项目规格 · 书籍
书籍采买不是「多一些医学文字」。五类的单元和毁损方式都不同：一条术语可以被机器翻译填满，一部书可以被拆章重组并删掉剂量，一部指南可以停在旧年版本，一部典籍可以把古文和后人注释混成一段，一部教材不能代替更新的指南。本页把五类分开，并写明什么必须留在原文里。部数和条数不公布，沟通规模以数据卡和合同为准。公开页不提供正文。
单元是一条概念。范围是近十年仍在使用的专业用语，覆盖各科室和常见与长尾病种，类型包括疾病、检验、药品、解剖部位、手术操作、症状和体征。只收高频词，长尾科室会在使用时全部落回音译或错误缩写。字段有：规范中文名、规范英文名、中文同义词、英文同义词、常用缩写、所属专科、概念类型、中英文定义、数据来源。来源有网址则附上，并注明查核日期。
同义词包括简称、俗称、旧称、英文缩写和英美拼写差异。简体与繁体、历史名称要能归一到同一条概念，但原词保留，不能删掉。一词多义要分开条目或在同一条里明示义项，不能让一个中文名悄悄对应两个英文概念。上下位、同义、近义和禁用的近义要标出。每条附典型例句和一条易混淆的反例。反例是为了验收，不是为了增加字数。
机器翻译批量填充是明确禁止的。翻译模型会把缩写展开错、把药名对到另一种药、把否定译掉。三条同时满足才算合格：核心中英映射正确、同义词正确、字段完整。正确由人工或相应学科人员核对，不是由另一次翻译打分。批次合格线不低于百分之九十五是合同里的验收线。错映射如果涉及药名或解剖，按严重错误处理，可以整批整改，而不是只删掉抽到的那几行后继续交付其余未核对的行。
术语表按学科排列，学科内部按英文字母排列，便于抽查漏词。这一排序是交付格式，不是重要性排序。定义不能抄成广告句。定义与专著或指南冲突时，保留两个出处和年份，不擅自选一个「更正确」的句子而不注明。
单元是一个版本，用 ISBN 或书号加版次作为唯一标识。优先最新版本和核心临床学科，类型包括药典、医学院校教科书和临床专著。文件必须是合法授权的、可检索的 PDF，不是图片型扫描堆在一起还声称可解析。封面、封底、版权页、目录层级、章节、段落、表格、图注、公式、脚注、参考文献和页码锚点都保留。
不得拆章重组，不得把多本书的段落拼成「新的一章」。不得删减。说明书点名的毁损包括删掉否定词、剂量和单位。这些删掉之后，句子仍然通顺，抽查「是否关于医学」发现不了。因此抽查要专门看含数字的页和含「不」「禁」「非」的句，比对 PDF 原文。比对不一致，该版本不合格，不是只把那一页算不合格而保留被改过的其余页。
字段包括唯一标识、书名、版次、作者或编者、出版社、原文文件名、版权授权范围。授权范围要写明能否用于检索、摘要和展示。训练是否包含在内，必须单独写，不能用「可用于人工智能」一句话带过。没有授权链的文件不入库。六项同时满足：内容未被改、清晰可核对、版本符合约定、目录和页码完整、清洗没有删句、文件能打开并检索。
优先 2024 年至 2026 年的国家卫生健康主管部门和专科学会文本。更早的版本只有在数据卡写明「没有更新的正式版本」时才能进入，并且不能标成最新。唯一标识用 DOI、PMID、官方文号或 ISBN 之一，缺了就不能只靠标题。标题保留原文，并有中文题名。作者或机构和通信作者按出版物原文填写。期刊或出版社、年、卷、期、页码、官方链接、授权范围和 PDF 文件名都是字段。
切分规则与专著相同：不拆、不并、不删否定和剂量。指南里的推荐强度和证据来源如果在原文中绑定在某一句上，绑定关系要留在锚点里，不能把推荐强度挪到另一句。官方链接失效时保留抓取时的标识和日期，不改用转载站。转载站常常丢掉修订说明。
本页可以举类型，不能把某一本指南的推荐意见抄上来。抄上来既涉及版权，也会把可能更新的句子固定在网页上。数据卡里的篇名清单是逐篇确认授权的工作列表，不是已入库清单。
单元是一个整理本，并且至少同时有一个公版底本用来对齐。首期和完整目标的部数在数据卡里确认，不在本页写成已经收齐。必须纳入的范围从《黄帝内经》《伤寒论》《金匮要略》《神农本草经》起。其余如《难经》、温病诸书、本草与方书、脉学与舌诊、针灸、妇科与儿科专书，是否纳入由数据卡逐部确认。列出这些书名，只说明说明书把它们放在可选范围里，不表示文件已在手，也不提供正文。
古文、校注和专家解释分字段存放，不能混成一段现代白话。混写之后无法知道哪一句是底本、哪一句是整理者的话。版次、整理者、出版社和授权范围与专著相同。底本和整理本用同一部书的对齐标识相连，页码或篇章锚点要能互指。对不上的段落标成未对齐，不靠语感补一句。
典籍不能被现代健康常识替换。没有方证和辨证层次、只有「体质」二字的文本，不符合这一类的目的，应当退回语料规格甚至退回不收。剂量在古文里的单位与现代单位不同，换算如果要做，必须单独成字段并写明换算依据，原文剂量保留。
单元仍是一个现行版本。范围是国家规划教材、专科诊疗专著、名医医案和中西医结合参考书。它们用来填典籍语言和当代病历语言之间的空档：当代病历里的检查名称和治疗边界，典籍里往往没有。它们不取代指南的版本优先级。教材与指南冲突时，两条都留，年份都留，不把教材句子改成指南句子。
