Record the regulations corpus provenance and rights inventory

Why: U1 of the regulations KB plan requires a verified import inventory before any schema or ingestion work.
Evidence: dump sha256 matches manifest; 2878/2907 originals hash-verified in a disposable pgvector container (SELF).
Impact: Spec only; no corpus data or product code changed.
Refs: docs/superpowers/plans/2026-10-18-regulations-knowledge-base-plan.md U1
Co-authored-by: Cursor <cursoragent@cursor.com>

docs/superpowers/specs/2026-10-18-regulations-corpus-inventory.md

@@ -0,0 +1,106 @@
+# 法规语料来源、内容与发布权利盘点（U1）
+
+- 计划：[法规知识库建设方案与实施计划](../plans/2026-10-18-regulations-knowledge-base-plan.md) U1
+- 盘点日期：2026-10-18；执行者：host（只读调查）；来源等级：SELF（本地实测，可按“复核方法”重放）
+- 结论摘要：dump 完整且与 manifest 一致；2,878/2,907 份原件存在且哈希一致；**当前没有任何文档满足发布条件**——
+  全部法律状态为自动判定、生效日期全部缺失、权利未经确认。按身份/原件/状态规则自动筛出的 233 份仅是“待人工审核候选”，
+  其余 2,674 份进入隔离。U2 起的开发与评测只在本地一次性库中使用候选子集，不发布语料。
+
+## 1. 输入对象
+
+| 对象 | 值 |
+|---|---|
+| 目录 | `../Agent-System-Regulations`（非 Git 仓，只读） |
+| `manifest.json` | 2026-09-11 生成；声明 2,907 文档 / 312,919 chunk / 279,184 node；dump sha256 `27ac5cf5…a1141a64` |
+| `regulations_db.dump` | PostgreSQL 16.15 custom 格式（gzip），1,194,119,185 字节；实测 sha256 `27ac5cf538efe47232226a606ca0c1e70c33d5c3b488764c5d6be712a1141a64`，与 manifest 一致 |
+| `.regulations/` | 23G；`library/` 2,878 文件、`intake/` 仅 `.DS_Store`、`quarantine/` 179 文件、`work/` 2,912 个以 sha256 命名的 MinerU 输出目录（`full.md`、`content_list.json`、`parts/`） |
+
+## 2. 方法
+
+1. `pg_restore --list` 检查目录（245 条 TOC、23 张表、扩展 `vector` 与 `pg_trgm`）。
+2. 在一次性容器 `pgvector/pgvector:pg16`（仅绑定 `127.0.0.1`，dump 只读挂载）中 `pg_restore --no-owner -j 4`，无错误。
+3. 对库内 2,907 条 `reg_documents` 逐一读取原件计算 sha256 并比对；遍历 `library/intake/quarantine` 找出库外文件。
+4. 以 SQL 规则分类（第 5 节），每文档分类清单导出到仓外受控路径（见第 7 节）。
+5. 盘点结束后删除容器与临时数据（见第 8 节）；原始目录未写入。
+
+## 3. 结构映射与计数核对
+
+| 源表 | 行数 | 含义 | 映射到新模型（U2） |
+|---|---:|---|---|
+| `reg_documents` | 2,907 | 一文件一行：`doc_id`、`sha256`（唯一）、`file_path`、`kind`、`doc_no`、`title`、`status`、`effective_date`… | `source_asset`（文件、哈希）＋候选 `regulation_identity`/`regulation_edition`（须人工确认） |
+| `reg_nodes` | 279,184 | 树：`parent_id`、`level`、`node_kind`、`section_no`、`title`、`heading_path`、`content`、`page_start/end`、`sort_order` | `legal_node` 候选；文本须由解析输出重建并记哈希 |
+| `reg_chunks` | 312,919 | `grain`=clause 179,202 / section 133,717；`embedding vector(1024)`、`tsv`、`cite_key` | 仅作参考；新库重新生成 chunk 与向量（无模型来源记录） |
+| `reg_doc_relations` | 1,731 | `replaces` 1,730（解析到目标文档 91）、`replaced_by` 1 | 版本关系候选，须人工核对 |
+| `reg_ingest_jobs` / `_events` | 2,953 / 35,248 | `done` 2,911、`unprocessable` 42 | 解析历史线索，不迁移 |
+| 其余 16 张（`asset_*`、`*_legacy`、`reg_catalog_entries`、`reg_clause_links`、`reg_doc_aliases`、`reg_normative_refs`、`staff_*` 等） | 0 | 空表 | 不迁移 |
+
+计数与 manifest 三项完全一致；manifest 的 14,655 文件数与目录实测不符（实测 library+quarantine 共 3,057 个文件，`work/` 下为解析产物），以实测为准。
+
+## 4. 原件可用性与内容质量
+
