TEI |

tei-mcp v0.3: TEI-kodning utan att skriva om källan

Tue, 05 May 2026 00:00:00 +0000

När jag var målet att hindra AI-assistenter från att hallucinera TEI-uppmärkning. Schemaförankringen löste en del av problemet: med direkt, verktygsbaserad tillgång till P5-specifikationen behöver modellen inte längre gissa vad ett element betyder eller vilka attribut det tar. Resultatet validerar.

Men hallucinationen har två ansikten i TEI-kodning, och schemat fångar bara det ena. Att validera mot specifikationen säger dig att uppmärkningen är välformad. Det säger inget om den text uppmärkningen omsluter. Och det är där – i själva texten – de mer skadliga hallucinationerna håller till. Spannlåst komposition (span-locked composition), huvudnyheten i v0.3, är utformad just för att förhindra dem.

Innehållsförteckning

Hallucinationen som schemat inte kan fånga

Be en modell koda ett franskt brev från 1500-talet, och du får ofta tillbaka ett TEI-dokument som ser oklanderligt ut. Headern är ifylld, <persName>-taggarna sitter rätt, <dateline> är välformad. Kör det genom validate_document och det går igenom.

Jämför sedan brödtexten med källan.

mesme har blivit même. Ett komma har flyttat på sig. luy har i tysthet moderniserats till lui. En sats som var svårläst i handskriften har ”rättats” till något prydligare. Ingen av ändringarna var begärd. Ingen av dem flaggas. Dokumentet är schemagiltigt och tyst felaktigt.

För ett arkivflöde – där den kodade texten blir den permanenta post som senare läsare, sökindex och citeringar förlitar sig på – är detta den typ av fel som betyder mest. En felformad tagg är irriterande. En moderniserad stavning som ingen upptäcker på fem år är en korruption.

Spannlåst komposition

Den nya versionen (v0.3) levererar en mekanism mot hallucinationer som siktar rakt på just den här typen av fel. Designmålet är att göra hallucinationer i brödtexten omöjliga per konstruktion, inte bara osannolika.

Idén är enkel: modellen skriver aldrig brödtext.

I stället ser arbetsflödet ut så här:

Modellen anropar get_source("letter_001") och får källans råtext som en oföränderlig sträng.
För varje tagg den vill sätta anropar den tag_span("letter_001", start, end, element_path, attrs) – och registrerar därmed ett TEI-element över ett teckenintervall i källan.
När den är klar anropar den compose("letter_001"). Servern flätar in de registrerade taggarna i den ursprungliga råtexten, renderar den färdiga TEI-filen och kontrollerar sedan byte för byte att det renderade dokumentets rena textinnehåll är identiskt med källan.

Stämmer bytena kommer dokumentet tillbaka. Gör de inte det – om modellens taggar på något sätt implicerar en brödtext som avviker från källan med ett enda tecken – kastar compose() ett fel i stället för att returnera ett korrupt dokument.

Det finns ingen väg genom det här arbetsflödet där modellen producerar ett TEI-dokument vars brödtext avviker från källan. Invarianten är mekanisk, inte beteendemässig. Du behöver inte lita på att modellen låter bli att hallucinera; du behöver lita på en ==-jämförelse mellan två bytesträngar.

Vad det är, och vad det inte är

Spannlåst komposition är ett komplement till schemaförankringen, inte en ersättning. Schemaverktygen (validate_document, lookup_element, valid_children och resten av de ursprungliga sexton) hjälper modellen att producera giltig TEI. Spannlåst komposition garanterar att brödtexten inuti den TEI-filen är trogen källan. Ett kodningsflöde som ska kunna tas i drift måste uppfylla båda kraven, och nu täcks båda av en och samma server.

Det är heller inget trollspö som fixar allt. compose() kontrollerar ännu inte att de registrerade taggarna är tillåtna enligt en laddad ODD-anpassning – det kommer i en uppföljning. Registrerade taggar ligger i processminnet och överlever inte en omstart. Och källfilerna måste vara läsbara från den plats där servern körs. Allt detta går att åtgärda; inget av det rubbar den centrala invarianten.