名医医案如果含可识别患者信息，按病历规格脱敏之后才能考虑；未脱敏的医案不进入书籍包。医案的剂量和随访同样不能删。授权范围与专著相同。
每一类的合格都要求内容未被改、文件可用、版本符合约定、目录或字段完整、清洗没有删句、授权范围写明。批次合格线不低于百分之九十五是说明书中的验收线。红线是版权缺失和删改医学否定或剂量。红线可以拒收，不按页计价后继续使用被改过的文件。
交付是授权 PDF 加结构化表。表的每一行都能打开对应文件的对应页。打不开的行不算。术语类没有 PDF 时，来源页面或标准文档的标识必须能打开。一次性交付不表示这些书会自动换成下一版；下一版是新的版本标识，新的授权，不覆盖旧标识，以免旧句子失去出处。
本页不做的事：不转载原文，不提供下载，不把书目列表写成库存，不用翻译模型生成缺失的英文术语，不把多本书合成一个「知识库文件」后丢掉页码，不把指南推荐写成模型已经遵循该指南。和语料规格的边界是，词条和问答的单元是一条，书籍的单元是一个版本。把章节贴进词条而不附书籍授权，两页的规则同时违反。和病历规格的边界是，医案一旦包含真实就诊，优先按病历的脱敏和未来信息规则处理。
数据卡上要能核对的是：术语是否有义项和反例、PDF 是否可检索、抽查页的否定和剂量是否还在、指南年份是否被标成最新、典籍的古文和校注是否分列、教材是否没有覆盖更新的指南、每部授权是否单独存在。五类的部数或条数不能代替这七项。
专著和指南的抽查页不能只选目录和前言。至少包括：版权页、含数字的一页、含否定的一页、一张表、一个脚注或参考文献锚点。把这些页与交付 PDF 的同一页码对照。页码锚点若在清洗时被重排，对照失败，该版本不合格。术语抽查不能只查高频词。每个学科抽长尾词、一个多义词、一个易混药名或解剖缩写。典籍抽查一对底本和整理本的同一篇章，看古文和校注是否仍在不同字段。教材抽查与一部更新指南的冲突处，看两边是否都保留了年份。
抽查记录写页码或词条标识、对照结论、审核日期。不写「整体感觉准确」。感觉不能复核。对不上的版本整部退出，不把对得上的页单独拿去训练，因为剩余页可能用了同一种删改。
检索、摘要、展示、训练、再分发是五件不同的事。授权书如果只写其中几件，数据卡照实填写，不能补上没有的那一件。训练不在授权里的书，可以按授权做检索演示，但不能进入训练介质。两种介质不要共用一个目录。展示若只允许内部，公开网页就不能放片段。本页因此不放片段。
版本更新时新建标识，旧标识保留出处。用新文件覆盖旧文件，会使旧句子无法解释当时的指南年份。覆盖视同毁损出处。下一版的授权也要新的一份，不能默认上一版的合同自动覆盖新版次，除非合同原文这样写，并在数据卡引用该句。
结算附件至少包括：版本标识清单、授权编号、抽查页记录、被退出的版本及原因、术语长尾抽查记录。五份附件齐全之前，部数和条数只是清点，不是验收。本页把附件名称写出来，便于数据卡设栏，不表示附件已经提交。
上下位、同义、近义和禁用近义是验收字段，不是锦上添花。禁用近义特别容易被漏掉：两个药名只差一个字，翻译或检索会把它们当成同义词。这条关系必须由学科核对写上，不能让模型根据字形相近自动连边。自动连边一旦进表，抽查若只看「有没有关系列」，会把错误关系当成完整。抽查要打开至少一对易混药名，看它们是同义、近义还是禁用近义。看不出区别的，该对不合格，并扩大抽查到同一科室的其他药名，而不是只改这一对就结束。
英文缩写保留原形，并写展开。展开不确定时留空并标未展开，不选一个常见展开。一个缩写对应多个展开时分义项，与一词多义同一规则。英美拼写差异放在同义词列，规范名只留一个，并注明规范名采用的拼写来源。来源缺失的规范名不算完整。
底本与整理本对不上的段落，状态是未对齐。未对齐可以交付为「未对齐清单」，不能交付为已对齐正文。语感补句、用现代教材补一句、用另一部书的相近段落补一句，都是把未对齐伪装成对齐。三种补法都退回。剂量换算字段如果填写，必须引用换算依据的书名和版次；没有依据就保持空，原文剂量仍在古文列。空的换算是合格的。填了一个整数却没有依据，是不合格。
书名出现在范围说明里，包括内经、伤寒、金匮和神农本草经以及可选的其余专书，只说明要逐部确认授权和版本。公开页不提供任何一部的句子。数据卡可以列拟确认的书名，未确认的标成待授权。待授权的文件即使已经在磁盘上，也不进入可交付清单。磁盘上有，和授权上有，是两件事。
五类的清点表与合格表分开。清点表回答文件在不在、标识在不在。合格表回答抽查页是否仍保留否定、剂量、单位、页码和授权范围。先有清点、后有合格。用清点表的行数充当合格部数，是把进场写成验收。术语没有 PDF 时，清点的是词条行，合格的是义项、反例和来源是否打得开。两类表的列名不同，不能合成一张「数量」表交差。
再分发不在授权里的版本，交付介质只给购买方合同载明的接收方。接收方名单变更是合同变更，不是把同一压缩包转发给另一家之后补一封邮件。邮件补授权不替代授权书上的接收方。本页不列接收方，也不提供文件。
沟通规模以数据卡和合同确认，不是现货库存。本页不构成医疗器械宣传，也不对模型临床疗效作承诺。文献只说明验收应当检查什么，不代表本目录已经测得那些论文里的数字。
索取数据卡 返回数据集目录