docs: update docs_v1.0/ documentation

- Fix markdown lint issues (MD030, MD047, MD051, MD028, MD005) - Update AI agents, architecture, implementation docs - Add new identity, face recognition, and API documentation - Remove deprecated face/person API guides
2026-04-30 15:10:41 +08:00
parent 8f05a7c188
commit 4d75b2e251
185 changed files with 21071 additions and 1605 deletions
@@ -12,13 +12,13 @@

 ### 1.1 目前行為
 目前系統的 Processor (如 YOLO, Face, OCR) **不支援高效續傳**。
-*   **中斷處理**: 若處理過程因主動 (使用者取消) 或被動 (OOM, Crash) 中斷，重新執行時通常會**從頭開始 (Frame 0)**。
-*   **效能瓶頸**: 對於長影片，中斷後重新解碼和運算前 90% 的幀是巨大的資源浪費。
+* **中斷處理**: 若處理過程因主動 (使用者取消) 或被動 (OOM, Crash) 中斷，重新執行時通常會**從頭開始 (Frame 0)**。
+* **效能瓶頸**: 對於長影片，中斷後重新解碼和運算前 90% 的幀是巨大的資源浪費。

 ### 1.2 缺失環節
-*   **缺乏狀態記錄**: 處理器未記錄「已處理到第幾幀」。
-*   **缺乏增量寫入**: 輸出檔案通常為全量 JSON，無法在尾部追加新數據而不破壞格式。
-*   **缺乏跳轉指令**: Worker 啟動腳本時未傳遞 `--start-frame` 參數。
+* **缺乏狀態記錄**: 處理器未記錄「已處理到第幾幀」。
+* **缺乏增量寫入**: 輸出檔案通常為全量 JSON，無法在尾部追加新數據而不破壞格式。
+* **缺乏跳轉指令**: Worker 啟動腳本時未傳遞 `--start-frame` 參數。

 ---

@@ -26,9 +26,9 @@

 設計目標：**Checkpoints (檢查點) + Append Mode (追加模式)**

-*   **Checkpoint**: 定期將當前進度 (`current_frame`) 寫入獨立檔案或 Redis。
-*   **Seek**: 啟動時若發現進度記錄，使用 OpenCV `set(CAP_PROP_POS_FRAMES)` 快速跳轉。
-*   **Append**: 結果輸出採用 **JSON Lines (.jsonl)** 格式，避免中斷導致 JSON 結構損壞，且支援尾部追加。
+* **Checkpoint**: 定期將當前進度 (`current_frame`) 寫入獨立檔案或 Redis。
+* **Seek**: 啟動時若發現進度記錄，使用 OpenCV `set(CAP_PROP_POS_FRAMES)` 快速跳轉。
+* **Append**: 結果輸出採用 **JSON Lines (.jsonl)** 格式，避免中斷導致 JSON 結構損壞，且支援尾部追加。

