fix: PDF-Info-Dict-Autor/Jahr nicht mehr zitierfähig + kaputter Dup-Wikilink#71
Merged
Merged
Conversation
Realer Lauf (Knowles "From Pedagogy to Andragogy") deckte systematische Quellen-Fehlattribution auf: das PDF trug im Info-Dict Author "Pierre Landry" (wer das Kapitel abtippte) + CreationDate 2019 → alle erzeugten Notes zitierten "Landry 2019" statt Knowles. Universell (nicht quellen-spezifisch): Info-Dict- Author = Datei-Ersteller, CreationDate-Jahr = Speicher-/Abtipp-Zeitpunkt — beide identifizieren weder Werk-Autor noch Publikationsjahr. - pdf_chunker._parse_pdfinfo_output() (neu, pure): Info-Dict-Author/CreationDate nur diagnostisch (InfoDictAuthor/InfoDictCreationYear), nicht als Author/Year. - vault_writer.apply_filename_citation_metadata() (neu): zitierfähigen Author/Year aus dem Dateiname befüllen (CrossRef behält Vorrang, Filename-Year autoritativ), vor dem Extractor — sonst Platzhalter "Autor" im Body. - orchestrator: Helper vor dem Extractor aufrufen (ersetzt inline Year-Merge); Enrichment-Gate öffnet jetzt (kein Info-Dict-Author/Year) → CrossRef läuft. - pdf_enrich._zotero_author_matches_embedded (2. Info-Dict-Kanal, Codex-Review): embedded Author nur bei positiver Dateiname-Bestätigung — nicht-parsbarer Dateiname → False (vorher fälschlich True); Nachname-Gleichheit statt Substring (keine "Li" bestätigt "Williams"-Falle). TDD: 13 neue Tests. Cross-Model-reviewt (Codex Pass 1+2, Qwen). Suite grün.
…s ein Wikilink Knowles-Lauf: das LLM lieferte duplicate_path als EINE kommaseparierte Liste von 4 Titeln → related-Eintrag wurde der kaputte Sammel-Wikilink "[[A, B, C, D]]". duplicate_path ist als EIN Merge-Ziel modelliert. - _clean_dup_targets() (neu, pure): zerlegt in saubere Einzelziel-Stems (Komma-Split, Klammern/Alias/Pfad entfernt). - run(): bei >1 Kandidat Review-Flag + saubere Einzel-Links, KEIN action=extend (man kann nicht in mehrere Notes mergen). Einzel-Target-Pfad unverändert (elif statt dup_risk-Reassignment — Klarheit, Qwen-Review). TDD: 3 neue Helper-Tests. Suite grün.
This file contains hidden or bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment
2 participants
Add this suggestion to a batch that can be applied as a single commit.This suggestion is invalid because no changes were made to the code.Suggestions cannot be applied while the pull request is closed.Suggestions cannot be applied while viewing a subset of changes.Only one suggestion per line can be applied in a batch.Add this suggestion to a batch that can be applied as a single commit.Applying suggestions on deleted lines is not supported.You must change the existing code in this line in order to create a valid suggestion.Outdated suggestions cannot be applied.This suggestion has been applied or marked resolved.Suggestions cannot be applied from pending reviews.Suggestions cannot be applied on multi-line comments.Suggestions cannot be applied while the pull request is queued to merge.Suggestion cannot be applied right now. Please check back later.
Zwei universelle Pipeline-Fehler, aufgedeckt durch einen realen Lauf über Knowles, From Pedagogy to Andragogy (Notes → Inbox), TDD-implementiert und Cross-Model-reviewt (Codex Pass 1+2, Qwen).
FIX #1 (HIGH) — Quellen-Fehlattribution
Das PDF trug im Info-Dict
Author: Pierre Landry(wer das Kapitel 2019 in Word abtippte) +CreationDate 2019→ alle 7 erzeugten Notes zitierten „Landry 2019" statt Knowles. Universelle Klasse: Info-Dict-Autor = Datei-Ersteller,CreationDate-Jahr = Abtipp-/Speicher-Zeitpunkt — beide identifizieren weder Werk-Autor noch Publikationsjahr (betrifft jedes abgetippte/gescannte/neu-gespeicherte PDF).pdf_chunker._parse_pdfinfo_output()(neu, pure): Info-Dict-Autor/CreationDate nur diagnostisch (InfoDictAuthor/InfoDictCreationYear), nicht alsAuthor/Year.vault_writer.apply_filename_citation_metadata()(neu): zitierfähigen Autor/Jahr aus dem Dateiname befüllen (CrossRef behält Vorrang, Filename-Jahr autoritativ) — vor dem Extractor, sonst Platzhalter „Autor" im Body.orchestrator: Helper vor dem Extractor; Enrichment-Gate öffnet jetzt → CrossRef läuft.pdf_enrich._zotero_author_matches_embedded(zweiter Info-Dict-Kanal, von Codex gefunden): embedded Autor nur bei positiver Dateiname-Bestätigung — nicht-parsbarer Dateiname →False(vorher fälschlichTrue); Nachname-Gleichheit statt Substring (keine „Li" bestätigt „Williams"-Falle).Knowles-Fall danach korrekt: Dateiname „Knowles" widerspricht „Landry" → embedded verworfen → „Knowles" gewinnt.
FIX #2 (MED) — kaputter Sammel-Wikilink
Das LLM lieferte
duplicate_pathals EINE kommaseparierte Liste von 4 Titeln →related-Eintrag wurde[[A, B, C, D]].cross_reference._clean_dup_targets()(neu, pure): zerlegt in saubere Einzelziel-Stems.run(): bei >1 Kandidat Review-Flag + saubere Einzel-Links, keinaction=extend. Einzel-Target-Pfad unverändert.Bewusst nicht in diesem PR
pdftotextohne-layout(zweispaltige PDFs): ein korrekter Fix ist kein Minimal-Fix (selbst-layoutentwürfelt die Spalten nicht; spalten-bewusste Extraktion = eigenes Feature mit Regressionsrisiko für den häufigen einspaltigen Fall) und verursachte im Lauf keinen Inhaltsfehler. Eigener Design-Pass.Tests
15 neue TDD-Tests (je RED→GREEN), volle generative-Suite 644 passed.
🤖 Generated with Claude Code