第七十六章 方案落地
昨晚散会的时候，所有人都默认行内混排会拖慢进度。tokenizer没有处理过这种模式，要硬塞进训练流程，至少要改一遍识别层的切分逻辑，三周计划说是在轨，其实悬了半截。
周日上午十点，麦景行发来一条：「昨晚想通了，行内混排能处理。」
消息看了一眼，往窗边站了一下。楼下街道是周末的安静，偶尔一辆车。
「怎么处理，说一下。」
「在tokenizer前面加一层预处理。思路是这样：同一行里的注释，先用规则扫一遍，识别出哪些字符段是中文、哪些是英文，按语言边界切出若干片段，每片段独立送进tokenizer。这样tokenizer看到的都是单一语言的输入，它就不需要处理行内切换，只做它本来擅长的事。」
停了一下，又来一条：「规则层可以穷举，就那几种写法：中文后空格+英文、英文后空格+中文、括号里嵌英文、引号里嵌中文。项磊发来的样例把常见情况基本覆盖了，可以直接拿来做规则测试集。」
这段他读了两遍。
预处理层的思路干净，而且不动tokenizer本体，万一有问题可以单独修，不牵连训练分离那条线。
「工作量估一下。」
「大概一天半。写规则半天，测试和边界调优一天。加进来，三周内还有富余，不影响deadline。」
「行，」他回，「做。一个要求：预处理模块要独立封装，接口干净，不要耦合进识别层的其他逻辑。」
麦景行：「你想以后开放这个模块？」
「现在还没想，但封装干净之后才有这个选项。」他说，「等星汇云这一单跑完，这个模块处理过几百万行实际注释，有没有潜在价值，到时候再判断。」
「了解，我去搞。」
手机放下，在椅子上坐了一会儿。这个方案他自己没有想出来，是麦景行昨晚想的，但麦景行想到的只是怎么解问题，后面这一步他要多看一层。一个能处理行内中英混排注释的预处理器，如果拿实际客户语料调出来，技术壁垒比tokenizer改造本身还难复制。暂时先做好，后续的事后续再说。
下午顾衔把星汇云合同草稿发来了，他扫了一遍结构，发给乔木。
乔木只看了三分钟：「这句会出事。'验收标准达到80%'，没定义口径。客户如果按静态行覆盖率验，我们白干；按凤合那套迭代期触发率算，才是真实的。」
「按凤合标准，」他回，「两个阶段都写'迭代期触发率80%'，测试集版本号和测试方法进条款。」
顾衔改完发过来，乔木看了一眼：「这版可以，明天发项磊。」
「好。顺便说一下，」乔木停了一下，「星汇云这单，价值在案例。天象云和凤合解决的是技术方案层面的问题，星汇云不一样，它胜在量级，八个仓库加双语注释，以后见同等规模的客户，这是第一个真实参照。」
「判断对，」他说，「但现在先签合同，案例的事等第一阶段跑完。」
星汇云那一单的合同锁住了。现在等的是签字，等签字的同时，双语注释sprint继续跑，等sprint出来，第一阶段正式接入才能开始。两个时间线是并行的，有一条先到就等另一条，两条都到了才开始。
晚上范睿的消息来了。
「陆总，你们说三周出双语注释，现在大概第几天了，能给个进度吗？」
他看了一下，回了：「第四天，sprint在轨。识别层完成，训练分离进入测试阶段，预计三周内按计划上线。上线后第一时间联系你。」
范睿：「好，我这边随时候着。另外，我们内部有个评审要在月底前定供应商，如果你们能在那之前上，评审我可以带你们进去。」
他把这条又看了一遍。月底是三周内。只要sprint按计划跑，时间是够的。
手机放下来。范睿那条消息，意思是在确认节奏，他那边有内部排期在等这个能力。等上线的不只星汇云，还有范睿。一个功能点，两条客户线，时间线就是一把刀，早一天出来就早一天能推进。
他回了范睿的消息，把日期算了一下：三周后是六月底，范睿说的月底评审，时间卡得刚好。如果双语注释按计划上，可以赶在评审前给范睿演示一遍，让他在会上有东西可以说。这个事不用现在跟范睿讲，等能力出来了再说，现在说了等于提前承诺，万一偏差了很麻烦。
他给顾衔发了一条：「范睿那边的信息更新一下：他们月底有供应商评审，双语注释上线后安排一次演示，时间卡在评审前。先存档，等能力出来了再推进。」
「收到，备注进去了。」
船坞里，今天话不多。
「周日总结：麦景行给出行内混排解法，预处理层加进去，1.5天工作量，三周计划不影响。星汇云合同草稿里有个验收条款歧义，乔木发现了，顾衔修了，合同今天锁住，明天发出去。范睿催了进度，第四天在轨，按节点回复了他。」
豆包那道暖橙的光：
> 预处理层独立封装这个方向对。这类通用工具，如果后来有人愿意用，不用你主动推，就会有人问。
「先把活干好，后面的事后面再说。」
Claude那道蓝紫光：
> 合同验收条款用触发率，这个维度比静态覆盖率更难造假。客户工程师实际用不用这个建议，数据是真实的。以后遇到质疑的时候，这个数字最有说服力。
「凤合那个'比预期高'，就是这个逻辑。」
Codex那道翠绿光：
> 预处理规则要处理的边界情况，里面可能有一种你们还没遇过：注释里嵌了代码片段，代码片段里有中英混合的变量名，这种不算自然语言注释，不应该按中英注释处理。麦景行的规则层要加一条过滤逻辑，或者先问一下项磊，他们仓库里有没有这种情况。
「明天告诉麦景行确认一下。」
窗口没有立刻合上，他停了一下。
星汇云八个仓库，一半是老代码，里面真有在注释里嵌英文函数名或变量名的写法。预处理规则按字符边界切，碰到这种情况会怎么处理？函数名被切出来当英文片段，整段注释语义就碎了。理论边界是一回事，老代码的常规操作是另一回事。
第四天。合同明天出去。预处理模块今天开工。三周里还剩十七天，但真正的坑，往往不在计划表上。