 ---

@@ -48,7 +48,7 @@ output/vid_001/
 ### 3.2 yolo_progress.json 結構
 ```json
 {
-  "video_uuid": "vid_001",
+  "file_uuid": "vid_001",
  "processor": "yolo",
  "last_frame_index": 12500,
  "last_timestamp": 416.66,
@@ -174,7 +174,7 @@ if is_resume {

 #### B. 後處理 (Post-Processing)
 Processor 完成後，若輸出為 `.jsonl`，需轉換為系統預期的 `.json` (List of Objects) 以便存入 DB。
-*   *Optimization*: 可以在 Rust 端直接 `BufRead` 解析 JSONL 並批次 Insert DB，無需轉換檔案。
+* *Optimization*: 可以在 Rust 端直接 `BufRead` 解析 JSONL 並批次 Insert DB，無需轉換檔案。

 ---

@@ -182,21 +182,21 @@ Processor 完成後，若輸出為 `.jsonl`，需轉換為系統預期的 `.json

 目前的 `monitor_jobs` 和 `processor_results` 表需支援**部分完成**的語意。

-*   **新增欄位**: `processed_frames` (BIGINT) 於 `processor_results` 或 `jobs` 表。
-*   **用途**: Worker 定期讀取 `progress.json` 並更新此欄位，以便前端顯示「處理進度 25%」。
+* **新增欄位**: `processed_frames` (BIGINT) 於 `processor_results` 或 `jobs` 表。
+* **用途**: Worker 定期讀取 `progress.json` 並更新此欄位，以便前端顯示「處理進度 25%」。

 ---

 ## 6. 優勢分析

-1.  **容錯性**: 即使伺服器斷電，重啟後僅損失最近 30 幀 (約 1 秒) 的運算結果。
-2.  **I/O 效率**: 採用 Append 寫入，避免每次都重寫巨大的 JSON 檔案。
-3.  **資源節約**: OpenCV 的 `seek` 操作比重新解碼快數百倍。
-4.  **靈活性**: 支援主動暫停 (Pause)，只需發送 `SIGINT` 讓腳本安全退出即可。
+1. **容錯性**: 即使伺服器斷電，重啟後僅損失最近 30 幀 (約 1 秒) 的運算結果。
+2. **I/O 效率**: 採用 Append 寫入，避免每次都重寫巨大的 JSON 檔案。
+3. **資源節約**: OpenCV 的 `seek` 操作比重新解碼快數百倍。
+4. **靈活性**: 支援主動暫停 (Pause)，只需發送 `SIGINT` 讓腳本安全退出即可。

 ---

 ## 版本資訊

- 版本: V1.0
- 建立日期: 2026-04-25
+* 版本: V1.0
+* 建立日期: 2026-04-25
@@ -0,0 +1,321 @@
+---
+document_type: "reference_doc"
+service: "MOMENTRY_CORE"
+title: "Processor 升級分析報告"
+date: "2026-04-27"
+version: "V1.0"
+status: "active"
+owner: "Warren"
+created_by: "OpenCode"
+tags:
+  - "processor"
+  - "agent"
+  - "upgrade"
+  - "identity-agent"
+  - "三層架構"
+ai_query_hints:
+  - "查詢 Processor 升級分析報告的內容"
+  - "Processor 是否需要升級到 Agent"
+  - "Identity Agent 設計方案"
+  - "三層架構 Processor 分析"
+  - "Face Clustering 升級建議"
+  - "ASRX 升級建議"
+related_documents:
+  - "AI_AGENTS/CORE/AGENT_SPEC.md"
+  - "AI_AGENTS/IDENTITY/FACE_SPEAKER_PERSON_WORKFLOW.md"
+  - "PROCESSORS/_CORE/PROCESSOR_RESUME_STRATEGY.md"
+---
+
+# Processor 升級分析報告
+
+| 項目 | 內容 |
+|------|------|
+| 建立者 | OpenCode |
+| 建立時間 | 2026-04-27 |
+| 文件版本 | V1.0 |
+
+---
+
+## 版本歷史
+
+| 版本 | 日期 | 目的 | 操作人 | 工具/模型 |
+|------|------|------|--------|-----------|
+| V1.0 | 2026-04-27 | 分析 Processor 是否需要迭代或升級到 Agent | OpenCode | GLM-5 |
+
+---
+
+## 概述
+
+本文檔分析 Momentry Core 系統中所有 Processor 的架構定位，判斷是否需要迭代或升級為 Agent。
+
+---
+
+## 當前狀態
+
+| 項目 | 狀態 |
+|------|------|
+| Processor 總數 | 17 個 |
+| 總代碼行數 | 4947 行 |
+| 已添加 Resume 支持 | YOLO, OCR, Face |
+| 待添加 Resume 支持 | Pose, CUT, ASRX |
+
+---
+
+## 1. Processor 三層架構分類
+
+根據 `AGENT_SPEC.md` 定義的三層架構：
+
+| 層次 | 名稱 | 特性 | 範例 |
+|------|------|------|------|
+| **L1** | **Processor (處理器)** | **確定性 (Deterministic)**<br>輸入 A 必得輸出 B | FFmpeg, Whisper, YOLO |
+| **L2** | **Rule (規則)** | **邏輯性 (Logic)**<br>基於明確條件、正則表達式、時間軸聚合 | 語句切分，時間重疊計算 |
+| **L3** | **Agent (智能體)** | **推論性 (Probabilistic)**<br>依賴 LLM 進行語義理解、決策或生成 | 5W1H 推論，身份解析 |
+
+---
+
+## 2. Processor 分類分析表
+
+| Processor | 文件行數 | 當前層級 | 特性分析 | 是否需要升級 |
+|-----------|----------|----------|----------|--------------|
+| **asr_processor.py** | 126 | L1 (Processor) | 確定性：Whisper 模型，輸入音頻→輸出文本 | ❌ 不需要升級 |
+| **asrx_processor.py** | 124 | L1 (Processor) | 確定性：WhisperX，輸入音頻→輸出 speaker segments | ⚠️ 需與 Identity Agent 結合 |
