tei-mcp v0.3: kodowanie TEI bez przepisywania źródła
Kiedy pisałem o tei-mcp po raz pierwszy, celem było powstrzymanie asystentów AI przed halucynowaniem znakowania TEI. Osadzenie w schemacie rozwiązało część problemu: mając bezpośredni, oparty na narzędziach dostęp do specyfikacji P5, model nie musi już zgadywać, co znaczy dany element ani jakie atrybuty przyjmuje. Wynik przechodzi walidację.
Ale halucynacja w kodowaniu TEI ma dwa oblicza, a schemat wyłapuje tylko jedno z nich. Walidacja względem specyfikacji mówi, że znakowanie jest poprawne. Nie mówi nic o tekście, który to znakowanie obejmuje. A właśnie tam – w samym tekście – gnieżdżą się groźniejsze halucynacje. Kompozycja z blokadą zakresów (span-locked composition), główna nowość w v0.3, została zaprojektowana właśnie po to, by im zapobiegać.
Spis treści
Halucynacja, której schemat nie wyłapie
Poproś model o zakodowanie szesnastowiecznego francuskiego listu, a często
dostaniesz z powrotem dokument TEI, który wygląda nienagannie. Nagłówek
wypełniony, znaczniki <persName> na swoich miejscach, <dateline> poprawnie
zbudowany. Przepuść go przez validate_document – przejdzie.
Potem porównaj tekst główny ze źródłem.
mesme stało się même. Przecinek się przesunął. luy po cichu
zmodernizowano na lui. Zdanie trudne do odczytania w rękopisie zostało
„poprawione” na coś gładszego. Żadnej z tych zmian nikt nie zlecił. Żadna nie
została oznaczona. Dokument jest zgodny ze schematem i po cichu błędny.
W pracy archiwalnej – gdzie zakodowany tekst staje się trwałym zapisem, na którym polegają czytelnicy, indeksy wyszukiwania i cytowania – to właśnie ten rodzaj awarii liczy się najbardziej. Zniekształcony znacznik irytuje. Zmodernizowana pisownia, której nikt nie zauważy przez pięć lat, to skażenie tekstu.
Kompozycja z blokadą zakresów
Nowe wydanie (v0.3) zawiera mechanizm zapobiegania halucynacjom wycelowany dokładnie w ten rodzaj awarii. Cel projektowy: sprawić, by halucynacje w tekście głównym były niemożliwe z samej konstrukcji, a nie tylko mało prawdopodobne.
Pomysł jest prosty: model nigdy nie wpisuje tekstu głównego.
Zamiast tego przebieg pracy wygląda tak:
- Model wywołuje
get_source("letter_001")i otrzymuje źródłowy czysty tekst jako niezmienny ciąg znaków. - Dla każdego znacznika, który chce zastosować, wywołuje
tag_span("letter_001", start, end, element_path, attrs)– rejestrując element TEI na zakresie znaków w źródle. - Gdy skończy, wywołuje
compose("letter_001"). Serwer przeplata zarejestrowane znaczniki z pierwotnym czystym tekstem, renderuje końcowy dokument TEI, a następnie sprawdza bajt po bajcie, czy płaska zawartość tekstowa wyrenderowanego dokumentu jest równa źródłu.
Jeśli bajty się zgadzają, dokument wraca. Jeśli nie – jeśli znaczniki modelu
w jakiś sposób implikują tekst główny różniący się od źródła choćby jednym
znakiem – compose() zgłasza wyjątek, zamiast zwracać skażony dokument.
W tym przebiegu nie ma ścieżki, na której model wyprodukowałby dokument TEI
z tekstem głównym różnym od źródła. Ten niezmiennik jest mechaniczny, nie
behawioralny. Nie musisz ufać, że model nie halucynuje; musisz ufać
porównaniu == dwóch ciągów bajtów.
Czym to jest, a czym nie jest
Kompozycja z blokadą zakresów jest uzupełnieniem osadzenia w schemacie,
nie jego zamiennikiem. Narzędzia osadzające w schemacie (validate_document,
lookup_element, valid_children i reszta pierwotnej szesnastki) pomagają
modelowi wytwarzać poprawne TEI. Kompozycja z blokadą zakresów gwarantuje,
że tekst główny wewnątrz tego TEI jest wierny źródłu. Przebieg kodowania
nadający się do wdrożenia musi spełniać oba warunki – i teraz oba pokrywa
jeden serwer.
Nie jest to też magiczne lekarstwo na wszystko. compose() nie sprawdza
jeszcze, czy zarejestrowane znaczniki są dopuszczalne wedle wczytanego
dostosowania ODD – to zadanie na później. Zarejestrowane znaczniki żyją
w pamięci procesu i nie przetrwają restartu. A pliki źródłowe muszą być
czytelne z miejsca, w którym działa serwer. Wszystko to da się rozwiązać;
nic z tego nie podważa głównego niezmiennika.
Dlaczego to ważne poza TEI
Ten wzorzec się uogólnia. Zawsze, gdy model ma adnotować, przekształcać lub obudowywać fragment tekstu – i zawsze, gdy integralność tekstu bazowego liczy się bardziej niż zdolność modelu do jego „ulepszania” – stosuje się ten sam kształt rozwiązania. Nie każ modelowi przepisywać tekstu. Każ mu wytwarzać instrukcje nad tekstem, a deterministycznemu kompozytorowi pozwól je zastosować pod niezmiennikiem równości.
Dla edycji cyfrowych w szczególności zmienia to zakres tego, co można odpowiedzialnie zlecić modelowi. Kodowanie staje się nagle zadaniem, które można delegować bez ręcznego porównywania każdego wyniku ze źródłem. Maszyna idzie nudną ścieżką; edytor sprawdza znakowanie, nie pisownię.
Jak pobrać aktualizację
Jeśli masz już zainstalowany tei-mcp:
uvx tei-mcp@latest
Albo od zera:
pip install tei-mcp
Aby korzystać z kompozycji z blokadą zakresów, wskaż serwerowi katalog z plikami źródłowymi w postaci czystego tekstu:
export TEI_MCP_SPAN_SOURCE_ROOT=/path/to/sources
uvx tei-mcp
Rdzeń nazwy każdego pliku staje się identyfikatorem dokumentu (letter_001.txt →
letter_001).
Kod źródłowy, pełna dokumentacja i notatki projektowe dotyczące niezmiennika: github.com/Pantagrueliste/tei-mcp
