semantic-analyzer

指令语义深检（第 3 层）

利用 Claude 对语义的模型侧推理，对 Skill / Prompt / Agent 指令做第三层审阅：找出词典未收录、仍可能拉宽输出边界的用词与句式。

定位：与 Hook 检测的关系

层级	机制	速度	覆盖面
第 1 层：词典匹配	Hook，已知词对	毫秒级	固定
第 2 层：结构规则	Hook，固定模式	毫秒级	固定
第 3 层：语义深检	本 Skill，按需	秒级	动态

Hook 覆盖已入库的 wide 词；本 Skill 补未入库项与语境叠加。

Gotchas

• 模板与 fenced 示例（如 STEP 2b 代码块内的演示词）仅用于说明维度，勿原样复制进生产 Skill；本仓库会对 plugin/skills/ 下 Markdown 跑 linter。
• 四维打分带主观性；是否收录词典须与用户对齐。
• 收录新词：仅允许改 references/semantic-trap-lexicon.md → npm run build-lexicon → npm test；禁止把 lexicon-data.js 当手写主路径。
• 已知 wide 词以 require('./lib/lexicon-data.js') 的 wideWordsZh / wideWordsEn（或 zhPairs / enPairs）为准做去重。

语义陷阱的四个判定特征

1. 程度性 vs 二元性：陷阱词偏程度连续；安全词偏是否、通过/不通过。
2. 展望性：「潜在」「可能」等拉远时间轴。
3. 主观判定性：依赖评判者标准。
4. 语义发散度：联想网大、难收敛。

原理：满足特征越多，边界越宽，越易突破 Prompt 约束。

工作流

STEP 1：获取目标文本与已知词典

• 文本来源：用户粘贴、给定路径、或当前编辑中的指令文件。
• 已知词典：在仓库根下执行
  const lex = require('./lib/lexicon-data.js')
  使用 lex.wideWordsZh、lex.wideWordsEn 判断某 surface 是否已登记为 wide；已登记则本层不再重复展开（Hook 已覆盖）。

STEP 2：逐句深度语义扫描

对每句有实质内容的正文（跳过标题、代码块、空行）：

2a. 提取关键词：动作指令词、目标对象词、约束修饰词、输出形态词。

2b. 四维评分（0–3 / 维）：

词汇: "优化"
┌──────────────┬───────┬──────────────────────────────────┐
│ 特征维度     │ 评分  │ 判定理由                          │
├──────────────┼───────┼──────────────────────────────────┤
│ 程度性       │ 3/3   │ 优化是连续性的，没有明确终点      │
│ 展望性       │ 2/3   │ 隐含"变得更好"的未来预期         │
│ 主观评价性   │ 3/3   │ "更好"的标准因人/场景而异         │
│ 关联松散度   │ 3/3   │ 性能/可读性/架构/安全均可被优化   │
├──────────────┼───────┼──────────────────────────────────┤
│ 总分         │ 11/12 │ → 高危陷阱词                     │
└──────────────┴───────┴──────────────────────────────────┘

• 0–3 分：无 → 强
• 得分落档：10–12 → critical；7–9 → high；5–6 → medium-high；3–4 → medium；0–2 → low（可忽略）

2c. 排除已知 wide：见 STEP 1。

2d. 收窄方案：对总分 ≥ 5 的词给出更窄、可执行、同句可替换的表述。

STEP 3：上下文与句式隐患

• 语义叠加：多枚中高严重度词同句共现 → 整体严重度上调。
• 隐式宽边界：如「全面 + 检查」、递进修饰 + 开放式动词等，会拉宽动作范围。
• 否定句反转：如 不要忽略任何潜在风险 → 模型为「不忽略」反而扩联想（示例仅在行内代码中展示，避免 linter 误报）。