fix(perceives): PDF→Markdown 学术论文 1:1 还原 v2（断字 / 三段采样 / 标题误判 / TOC / 图片孤儿）

[ThreeFish-AI]

背景

• 要解决的问题：在 fix(perceives): PDF→Markdown 学术论文 1:1 还原五处根因修复（ISSUE-094） #647（ISSUE-094 图片宽高 / MinerU schema / 首页双栏 三处根因）合入之后，以 71 页双栏 LaTeX 论文 50714_Agent_Harness_Engineerin.pdf 作为基线再次实测「negentropy-perceives.parse_pdf_to_markdown ↔ negentropy-ui Document View」端到端保真度，发现仍残留 5 类高发缺陷：
  1. 跨行断字 218 处全部残留（PyMuPDF 折行 word-\nword → word- word 后无处复合）；
  2. 公式漏检：formula_extraction Stage 被 selector 整段短路（71 页论文 0 块级公式 / 2 inline）——quick_scan 只扫前 10 页，而 math font span 集中在 page 16/18/47/62；
  3. 作者署名 / Table caption 误判 H4：15 位 ASCII * 作者超长无 unicode 标记被认作大字号 heading；Table N: caption 同被错升为 heading 污染目录；
  4. TOC 错乱表：docling 提取的目录页 4 列表格 cell-merge 错乱不可挽救（首行 \| 1 \| 1 \| 1 \|）；
  5. 图片孤儿：矢量图渲染落盘但末段 markdown_refs 被 caption/IoU 去重链路误删——disk 19 张 vs markdown 引用仅 13 张。
• 关联上下文：ISSUE-094 · 第三轮迭代 · PDF 一比一还原质量迭代笔记 · 基线 PR fix(perceives): PDF→Markdown 学术论文 1:1 还原五处根因修复（ISSUE-094） #647（edb54014）。

核心变更

5 处改动正交独立，按文件粒度可单独 cherry-pick；其中 1 处货币号 negative lookahead 是 hyphenation 修复的连锁前置条件（修断字暴露了 $200 to $125 误识 math 的旧缺陷）。

文件	改动摘要
markdown/formatter.py	_typography_inner 追加 re.sub(r"([a-z])- ([a-z])", r"\1\2", text)——仅 ASCII 小写两侧合并，避开 state-of-the-art / 20- 30 / X- Ray 等复合形态。
pdf/math_formula.py	_MATH_DELIMITERS 的 inline $ ... $ 改为 (?<!\$)\$(?![\$\d])[^$\n]+?\$(?!\d)——禁跨行 + 前后双向 USD 数字 negative lookahead，根治 $0.30/MTok … $200 to $125 等被误识为 math 导致区域内 typography 失效。
pipeline/stages/pdf/quick_scan.py	新增 _compute_scan_page_indices(start, end, max_scan=15)——first/middle/last 三段均匀采样，替换「前 10 页固定扫描」启发式，覆盖学术论文方法 / 实验 / 附录章节特征信号。
pipeline/stages/pdf/assembly.py	扩展 _is_author_byline 识别 Name 1,2,* 多作者 ASCII affiliation 模式；新增 _is_table_caption / _is_toc_table_text / _byline_to_paragraph / _table_caption_to_paragraph——误判 heading 从「continue 跳过」改为「降级为段落」（保留信息脱离标题层级），TOC 错乱表整段抑制。
markdown/image_ref_normalizer.py	normalize_image_references 新增 Phase 3 _append_orphan_images 兜底（带 <!-- orphan images appended --> 注释），append_orphans=False 可关以保持旧合约。

测试与文档：

• 5 个新单测套件 + 既有 2 个套件扩展（共 61 个新单测）+ 1 个集成测试套件 + 1 个 golden 特征签名。
• docs/agents/issue.md 追加 ISSUE-094「第三轮迭代」子节；新增 docs/agents/pdf-harness-engineering-parity.md 端到端质量迭代笔记；docs/agents/knowledge-map.md 索引同步。

风险与回滚

• 风险 1：三段采样在「特征极度稀疏」的非学术 PDF 上可能仍抓不到信号——但仍 ≥ 旧策略且包含前 5 页（即旧采样窗的子集），单调改进。
• 风险 2：[a-z]- [a-z] 合并在「有意小写连字符短语」上可能误吞——对照基线 2603.05344v3.pdf（14 公式 / 23 图 / 18 代码 / 9 表）已确认 0 退化。
• 风险 3：孤儿图追加默认开启，旧 markdown 无规范引用的下游消费者可能见到末尾新增段——append_orphans=False 可显式关闭恢复旧合约。
• 回滚：5 处改动正交独立、按文件粒度可单独 git revert，无连锁影响。

验证证据

• 单元测试（本地 uv run pytest -q）：61 新单测全 pass，关联 152 套件全绿，既有 525 例 0 回归。
• 集成测试：tests/integration/test_pdf_harness_engineering_parity.py（7 例）+ tests/fixtures/pdf/harness-engineering/expected_signature.json golden 特征签名（counts + 容差 + must_contain/must_not_contain）；@pytest.mark.slow 默认 CI 跳过，本地基线 PDF 手跑 7/7 pass。
• E2E / 实机回归：accra-v1 启独立 perceives MCP（port 2993）→ 临时切 Corpus extractor route 到新 server → POST .../refresh_markdown 重提取 → UI Document View 用 chrome_devtools 接入用户主 Chrome 多页截图对照（封面 / 双栏 / Figure 5 / Section 8.6 / References），所有缺陷消失。
• 量化效果（全本 71 页）：
  • 断字残留 218 → 0
  • formula_extraction：skipped:profile:no_has_formulas → mineru 命中 3 块
  • 误判 H4：2（作者行 + Table S2）→ 0
  • TOC 错乱表：83 行 → 0
  • 图片：13 ref + orphan fallback（disk vs markdown 一致）
  • 切片前 5 页：24s（< 30s 目标）
  • 全本：60s（mineru 漏跑）→ 180–300s（< 320s，mineru 200s+ 为固有开销）

影响范围

• 前端：无。
• 后端：apps/negentropy-perceives/ 5 处源文件 + 7 处测试 / fixture / 集成测试。
• GitHub Actions / 文档：docs/agents/issue.md 追加 ISSUE-094 第三轮迭代；新增 docs/agents/pdf-harness-engineering-parity.md；docs/agents/knowledge-map.md 索引同步。CI 默认跳过本期新增集成测试（@pytest.mark.slow）。

Next Best Action

• Corpus extractor route 默认 timeout_ms 上调到 600s（默认 300s 在 71 页 + mineru 公式抽取下偶发超时），或在 UI 暴露 timeout 配置项。
• 把本期端到端验证范式（独立 perceives MCP + 临时切 extractor route + refresh_markdown）沉淀为复用脚本，便于后续 PDF / Webpage extractor 改动复用。
• 引入 2603.05344v3.pdf 作为对照基线，让任何 assembly 反向去重改动前后跑双 PDF 计数签名 diff，>10% 触发 review。