Varför det spelar roll bortom TEI

Mönstret går att generalisera. Varje gång en modell ombeds annotera, omvandla eller omsluta en text – och varje gång textens integritet väger tyngre än modellens förmåga att ”förbättra” den – passar samma slags lösning. Be inte modellen skriva om texten. Be den producera instruktioner över texten, och låt en deterministisk kompositör tillämpa dem under en likhetsinvariant.

För digitala utgåvor i synnerhet förändrar detta vad man med gott samvete kan be en modell om. Kodningen blir med ett slag en uppgift man kan delegera utan att manuellt behöva jämföra varje resultat med källan. Maskinen tar den tråkiga vägen; utgivaren granskar uppmärkningen, inte stavningen.

Hämta uppdateringen

Har du redan tei-mcp installerat:

uvx tei-mcp@latest

Eller från början:

pip install tei-mcp

För att använda spannlåst komposition pekar du servern mot en katalog med källfiler i råtext:

export TEI_MCP_SPAN_SOURCE_ROOT=/path/to/sources
uvx tei-mcp

Varje fils namnstam blir dess dokument-ID (letter_001.txt → letter_001).

Källkod, fullständig dokumentation och designanteckningarna om invarianten:

tei-mcp

Sun, 15 Mar 2026 00:00:00 +0000

tei-mcp: TEI P5 för AI-agenter

tei-mcp är en -server med öppen källkod som ger AI-kodassistenter direkt tillgång till specifikationen . I stället för att förlita sig på memorerade träningsdata – vilket ofta ger uppmärkning som ser rimlig ut men är fel – kan AI:n fråga specifikationen i realtid.

Funktioner

Servern tolkar ODD-filen för TEI P5 och exponerar 16 verktyg:

Slå upp vilket element, vilken klass, vilket makro eller vilken modul som helst på namn, med skiftlägesokänslig matchning och förslag vid felstavning
Lös upp attribut genom hela TEI:s klasshierarki (lokala + ärvda)
Expandera innehållsmodeller till strukturerade träd med upplösning av klasser och makron
Kontrollera nästling – direkt förälder–barn eller rekursiv nåbarhet med spårad sökväg
Validera dokument mot TEI P5: innehållsmodeller, attribut, slutna värdelistor, referensintegritet och utfasningsvarningar
Validera enskilda element för stegvisa redigeringsflöden
Ladda ODD-anpassningar för att begränsa schemat till en projektspecifik delmängd
Sök bland alla entitetstyper med reguljära uttryck

Installation

pip install tei-mcp

Eller kör direkt med:

uvx tei-mcp

Användning

Lägg till i vilken MCP-kompatibel klient som helst (Claude, Cursor, Windsurf osv.):

{
 "mcpServers": {
 "tei": {
 "command": "uvx",
 "args": ["tei-mcp"]
 }
 }
}

Källkod och dokumentation finns i .

tei-mcp: TEI P5 för AI-agenter

Sun, 15 Mar 2026 00:00:00 +0000

Har du någon gång låtit en AI-kodassistent skriva TEI-XML har du nog märkt att den gör fel. Element dyker upp där de inte hör hemma. Attribut hittas på. Nästlingsreglerna ignoreras. Modellen har en ungefärlig känsla för hur TEI ser ut, men ingen tillförlitlig kunskap om specifikationen.

tei-mcp löser det genom att ge AI-agenter direkt, verktygsbaserad tillgång till riktlinjerna för TEI P5.

Innehållsförteckning

Vad är MCP?

(MCP) är en öppen standard som låter AI-applikationer ansluta till externa datakällor och verktyg. Tänk på det som en USB-port för AI: ett enda protokoll som låter vilken kompatibel klient som helst – Claude, Cursor, Windsurf och andra – koppla in sig på specialiserade tjänster.

En MCP-server exponerar verktyg som AI:n kan anropa under ett samtal. I stället för att förlita sig på memorerade träningsdata kan modellen fråga en levande, auktoritativ källa.

