feat(lang-guard): 新增第七支 hook，強制非程式碼輸出繁中無亂碼
What：新增 `hooks/lang-guard.sh` 與機檢字表 `hooks/simplified.txt`。腳本比照 `comment-scope.sh` 的結構，一樣三種模式：`prompt` 注入規則摘要、無參數掃剛寫入的單一檔案、`sweep [dir]` 掃整個 git 工作區這次改過的檔案。偵測三項：簡體字、亂碼（U+FFFD 與雙重編碼殘骸）、非 UTF-8 編碼。命中走 stderr 並 exit 2，資料不足或找不到 git 一律安靜 exit 0，逃生門 `JSC_LANG_GUARD=off`。 Why：使用者新增的規則是「非程式碼的輸出一律套用繁中無亂碼」，範圍涵蓋程式碼註解、commit 訊息、PR 描述、wiki 頁、對使用者的回報與各種文件。這條規則原本只有 `ste100-guard.sh` 的提示層，模型看得到卻沒有人檢查，寫出簡體字或亂碼不會有任何回饋。提示層擋不住的事，就要有機檢層。 How：簡體字樣式由字表組出，字表是單一真實來源，腳本裡不留第二份；字表讀不到就安靜跳過這一項，不中斷整支腳本。亂碼一律用位元組比對（`LC_ALL=C`），不靠語系的字元範圍，因為 `grep -E` 的字元範圍在不同語系下行為不一致。掃描深度沿用 `comment-scope.sh`：檔案已追蹤就只掃 `git diff HEAD` 的新增行，不翻舊帳。二進位檔只認 NUL 位元組判定，不拿「非可列印字元」當判準，那會把所有含中文的檔案誤判成二進位。字表刻意排除繁體也在用的字（后、台、干、只、里、面、制、志），並跳過 `simplified.txt`、`ste100-guard.sh`、`lang-guard.sh` 三份以簡體字與亂碼為討論對象的檔案，避免整支 hook 每次先抓到自己。 Who：`jsc-hooks` 的 hook 實作層，供 `hooks/hooks.json` 與 `tools/wire-cli.sh` 接線給五個 CLI 使用。
This commit is contained in:
Executable
+176
@@ -0,0 +1,176 @@
|
||||
#!/usr/bin/env sh
|
||||
# lang-guard.sh — 非程式碼輸出一律繁體中文、UTF-8、無亂碼、無簡體字（hook > prompt 的強制層）。
|
||||
# 規則正文的唯一來源：jsc-meta 的 references/ste100.md。本腳本只實作可用樣式判定的三項：
|
||||
# 簡體字、亂碼、非 UTF-8 編碼；用詞、標點、語氣那些判不出來的交給 ste100-guard.sh 的提示層。
|
||||
#
|
||||
# 用法:
|
||||
# lang-guard.sh prompt 注入規則摘要（UserPromptSubmit 或規則檔取文字用）
|
||||
# lang-guard.sh 掃描剛寫入的單一檔案（PostToolUse）
|
||||
# lang-guard.sh sweep [dir] 掃描整個工作區這次改過的所有檔案（沒有 post-tool hook 的 CLI 用）
|
||||
#
|
||||
# 為什麼要有 sweep：只有 claude 接得到 PostToolUse，逐檔精準掃得到。codex 只有每輪結束的
|
||||
# notify、kiro 只有 userPromptSubmit、copilot 與 antigravity 只有包裝別名，這四個都拿不到
|
||||
# 「剛剛寫了哪個檔」，只能改成掃整個工作區的 git diff。時機晚一點，涵蓋範圍一樣。
|
||||
#
|
||||
# 輸入相容：
|
||||
# Claude: PostToolUse 的 stdin JSON，取 tool_input.file_path。
|
||||
# 其他 CLI: 環境變數 JSC_CHANGED_FILE。
|
||||
# 兩者都取不到就安靜降級（exit 0）。
|
||||
#
|
||||
# 掃描範圍跟 comment-scope.sh 有兩點刻意不同，不要照抄那支的判斷：
|
||||
# 1. 三項檢查都掃整個檔案，不是只掃註解行。程式碼的任何位置都不該出現簡體字或亂碼——
|
||||
# 字串常值、識別字、資料內容一樣算輸出。comment-scope.sh 只掃註解，是因為它抓的是
|
||||
# 註解夾帶文件編號，那件事只發生在註解裡。
|
||||
# 2. markdown 與純文字檔要掃。它們正是「非程式碼輸出」的主場：README、wiki 頁、PR 描述、
|
||||
# commit 訊息都是這類檔案。comment-scope.sh 刻意跳過 .md，因為那裡沒有程式碼註解。
|
||||
#
|
||||
# 掃描深度：檔案在 git 工作區內且已追蹤，就只掃 `git diff HEAD` 的新增行，不翻舊帳；
|
||||
# 不在 git 內或檔案尚未追蹤才整檔掃描。sweep 一律只看 git diff。
|
||||
#
|
||||
# 結束碼：0=沒命中或資料不足；2=命中，訊息走 stderr 交回模型自行修正（不擋寫入，檔案已經寫好了）。
|
||||
# 逃生門：JSC_LANG_GUARD=off。
|
||||
set -u
|
||||
|
||||
. "$(CDPATH= cd -- "$(dirname -- "$0")" && pwd)/lib.sh" 2>/dev/null || true
