处理流水线
每个发布条目都会被规范化、校验、索引，然后通过静态文件公开。
整个工作流由脚本驱动，因此在索引、预览、OCR、中文译文或研究层发生变更后，可以重新构建发布包。
01
捕获与解析
把渲染后的来源页面记录解析为 JSONL 清单，并为 Release 02 记录官方 ZIP 包目录。
02
解析与下载
解析原始媒体 URL；Release 01 原件保留本地校验，Release 02 大型发布包暂保留官方源 URL 与远端元数据。
03
预览与搜索
生成本地预览图，提取 PDF 内嵌文本，并使用 Tesseract OCR 处理扫描型 PDF。
04
中文 OCR 译文
把 OCR 英文正文分块机器翻译成中文，保留原文偏移，以便在详情页进行原文、中文和对照阅读。
05
质量审计
评估 OCR 噪声、短碎词、译文覆盖和中文字符比例，为每条 OCR 记录标注可读性等级。
06
复核队列
把低可信和需对照原文的 OCR 记录汇总为待复核清单，支持本地备注和 JSON 导出。
07
研究索引
生成主题、实体、关键词和文本覆盖标记，作为静态浏览器的检索辅助层。
08
发布打包
发布包保留 `site/` 与 `data/` 的相对路径，并输出清单、说明和托管审计文件。
可重复执行的脚本
build-site-index.mjs
sync-release-02.py
build-preview-assets.py
extract-pdf-text.py
ocr-pdf-pages.py
build-ocr-zh-index.py
build-ocr-quality-index.py
build-research-index.py
verify-site.mjs
prepare-deploy-package.py
verify-deploy-package.mjs
audit-hosting-readiness.mjs