Vad tei-mcp gör

tei-mcp tolkar ODD-specifikationen för TEI P5 och exponerar 16 verktyg som täcker de vanligaste frågor en utgivare eller kodare ställer:

Vad är det här elementet? Slå upp vilket element, vilken klass, vilket makro eller vilken modul som helst på namn, med skiftlägesokänslig matchning och förslag vid felstavning.
Vilka attribut tar det? Lös upp attributen genom hela klasshierarkin – lokala attribut först, sedan de ärvda i ordning.
Vad får finnas inuti? Expandera innehållsmodeller till strukturerade träd, eller få en platt lista över giltiga barnelement.
Får det här elementet stå här? Kontrollera nästlingen förälder–barn, eller spåra nåbarheten genom hela elementhierarkin.
Är mitt dokument giltigt? Validera en TEI-XML-fil mot specifikationen: innehållsmodeller, attributvärden, slutna värdelistor, referensintegritet och utfasningsvarningar.
Och mitt projektschema? Ladda en ODD-anpassningsfil för att begränsa allt ovanstående till ditt projekts specifika delmängd av TEI.

Varför det spelar roll

TEI-kodning kräver att man ständigt slår i riktlinjerna. Erfarna kodare har de vanligaste mönstren i ryggmärgen, men även de måste kontrollera specifikationen för mindre bekanta element eller invecklade innehållsmodeller. För AI-assistenter, som inte har någon sådan inövad kunskap, är problemet värre: de hallucinerar fram uppmärkning som ser rimlig ut men är fel.

Med tei-mcp behöver AI:n inte gissa. Den kan slå upp svaret i specifikationen innan den skriver en enda vinkelparentes. Resultatet är uppmärkning som följer TEI P5 – eller ditt projekts ODD-anpassning.

Kom igång

Installera från PyPI:

pip install tei-mcp

Lägg sedan till servern i din MCP-klients konfiguration:

{
 "mcpServers": {
 "tei": {
 "command": "uvx",
 "args": ["tei-mcp"]
 }
 }
}

Servern laddar ner TEI-specifikationen vid första körningen och fungerar med vilken MCP-kompatibel klient som helst.

Källkod och fullständig dokumentation:

Multi-Saxon

Fri, 28 Mar 2025 00:00:00 +0000

Multi-Saxon: parallell XSLT-bearbetning av stora TEI-korpusar

Multi-Saxon fyller en kännbar lucka bland XML-verktygen genom att möjliggöra parallell körning av XSLT 2.0- och 3.0-transformationer som LXML (ett populärt XML-bibliotek för Python) inte klarar. Multi-Saxon är utformat särskilt för stora samlingar av XML-TEI-dokument och kortar bearbetningstiden avsevärt genom effektiv parallellkörning.

Huvudfunktioner

Avancerat XSLT-stöd: bearbetar XSLT 2.0- och 3.0-transformationer bortom LXML:s förmåga
Parallell bearbetning: kortar transformationstiden dramatiskt för stora dokumentsamlingar genom parallellisering
TEI-optimerat: särskilt konstruerat för XML-dokument enligt Text Encoding Initiative (TEI)
Skalbar prestanda: hanterar effektivt korpusar från hundratals till tusentals dokument
Plattformsoberoende: fungerar i olika operativsystem och miljöer

Problemet Multi-Saxon löser

Forskare inom digital humaniora som arbetar med TEI ställs ofta inför två stora svårigheter:

LXML (ett vanligt XML-bibliotek för Python) stöder bara XSLT 1.0, vilket gör det omöjligt att använda de mer avancerade funktionerna i XSLT 2.0/3.0
Att bearbeta stora TEI-korpusar sekventiellt kan ta oöverkomligt lång tid

Multi-Saxon löser båda problemen genom att utnyttja Saxons avancerade XSLT-funktioner och samtidigt fördela bearbetningen över flera processorkärnor, med betydande prestandavinster som följd.