|
||||
|
||||
[ "${JSC_LANG_GUARD:-on}" = "off" ] && exit 0
|
||||
|
||||
HERE=$(CDPATH= cd -- "$(dirname -- "$0")" && pwd)
|
||||
WORDLIST="$HERE/simplified.txt"
|
||||
|
||||
if [ "${1:-}" = "prompt" ]; then
|
||||
echo "[jsc] 所有非程式碼輸出一律繁體中文、UTF-8、無亂碼、無簡體字。適用範圍：程式碼註解、commit 訊息、PR 描述與標題、wiki 頁、對使用者的回報、README 與各種文件、錯誤訊息與日誌文字。程式碼本身的關鍵字、識別字、API 欄位名維持原樣，但其中的中文一樣要是繁體。"
|
||||
echo "[jsc] 送出前自我檢查：1）簡體字（例：应、为、这、说、发、国）一律換成繁體；2）替代字元「U+FFFD」與雙重編碼亂碼（Ã、â 開頭的怪序列）代表編碼壞掉，重寫那段而不是保留；3）檔案一律存成 UTF-8，不加 BOM。規則正文見 jsc-meta 的 references/ste100.md。"
|
||||
exit 0
|
||||
fi
|
||||
|
||||
# 簡體字樣式：由 hooks/simplified.txt 組出，字表是單一真實來源，腳本裡不留第二份。
|
||||
# 讀不到字表就回傳 1，呼叫端安靜跳過這一項，不中斷整支腳本——少抓一項，好過整支 hook 死掉。
|
||||
simplified_pattern() {
|
||||
[ -f "$WORDLIST" ] || return 1
|
||||
_p=$(sed -e 's/#.*//' -e 's/[[:space:]]//g' "$WORDLIST" 2>/dev/null \
|
||||
| grep -v '^$' | tr '\n' '|' | sed 's/|$//')
|
||||
[ -n "$_p" ] || return 1
|
||||
printf '%s' "$_p"
|
||||
}
|
||||
|
||||
# 亂碼樣式一律用位元組比對（LC_ALL=C），不靠語系的字元範圍：
|
||||
# 替代字元 U+FFFD（EF BF BD）本身；
|
||||
# � ——「U+FFFD 的 UTF-8 位元組再被當成 Latin-1 讀一次」的雙重編碼殘骸；
|
||||
# U+00C0–U+00FF 的字後面緊接 U+0080–U+00BF 的字（ä、æ¸、è©、ç”），這是 UTF-8 被當成
|
||||
# Latin-1 讀一次再存回 UTF-8 的固定長相。中文的 UTF-8 前導位元組落在 E4–E9，被誤讀後
|
||||
# 就變成 ä–é 開頭、後面接 U+0080–U+00BF 的兩三個字，所以前導字要收整個 Latin-1 字母段，
|
||||
# 只收「Ã」會漏掉最常見的中文亂碼；
|
||||
# â 後面接任何非 ASCII 字（’、“），引號與破折號被雙重編碼時的典型長相。
|
||||
# 用位元組比對是因為 grep -E 的字元範圍在不同語系下行為不一致，位元組範圍到哪都一樣。
|
||||
# 誤報防線：正常的西歐文字（câmara、crème、naïve）重音字後面接的是 ASCII 字母，不會命中。
|
||||
mojibake_pattern() {
|
||||
_fffd=$(printf '\357\277\275')
|
||||
_lo=$(printf '\200'); _hi=$(printf '\277')
|
||||
_c3=$(printf '\303'); _c2=$(printf '\302') # U+00C0–U+00FF 與 U+0080–U+00BF 的前導位元組
|
||||
_bx=$(printf '\303\242') # 「â」
|
||||
_l2=$(printf '\302'); _h2=$(printf '\364')
|
||||
printf '%s|%s|%s[%s-%s]%s[%s-%s]|%s[%s-%s]' \
|
||||
"$_fffd" '�' \
|
||||
"$_c3" "$_lo" "$_hi" "$_c2" "$_lo" "$_hi" \
|
||||
"$_bx" "$_l2" "$_h2"
|
||||
}
|
||||
|
||||
hit() { # $1=樣式 $2=說明；命中就把說明與最多三行證據印到 stdout
|
||||
m=$(printf '%s\n' "$lines" | LC_ALL=C grep -nE "$1" 2>/dev/null | head -n 3)
|
||||
[ -n "$m" ] || return 0
|
||||
printf ' %s\n' "$2"
|
||||
printf '%s\n' "$m" | sed 's/^/ /'
|
||||
}
|
||||
|
||||
scan_file() { # $1=檔案路徑；命中就把報告印到 stdout 並回傳 1，沒命中回傳 0
|
||||
f=$1
|
||||
[ -f "$f" ] || return 0
|
||||
|
||||
# 產生檔與壓縮輸出跳過：內容不是人寫的，抓到也沒有人要改。
|
||||
case "$f" in
|
||||
*.lock|*.min.js|*.min.css|*.map) return 0 ;;
|
||||
esac
|
||||
