fix: OCR口语词/碎片词污染核心词+下载全文回退+动作表格兜底

1. non_core_kw新增: 有人(@OCR误读)/一嘴/那家/那价
2. core_kw过滤纯ASCII<=2碎片词(ij等OCR噪声)
3. 下载意图新增全文回退: section无'登录'但整文档是登录插件(全文17次)则放行
4. 动作查询表格兜底: 查询'操作模式'vs表'操作方式'词级匹配失败时, 表格+action词命中放行

auto_reply.py

@@ -4,6 +4,8 @@ import logging
 import re
 import threading
 import time
+import os
+import functools
 import jieba
 
 logger = logging.getLogger("msgbot.autoreply")
@@ -110,6 +112,16 @@ class AutoReply:
         toks = set(t.lower() for t in jieba.cut(text) if len(t) >= 2)
         return toks - AutoReply._STOPWORDS
 
+    @staticmethod
+    @functools.lru_cache(maxsize=512)
+    def _full_doc_text(path: str) -> str:
+        """读取知识库文档全文（缓存）。下载意图回退检查用——section粒度丢失跨节主题词。"""
+        try:
+            with open(path, encoding="utf-8") as f:
+                return f.read()
+        except Exception:
+            return ""
+
     @staticmethod
     def _has_content_relevance(query: str, doc: dict, score: float = 0.0) -> bool:
         """查询词与匹配文档必须共享至少一个有区分度的核心词，防偶然/牛头不对马嘴匹配。
@@ -178,12 +190,25 @@ class AutoReply:
             non_action_body = body_tokens - action_kw
             has_body_nonaction = bool(non_action_q & non_action_body)
             if not has_body_nonaction:
-                # 正文（不含动作词）完全没有共同词 → 直接拒绝，无论 heading 是否命中
-                logger.debug(
-                    f"动作查询正文无共同词拒绝: query={query[:40]!r} "
-                    f"doc_heading={heading[:30]!r} body_hits=0 ht_hit={has_ht}"
-                )
-                return False
+                # ⭐ 表格兜底（2026-08-17）：词级匹配可能因近义词/OCR差异失败
+                # 例：查询"操作模式" vs 表格"操作方式"——body含'操作'但已被action_kw剔除，
+                #     non_action交集为空 → 误杀 protect.md 的操作方式表格
+                # 规则：heading主体命中(has_ht) + body是表格(|分隔) + 查询动作词在表格中出现 → 放行
+                _is_table_body = ('|' in (body or '')) or ('-|-' in (body or ''))
+                # 注意：不能用 set(body_clean)——字符集不包含多字符词，须用子串判断
+                _action_hits_body = any(kw in body_clean[:800] for kw in (q_mean & action_kw))
+                if has_ht and _is_table_body and _action_hits_body:
+                    logger.debug(
+                        f"动作查询表格兜底放行: query={query[:40]!r} "
+                        f"doc_heading={heading[:30]!r}"
+                    )
+                else:
+                    # 正文（不含动作词）完全没有共同词 → 直接拒绝，无论 heading 是否命中
+                    logger.debug(
+                        f"动作查询正文无共同词拒绝: query={query[:40]!r} "
+                        f"doc_heading={heading[:30]!r} body_hits=0 ht_hit={has_ht}"
+                    )
+                    return False
             if not has_ht:
                 # 正文有非动作词命中但 heading 无命中 → 检查 body 覆盖量（见下方正文覆盖不足防御）
                 pass
@@ -280,8 +305,18 @@ class AutoReply:
                           # 2026-08-17 新增：口语填充词"一句"不应作为核心词
                           # 用户常说"我再问一句"，"一句"是填充词，不影响查询意图
                           '一句', '问一句', '再问',
+                          # 2026-08-17 新增：OCR将@提及读成"有人"（"有人@拜"实为@某人）
+                          # "有人"是口语占位/OCR噪声，无查询意图，类似"大家"
+                          '有人',
+                          # 2026-08-17 新增："再问一嘴"的口语填充（"问一嘴"已有，补"一嘴"）
+                          '一嘴',
+                          # 2026-08-17 新增：口语"咱那家"的"那家"（OCR常写成"那价"）
+                          '那家', '那价',
                           }
             core_kw = q_mean - non_core_kw
+            # ⭐ OCR碎片过滤：纯ASCII且≤2字符的词（如"丿IJ"切成'ij'）是OCR噪声
+            # 不参与核心词覆盖判定——否则垃圾词抬高分母，真核心词反而达不到阈值
+            core_kw = {kw for kw in core_kw if not (kw.isascii() and len(kw) <= 2)}
             doc_text = heading_clean + " " + title.lower() + " " + body_clean[:800]
             core_hits = sum(1 for kw in core_kw if kw in doc_text)
 
@@ -308,10 +343,21 @@ class AutoReply:
                         if other_hits >= 1:
                             _download_match = True
                         else:
-                            logger.debug(
-                                f"下载意图拒绝(核心词未命中): query={query[:40]!r} "
-                                f"doc_title={title!r} other_kw={other_core_kw!r} hits={other_hits}"
+                            # ⭐ 2026-08-17 全文回退：section 粒度丢失跨节主题词
+                            # sdf1_login.md "### 2.1 下载" 正文只有仓库链接(GitHub/gitee...)不含"登录"，
+                            # 但整篇文档主题就是登录插件(全文"登录"×17)
+                            # beibao.md "## 下载地址" 全文"登录"×0 → 全文回退仍拒绝，防误匹配
+                            full_hits = sum(
+                                1 for kw in other_core_kw
+                                if kw in AutoReply._full_doc_text(doc.get('path', ''))
                             )
+                            if full_hits >= 1:
+                                _download_match = True
+                            else:
+                                logger.debug(
+                                    f"下载意图拒绝(核心词未命中): query={query[:40]!r} "
+                                    f"doc_title={title!r} other_kw={other_core_kw!r} hits={other_hits} full_hits={full_hits}"
+                                )
                 else:
                     # 复合标题：检查标题主体部分（<br>或列表之前）是否含"下载"
                     _title_part = re.split(r'<br>|- |\|-', heading_clean)[0]
@@ -323,6 +369,14 @@ class AutoReply:
                             other_hits = sum(1 for kw in other_core_kw if kw in doc_text)
                             if other_hits >= 1:
                                 _download_match = True
+                            else:
+                                # 复合标题分支同样支持全文回退（见上方注释）
+                                full_hits = sum(
+                                    1 for kw in other_core_kw
+                                    if kw in AutoReply._full_doc_text(doc.get('path', ''))
+                                )
+                                if full_hits >= 1:
+                                    _download_match = True
             if _download_match:
                 logger.debug(f"下载意图放行: query={query[:30]!r} heading={heading[:30]!r}")
                 return True