+| 检查 | 结果 |
+|---|---|
+| 原件存在且 sha256 一致 | 2,878（全部位于 `library/`） |
+| 原件缺失 | 29（库记录在 `intake/`，磁盘无文件；`work/` 中仍有其解析输出） |
+| 哈希不一致 | 0 |
+| 二进制重复 | 库内 0（`sha256` 唯一约束）；`quarantine/` 179 个文件中 135 个与库内文件重复、44 个独有（含 31 个 mp4、rar/zip/cdr 等不可解析格式） |
+| 文件类型 | pdf 2,656、docx 165、doc 74、xlsx 9、md 2、xls 1 |
+| `jurisdiction`、`source_url`、`effective_date` | 全部为空 |
+| `kind_source`、`status_source` | 全部为 `auto`（无人工审核） |
+| `doc_no` | 656 份为空；169 个编号被 607 份文档共用，如 `GB/T1.1-2009` 被 70 份不同文档使用（实为前言引用的起草规则），且文件名由该错误编号生成 |
+| 标题 | 2,000+ 份为封面泛化标题（如“中华人民共和国医药行业标准”）、图片占位或 LaTeX 片段；168 份带 Markdown 标记 |
+| 节点 | 70,254 无页码；102,696 无条款号；56,435 内容为空（标题节点为主）；`table` 仅 3 个（表格结构基本丢失） |
+| 向量 | 1024 维，未记录模型、版本或分块策略 |
+
+结论：现有库可作为**解析线索与开发样本**，不能直接作为权威语料导入。U2/U3 以原件 + 新解析重建节点，现有节点/向量仅用于对照。
+
+## 5. 准入分类规则
+
+隔离标记（任一命中即隔离，不计入候选）：
+
+| 标记 | 规则 | 命中 |
+|---|---|---:|
+| `Q-SRC-MISSING` | 原件缺失 | 29 |
+| `Q-KIND-UNKNOWN` | `kind = unknown` | 452 |
+| `Q-DOCNO-COLLISION` | 同一 `doc_no` 对应多个文件 | 607 |
+| `Q-GENERIC-TITLE` | 去除 `**` 后标题为封面泛称、图片/公式占位或少于 6 字 | 2,222 |
+| `Q-STATUS-UNKNOWN` | `status = unknown` | 446 |
+
+权利类别（候选判断，**均待语料维护者确认**，确认前一律不发布）：
+
+| 类别 | 判定 | 依据与拟定展示策略 | 总数 | 候选 |
+|---|---|---|---:|---:|
+| `R-OFFICIAL` | `kind` ∈ law/rule/notice/catalog/guidance | 国家机关法律法规、规章、规范性文件；《著作权法》第五条不适用保护的候选依据。拟：全文可内部检索与引用展示，需注明发布机关 | 336 | 193 |
+| `R-STD-MANDATORY` | 编号 `GB`/`YY`（非 /T） | 强制性标准官方平台可公开阅读，但再分发受限。拟：内部检索，引用展示短摘录，导出受限 | 31 | 3 |
+| `R-STD-LICENSED` | 编号 `GB/T`/`YY/T` | 推荐性标准，版权归标准出版方。拟：仅元数据 + 定位 + 短摘录，取得许可前不展示全文 | 2,079 | 31 |
+| `R-STD-FOREIGN` | 标题含 ISO/IEC/ASTM/EN/ANSI/AAMI 等 | 境外标准组织版权。拟：仅元数据，许可确认前不入检索正文 | 230 | 6 |
+| `R-UNKNOWN` | 以上皆非 | 身份不明，隔离 | 231 | 0 |
+
+合计：候选 233，隔离 2,674。所有候选仍需人工完成法律身份、版本、生效状态与权利确认后才可进入 U4 发布。
+
+## 6. U1 测试场景对应
+
+| 计划场景 | 结果 |
+|---|---|
+| 有效样本映射到唯一源哈希与明确的来源/权利记录 | 样本 `doc-fb5793f2a564-fb5793f2`《医疗器械使用质量监督管理办法》→ `library/law/doc-fb5793f2a564__…__fb5793f2.docx`，sha256 `fb5793f2…f67f6d9f` 实测一致；类别 `R-OFFICIAL`、无隔离标记；树为 chapter → article，正文与原文一致，页码缺失（docx 来源） |
+| 重复二进制去重但不合并不同法律身份/版本 | 库内无重复二进制；隔离区 135 个重复文件按哈希识别为副本，不新建身份。反向问题：同一 `doc_no` 被多份不同文件共用，已以 `Q-DOCNO-COLLISION` 隔离，不按编号合并 |
+| 原件缺失、无效行、版本不明、权利未知时隔离且不计入可发布数 | 第 5 节规则；可发布数为 0，候选 233 仅表示可进入人工审核 |
+
+## 7. 仓外产物
+
+| 产物 | 位置 | sha256 |
+|---|---|---|
+| 每文档分类清单（元数据：`doc_id`、`sha256`、路径、kind、status、doc_no、权利类别、隔离标记；无正文） | `~/.cache/agent-system-dev/regkb/u1-classification-20261018.tsv`（0600） | `3c801f74006b7919e45247f91ede704d35d9110a1eb5f3f50abdc701574360ee` |
+
+清单不入 Git；U2 的导入工具从原件与该清单重新生成新仓的语料发布清单（manifest），并重新计算哈希。
+
+## 8. 复核方法与限制
+
+复核：在任意一次性 `pgvector/pgvector:pg16` 容器中只读挂载 dump 恢复，执行第 3–5 节的计数与分类 SQL，并对 `reg_documents.file_path` 重新计算 sha256。
+
+未验证/待决：
+
+- 法律状态、生效日期、版本替代关系与权利类别全部未经人工确认；第 5 节规则只用于筛选审核候选。
+- 推荐性标准与境外标准的许可、可展示摘录长度与导出限制，需语料维护者（计划 A3）或用户裁定，属于发布阻塞项。
+- 29 份缺失原件是否可从其他来源补齐未调查。
+- 生产导入路径、备份拓扑、语料 owner 与更新审批角色未定（计划“Dependencies and Open Questions”）。