$ARGUMENTS/structure_profile.json 2>/dev/null || echo "ERRORE: step-4/$ARGUMENTS/structure_profile.json non trovato — verifica che lo stem sia corretto"`
|
||
|
|
|
||
|
|
**Statistiche file:**
|
||
|
|
!`wc -l step-4/$ARGUMENTS/clean.md 2>/dev/null && grep -c "^## " step-4/$ARGUMENTS/clean.md 2>/dev/null | xargs -I{} echo "## headers: {}" && grep -c "^### " step-4/$ARGUMENTS/clean.md 2>/dev/null | xargs -I{} echo "### headers: {}"`
|
||
|
|
|
||
|
|
---
|
||
|
|
|
||
|
|
Analizza `step-4/$ARGUMENTS/clean.md` seguendo questi passi. Usa Grep e Read per raccogliere i casi concreti prima di riportarli.
|
||
|
|
|
||
|
|
## Passo 1 — Righe orfane in corpo testo
|
||
|
|
|
||
|
|
Cerca blocchi di testo standalone (separati da righe vuote, non header `#`) più corti di 80 caratteri che sembrino artefatti da PDF:
|
||
|
|
- Firme o nomi di persone isolati (tutto maiuscolo o iniziali maiuscole seguite da punto)
|
||
|
|
- Date o luoghi isolati
|
||
|
|
- Titoli del documento ripetuti nel corpo
|
||
|
|
- Numeri di pagina isolati
|
||
|
|
- Riferimenti bibliografici fuori contesto
|
||
|
|
|
||
|
|
Per ogni caso trovato: riporta numero di riga e testo.
|
||
|
|
|
||
|
|
## Passo 2 — Paragrafi spezzati residui
|
||
|
|
|
||
|
|
Cerca paragrafi che finiscono senza punteggiatura di fine frase (`.?!»)`), escludendo quelli che terminano con ` -` (interruzione stilistica intenzionale).
|
||
|
|
|
||
|
|
Riporta i primi 5 casi con numero di riga e la fine del testo.
|
||
|
|
|
||
|
|
## Passo 3 — Header sospetti
|
||
|
|
|
||
|
|
Controlla i `##` e `###`:
|
||
|
|
- `### N.` con solo numero e punto → **corretto**, non segnalare
|
||
|
|
- `##` o `###` con contenuto ALL-CAPS non convertito in sentence-case → segnalare
|
||
|
|
- `##` o `###` duplicati (stesso titolo che appare due volte) → segnalare
|
||
|
|
- `##` con testo molto lungo (> 80 char) → segnalare come sospetto
|
||
|
|
|
||
|
|
## Passo 4 — Sezioni quasi vuote
|
||
|
|
|
||
|
|
Cerca `### ` header seguiti da un blocco di testo inferiore a 60 caratteri (sezione priva di contenuto utile per il RAG). Riporta i casi.
|
||
|
|
|
||
|
|
## Report finale
|
||
|
|
|
||
|
|
```
|
||
|
|
🔴 BLOCCANTI (compromettono il chunking o la qualità del RAG)
|
||
|
|
...
|
||
|
|
|
||
|
|
🟡 MINORI (artefatti visibili ma non bloccanti)
|
||
|
|
...
|
||
|
|
|
||
|
|
🟢 OK
|
||
|
|
...
|
||
|
|
```
|
||
|
|
|
||
|
|
Chiedi all'utente: "Vuoi che applichi le correzioni per i problemi 🔴? E per i 🟡?"
|
||
|
|
Applica solo le correzioni esplicitamente approvate.
|