+| **yolo_processor.py** | 483 | L1 (Processor) | 確定性：YOLOv8，輸入帧→輸出檢測結果（已支持 Resume） | ❌ 不需要升級 |
+| **ocr_processor.py** | 245 | L1 (Processor) | 確定性：EasyOCR，輸入帧→輸出文字（已支持 Resume） | ❌ 不需要升級 |
+| **face_processor.py** | 297 | L1 (Processor) | 確定性：InsightFace，輸入帧→輸出人脸（已支持 Resume） | ❌ 不需要升級 |
+| **pose_processor.py** | 178 | L1 (Processor) | 確定性：YOLOv8 Pose，輸入帧→輸出姿态 | ❌ 不需要升級 |
+| **cut_processor.py** | 106 | L1 (Processor) | 確定性：PySceneDetect，輸入视频→輸出场景 | ❌ 不需要升級 |
+| **face_clustering_processor.py** | 282 | **L2 (Rule)** | 邏輯性：聚类算法，將 Face ID→Person ID | ⚠️ 建議升級到 Identity Agent |
+| **face_recognition_processor.py** | 648 | **L2 (Rule)** | 邏輯性：人脸匹配，將 Face→Database Person | ⚠️ 建議升級到 Identity Agent |
+| **fast_face_clustering_processor.py** | 334 | L2 (Rule) | 邏輯性：快速聚类版本 | ⚠️ 建議升級到 Identity Agent |
+| **story_processor.py** | 325 | **L3 (Agent)** | 推論性：需要 LLM 分析故事结构 | ✅ 已經是 Agent |
+| **caption_processor.py** | 291 | L1 (Processor) | 確定性：字幕提取 | ❌ 不需要升級 |
+| **lip_processor.py** | 351 | L1 (Processor) | 確定性：唇语识别 | ❌ 不需要升級 |
+| **visual_chunk_processor.py** | 431 | L2 (Rule) | 邏輯性：视觉分塊邏輯 | ❌ 不需要升級 |
+| **music_segmentation_processor.py** | 138 | L1 (Processor) | 確定性：音乐分割 | ❌ 不需要升級 |
+| **audio_taxonomy_processor.py** | 137 | L1 (Processor) | 確定性：音频分类 | ❌ 不需要升級 |
+| **unified_synonym_processor.py** | 451 | L2 (Rule) | 邏輯性：同义词扩展 | ❌ 不需要升級 |
+
+---
+
+## 3. 需要迭代的 Processor
+
+### 3.1 Face Clustering Processor
+
+| 項目 | 說明 |
+|------|------|
+| **當前問題** | 純聚类算法，無法處理跨場景身份識別 |
+| **局限** | 1. 無法處理 Speaker 與 Face 的關聯<br>2. 無法處理時間重叠推理<br>3. 無法處理模糊、遮擋情況 |
+| **迭代建議** | 升級到 **Identity Agent**（Face+Speaker→Person） |
+| **優先級** | High |
+
+---
+
+### 3.2 Face Recognition Processor
+
+| 队目 | 說明 |
+|------|------|
+| **當前問題** | 簡單匹配，無法處理模糊、遮擋、跨年齡識別 |
+| **局限** | 1. 純 embedding 匹配，置信度低<br>2. 無法處理多證據推理<br>3. 無法處理跨場景身份關聯 |
+| **迭代建議** | 升級到 **Identity Agent**（多證據推理） |
+| **優先級** | High |
+
+---
+
+### 3.3 ASRX Processor
+
+| 队目 | 說明 |
+|------|------|
+| **當前問題** | Speaker ID 與 Face ID 未關聯 |
+| **局限** | 輸出 speaker segments，但無法與 Person ID 绑定 |
+| **迭代建議** | 需與 **Identity Agent** 結合 |
+| **優先級** | Medium |
+
+---
+
+## 4. 建議升級到 Agent 的 Processor
+
+### 4.1 Identity Agent（核心建議）
+
+| 特性 | 說明 |
+|------|------|
+| **目的** | 綜合多證據（Face + Speaker + 時間重叠）推論 Person Identity |
+| **層級** | L3 (Agent) - 需要推理和决策 |
+| **觸發條件** | Face Clustering + ASRX 完成 |
+| **輸入** | pre_chunks(face), pre_chunks(asrx), face_clusters, person表 |
+| **輸出** | identity 表（person_id → identity_id 映射） |
+| **核心邏輯** | 1. 時間重叠匹配（Speaker segment vs Face frames）<br>2. Embedding 相似度計算<br>3. 多證據置信度融合<br>4. LLM 推論（處理模糊情況） |
+
+---
+
+### 4.2 Identity Agent 設計方案
+
+#### 4.2.1 Agent 目標
+
+從多個 processor 的輸出中，推論出「誰是誰」（Who is Who）：
+
+- **Face Processor**: 輸出每一帧的人脸位置和 embedding
+- **ASRX Processor**:輸出每個 speaker 的時間段落
+- **Face Clustering**: 輸出 Person ID（聚合後的人脸群）
+- **Identity Agent**: 推論 Person ID → Identity Name（全局身份）
+
+---
+
+#### 4.2.2 輸入數據
+
+```json
+{
+  "file_uuid": "384b0ff44aaaa1f14cb2cd63b3fea966",
+  "person_id": "Person_17",
+  "face_frames": [100, 200, 300, ...],
+  "face_embeddings": [emb1, emb2, emb3, ...],
+  "speaker_segments": [
+    {"start": 10.5, "end": 15.2, "speaker": "SPEAKER_01"},
+    {"start": 20.3, "end": 25.1, "speaker": "SPEAKER_02"}
+  ],
+  "face_clusters": {
+    "Person_17": {"frames": [100, 200, ...], "avg_embedding": emb_avg},