Implementering

Multi-Saxon kombinerar Python med Javas Saxon-processor i en högpresterande transformationskedja:

använder Javas Saxon-bibliotek för robust XSLT 2.0/3.0-bearbetning
använder multiprocessing för att fördela transformationerna över tillgängliga processorkärnor
hanterar processorpooler effektivt för maximal genomströmning
erbjuder ett enkelt gränssnitt för batchbearbetning av TEI-dokument

Användningsexempel

from multi_saxon import MultiSaxon

# Initialize with your XSLT stylesheet
transformer = MultiSaxon("transform.xsl")

# Transform a single document
transformer.transform("input.xml", "output.xml")

# Transform an entire directory in parallel
transformer.transform_directory("input_dir", "output_dir")

Betydelse för digital humaniora

För projekt inom digital humaniora med stora TEI-samlingar möjliggör Multi-Saxon:

komplexa transformationer av hela korpusar som vore omöjliga med LXML
dramatiskt kortare bearbetningstider (ofta 5–10 gånger snabbare på flerkärniga system)
mer avancerad analys tack vare funktionerna i XSLT 2.0/3.0
ett enklare arbetsflöde för bearbetning av hela dokumentsamlingar

Källkod och dokumentation finns i .

persNamer

Fri, 28 Mar 2025 00:00:00 +0000

persNamer: TEI kopplat till Virtual International Authority File

persNamer är ett specialiserat Python-verktyg som förenklar integrationen av auktoriserade persondata från VIAF (Virtual International Authority File) i TEI-XML-dokument. Genom att omvandla VIAF-identifierare till färdig TEI-uppmärkning minskar persNamer avsevärt det manuella arbetet med att skapa strukturerade personposter för digitala vetenskapliga utgåvor.

Auktoritetskontrollens utmaning i TEI

Digitala vetenskapliga utgåvor kräver ofta exakt identifiering av historiska personer, med standardiserade namnformer och levnadsår. Att upprätthålla en konsekvent auktoritetskontroll genom ett helt projekt kräver att man:

identifierar personerna i de historiska texterna
hittar auktoritetsdata om dem
skapar korrekt formaterade TEI-poster
ser till att hänvisningarna är konsekventa genom hela projektet

Dessa steg är i regel manuella, tidskrävande och känsliga för inkonsekvenser.

Så fungerar persNamer

persNamer automatiserar arbetsflödet genom att:

hämta VIAF-data: utifrån en VIAF-identifierare hämtar verktyget RDF-data via HTTP-innehållsförhandling
extrahera nyckeluppgifter: tolkar RDF-data och plockar ut det föredragna namnet, födelsedatum och dödsdatum
generera TEI-uppmärkning: skapar två centrala XML-utdrag:
- en post för auktoritetsfilen (ett <person>-element med genererat xml:id, <persName>, <birth>, <death> och <idno type="VIAF">)
- en separat annotationstagg (<persName> med ett ref-attribut som pekar på auktoritetsposten)

Den dubbla utmatningen låter utgivaren underhålla en central auktoritetsfil och samtidigt enkelt infoga annotationstaggar i sina TEI-texter.

Huvudfunktioner

Standardiserad ID-generering: skapar konsekventa XML-ID:n i formatet pers-[familyname]-[givenname initial] (t.ex. pers-deteligny-c)
RDF-tolkning: använder rdflib för att hämta uppgifter ur olika RDF-egenskaper (t.ex. rdfs:label, schema:name, viaf:mainHead)
Kommandoradsgränssnitt: körs enkelt med ett VIAF-nummer som enda obligatoriska argument
Utförlig utmatning: ger detaljerad information om bearbetningen vid sidan av den färdiga XML-koden

Exempel

python persNamer.py 314802260

Kommandot ger:

<person xml:id="pers-deteligny-c">
 <persName>Charles deTéligny</persName>
 <birth>1535</birth>
 <death>1572-08-24</death>
 <idno type="VIAF">314802260</idno>
</person>

<persName ref="#pers-deteligny-c">Charles deTéligny</persName>

Användning inom digital humaniora

persNamer är särskilt värdefullt för:

digitala vetenskapliga utgåvor som kräver auktoritetskontroll
TEI-kodningsprojekt som arbetar med historiska personer
initiativ kring länkade data som kopplar dokument till auktoritetsposter
att säkra konsekvens i stora TEI-korpusar
undervisning i auktoritetskontroll på kurser i digital humaniora

Implementering

persNamer är skrivet i Python och bygger på:

requests för HTTP-anrop
rdflib för RDF-tolkning
lxml för XML-hantering

Källkod och dokumentation finns i .