+    "Person_25": {"frames": [400, 500, ...], "avg_embedding": emb_avg}
+  }
+}
+```
+
+---
+
+#### 4.2.3 核心邏輯
+
+**Step 1: 時間重叠匹配**
+
+```python
+def match_speaker_to_person(speaker_segments, person_frames, fps):
+    overlaps = []
+    for segment in speaker_segments:
+        start_frame = int(segment["start"] * fps)
+        end_frame = int(segment["end"] * fps)
+        overlap_frames = [f for f in person_frames if start_frame <= f <= end_frame]
+        overlap_ratio = len(overlap_frames) / len(person_frames)
+        if overlap_ratio > 0.5:
+            overlaps.append({
+                "speaker": segment["speaker"],
+                "person_id": person_id,
+                "overlap_ratio": overlap_ratio
+            })
+    return overlaps
+```
+
+**Step 2: Embedding 相似度計算**
+
+```python
+def calculate_similarity(face_emb, speaker_voice_emb):
+    cosine_sim = cosine_similarity(face_emb, speaker_voice_emb)
+    return cosine_sim
+```
+
+**Step 3: 多證據置信度融合**
+
+```python
+def fuse_evidence(face_conf, speaker_conf, time_overlap):
+    weighted_conf = 0.4 * face_conf + 0.3 * speaker_conf + 0.3 * time_overlap
+    return weighted_conf
+```
+
+**Step 4: LLM 推論（處理模糊情況）**
+
+```python
+def llm_identity_inference(evidence):
+    prompt = f"""
+    Given the following evidence:
+    - Face similarity: {evidence['face_sim']}
+    - Speaker overlap: {evidence['speaker_overlap']}
+    - Time overlap: {evidence['time_overlap']}
+    
+    Should Person_17 and SPEAKER_01 be the same identity?
+    Provide confidence score and reasoning.
+    """
+    response = llm.generate(prompt)
+    return response
+```
+
+---
+
+#### 4.2.4 輸出格式
+
+```json
+{
+  "identity_id": "audrey_hepburn_001",
+  "identity_name": "Audrey Hepburn",
+  "person_ids": ["Person_17", "Person_25"],
+  "speaker_ids": ["SPEAKER_01"],
+  "confidence": 0.92,
+  "evidence": {
+    "face_similarity": 0.85,
+    "speaker_overlap": 0.78,
+    "time_overlap": 0.90,
+    "llm_reasoning": "High overlap in face and speaker segments..."
+  }
+}
+```
+
+---
+
+## 5. 實施計畫
+
+### 5.1 Phase 1: Resume 功能補全（已完成部分）
+
+| 任務 | 状态 | 預估工時 |
+|------|------|----------|
+| Pose Processor 添加 Resume | ⏳ 待處理 | 1h |
+| CUT Processor 添加 Resume | ⏳ 待處理 | 1h |
+
+---
+
+### 5.2 Phase 2: Identity Agent 設計與實作
+
+| 任務 | 預估工時 |
+|------|----------|
+| Identity Agent 設計文檔更新 | 2h |
+| Identity Agent API 實作（Rust） | 6h |
+| Identity Agent 核心邏輯實作（Python） | 4h |
+| Identity Agent LLM 推論模塊 | 3h |
+| Identity Agent 測試與驗證 | 2h |
+
+**總計**: 17 小時
+
+---
+
+### 5.3 Phase 3: Processor 整合
+
+| 任務 | 預估工時 |
+|------|----------|
+| Face Clustering → Identity Agent 輸出調整 | 2h |
+| ASRX → Identity Agent 數據流調整 | 2h |
+| Face Recognition → Identity Agent 整合 | 3h |
+
+**總計**: 7 小時
+
+---
+
+## 6. 相關文件
+
+| 文件 | 說明 |
+|------|------|
+| `AGENT_SPEC.md` | Agent 三層架構定義 |
+| `FACE_SPEAKER_PERSON_WORKFLOW.md` | Identity Workflow 流程 |
+| `PROCESSOR_RESUME_STRATEGY.md` | Resume 功能設計 |
+| `JOB_WORKER_IMPLEMENTATION_PLAN.md` | Worker 數據流向修正計畫 |
+
+---
+
+## 7. 檔案位置
+
+| 類型 | 路徑 |
+|------|------|
+| Processor 目錄 | `/scripts/*_processor.py` |
+| Agent 設計文檔 | `/docs_v1.0/AI_AGENTS/` |
+| Resume Framework | `/scripts/resume_framework.py` |
+
+---
+
+## 版本資訊
+
+- 版本: V1.0
+- 建立日期: 2026-04-27
@@ -81,7 +81,7 @@ Job Worker 根據此配置決定何時觸發 Rule。
 ```

 **觸發邏輯**:
-*   當 `dependencies` 中列出的所有項目狀態變為 `completed` 時，觸發該 Rule。
+* 當 `dependencies` 中列出的所有項目狀態變為 `completed` 時，觸發該 Rule。

 ---

@@ -89,47 +89,47 @@ Job Worker 根據此配置決定何時觸發 Rule。

 ### 3.1 Rule 1: Sentence (語句聚合)

-*   **用途**: 將 ASR 的逐字/逐句輸出聚合為可搜尋的文本 Chunk。
-*   **Input**: `pre_chunks` 表中 `processor_type = 'asr'` 的紀錄。
-*   **Logic**:
-    1.  按時間順序讀取 ASR segments。
-    2.  (可選) 結合物件標籤 (YOLO) 豐富 metadata。
-    3.  生成 `ChunkType::Sentence`。
-*   **Output**: 寫入 `chunks` 表。
+* **用途**: 將 ASR 的逐字/逐句輸出聚合為可搜尋的文本 Chunk。
+* **Input**: `pre_chunks` 表中 `processor_type = 'asr'` 的紀錄。
+* **Logic**:
+    1. 按時間順序讀取 ASR segments。
+    2. (可選) 結合物件標籤 (YOLO) 豐富 metadata。
+    3. 生成 `ChunkType::Sentence`。
+* **Output**: 寫入 `chunks` 表。

 ### 3.2 Rule 2: Visual (視覺聚合)

-*   **用途**: 將零散的 Frame 聚合為有意義的視覺事件 (例如：「某人出現在畫面中 5 秒」)。
-*   **Input**:
-    *   `pre_chunks` 表中 `processor_type = 'yolo'` 的紀錄。
-    *   `pre_chunks` 表中 `processor_type = 'face'` 的紀錄。
-*   **Logic**:
-    1.  **滑動視窗**: 若連續 N 幀都偵測到同一 Identity，視為一個 Visual Chunk。
-    2.  **事件過濾**: 忽略低於信心度閾值的偵測。
-    3.  生成 `ChunkType::Visual`。
-*   **Output**: 寫入 `chunks` 表。
+* **用途**: 將零散的 Frame 聚合為有意義的視覺事件 (例如：「某人出現在畫面中 5 秒」)。
+* **Input**:
+  * `pre_chunks` 表中 `processor_type = 'yolo'` 的紀錄。
+  * `pre_chunks` 表中 `processor_type = 'face'` 的紀錄。
+* **Logic**:
+    1. **滑動視窗**: 若連續 N 幀都偵測到同一 Identity，視為一個 Visual Chunk。
+    2. **事件過濾**: 忽略低於信心度閾值的偵測。
+    3. 生成 `ChunkType::Visual`。
+* **Output**: 寫入 `chunks` 表。

 ### 3.3 Rule 3: Scene (場景聚合)

-*   **用途**: 基於鏡頭切換 (CUT) 與語音內容，定義場景邊界。
-*   **Input**:
-    *   `pre_chunks` 表中 `processor_type = 'cut'` 的紀錄。
-    *   `chunks` 表中 Rule 1 產生的 Sentence Chunks (用於填充場景內容)。
-*   **Logic**:
-    1.  讀取 CUT 偵測到的 Scene 邊界。
-    2.  將該時間段內的所有 Rule 1 Chunks 關聯到此 Scene。
-    3.  生成 `ChunkType::Scene`。
-*   **Output**: 寫入 `chunks` 表。
+* **用途**: 基於鏡頭切換 (CUT) 與語音內容，定義場景邊界。
+* **Input**:
+  * `pre_chunks` 表中 `processor_type = 'cut'` 的紀錄。
+  * `chunks` 表中 Rule 1 產生的 Sentence Chunks (用於填充場景內容)。
+* **Logic**:
+    1. 讀取 CUT 偵測到的 Scene 邊界。
+    2. 將該時間段內的所有 Rule 1 Chunks 關聯到此 Scene。
+    3. 生成 `ChunkType::Scene`。
+* **Output**: 寫入 `chunks` 表。

 ### 3.4 Rule 4: Summary / Agent (AI 摘要)

-*   **用途**: 利用 LLM 生成場景或影片的摘要、5W1H 標籤。
-*   **Input**: `chunks` 表中已完成的 Scene/Sentence Chunks。
-*   **Logic**:
-    1.  收集 Chunk 的文本、視覺標籤。
-    2.  調用 **Translation/Summary Agent**。
-    3.  將生成的摘要與標籤更新回 `chunks` 表的 `metadata` 欄位。
-*   **Output**: 更新 `chunks` 表 (In-place Update)。
+* **用途**: 利用 LLM 生成場景或影片的摘要、5W1H 標籤。
+* **Input**: `chunks` 表中已完成的 Scene/Sentence Chunks。
+* **Logic**:
+    1. 收集 Chunk 的文本、視覺標籤。
+    2. 調用 **Translation/Summary Agent**。
+    3. 將生成的摘要與標籤更新回 `chunks` 表的 `metadata` 欄位。
+* **Output**: 更新 `chunks` 表 (In-place Update)。

 ---

@@ -137,8 +137,8 @@ Job Worker 根據此配置決定何時觸發 Rule。

 AI Agent 不再是獨立的「黑盒子」，而是作為 Rule 的執行引擎之一。

-*   **Prompt Injection**: Rule 負責組裝 Context (Input Chunks)，注入預定義的 Prompt Template。
-*   **Structured Output**: Agent 必須輸出符合 Schema 的 JSON，以便 Rust 寫入資料庫。
+* **Prompt Injection**: Rule 負責組裝 Context (Input Chunks)，注入預定義的 Prompt Template。
+* **Structured Output**: Agent 必須輸出符合 Schema 的 JSON，以便 Rust 寫入資料庫。

 **範例 (Rule 4 摘要)**:
 > "You are a movie analyst. Based on the following dialogue and visual tags, summarize the scene in 50 words and extract the 5W1H entities."
@@ -147,5 +147,5 @@ AI Agent 不再是獨立的「黑盒子」，而是作為 Rule 的執行引擎

 ## 版本資訊

- 版本: V1.0
- 建立日期: 2026-04-25
+* 版本: V1.0
+* 建立日期: 2026-04-25