# 字表與兩支語言規則腳本跳過：這幾份檔案裡的簡體字與亂碼樣本是「被討論的對象」，
|
||||
# 不是被使用。同一個道理，jsc-meta 的 ste100-lint.sh 也跳過 references/ste100.md。
|
||||
# 不跳過的話，這支 hook 每次都會先抓到自己，訊號全被自己的噪音蓋掉。
|
||||
case "$f" in
|
||||
*/simplified.txt|simplified.txt) return 0 ;;
|
||||
*/ste100-guard.sh|ste100-guard.sh) return 0 ;;
|
||||
*/lang-guard.sh|lang-guard.sh) return 0 ;;
|
||||
esac
|
||||
# 二進位檔跳過。只認 NUL 位元組——拿「非可列印字元」當判準會把所有含中文的檔案誤判成二進位。
|
||||
raw=$(head -c 1024 "$f" 2>/dev/null | wc -c)
|
||||
txt=$(head -c 1024 "$f" 2>/dev/null | LC_ALL=C tr -d '\000' | wc -c)
|
||||
[ "$raw" = "$txt" ] || return 0
|
||||
|
||||
d=$(dirname -- "$f")
|
||||
if git -C "$d" rev-parse --is-inside-work-tree >/dev/null 2>&1 &&
|
||||
git -C "$d" ls-files --error-unmatch -- "$f" >/dev/null 2>&1; then
|
||||
lines=$(git -C "$d" diff HEAD -- "$f" 2>/dev/null | sed -n 's/^+[^+]/&/p' | cut -c2-)
|
||||
[ -n "$lines" ] || return 0
|
||||
else
|
||||
lines=$(cat "$f" 2>/dev/null)
|
||||
fi
|
||||
|
||||
out=$(
|
||||
_sp=$(simplified_pattern) && hit "$_sp" '簡體字，改成繁體'
|
||||
hit "$(mojibake_pattern)" '亂碼：替代字元或雙重編碼殘骸，重寫這一段'
|
||||
# 編碼檢查沒有行號可指，命中就整檔報一行。沒有 iconv 就跳過這一項。
|
||||
if command -v iconv >/dev/null 2>&1; then
|
||||
printf '%s\n' "$lines" | iconv -f UTF-8 -t UTF-8 >/dev/null 2>&1 \
|
||||
|| printf ' %s\n' '非 UTF-8 編碼，整檔轉存成 UTF-8（不加 BOM）'
|
||||
fi
|
||||
)
|
||||
|
||||
[ -n "$out" ] || return 0
|
||||
printf '%s\n' "$f"
|
||||
printf '%s\n' "$out"
|
||||
return 1
|
||||
}
|
||||
|
||||
advice() {
|
||||
printf ' 修法：簡體字換成對應繁體字；亂碼那段重打，不要留著半壞的字元；檔案存成 UTF-8。\n'
|
||||
printf ' 規則正文見 jsc-meta 的 references/ste100.md，字表在 hooks/simplified.txt。誤判時用 JSC_LANG_GUARD=off 關閉。\n'
|
||||
}
|
||||
|
||||
if [ "${1:-}" = "sweep" ]; then
|
||||
target=${2:-.}
|
||||
[ -d "$target" ] || exit 0
|
||||
root=$(git -C "$target" rev-parse --show-toplevel 2>/dev/null) || exit 0
|
||||
[ -n "$root" ] || exit 0
|
||||
changed=$(git -C "$root" diff --name-only HEAD 2>/dev/null)
|
||||
[ -n "$changed" ] || exit 0
|
||||
|
||||
# 報告累積在暫存檔：迴圈跑在管線的子行程裡，變數帶不回來。
|
||||
tmp=${TMPDIR:-/tmp}/jsc-lang-guard.$$
|
||||
: > "$tmp" 2>/dev/null || exit 0
|
||||
printf '%s\n' "$changed" | while IFS= read -r rel; do
|
||||
[ -n "$rel" ] || continue
|
||||
scan_file "$root/$rel" >> "$tmp" 2>/dev/null
|
||||
done
|
||||
if [ -s "$tmp" ]; then
|
||||
{
|
||||
printf '[jsc] 工作區有簡體字、亂碼或編碼問題，請就地修正：\n'
|
||||
sed 's/^/ /' "$tmp"
|
||||
advice
|
||||
} >&2
|
||||
rm -f "$tmp"
|
||||
exit 2
|
||||
fi
|
||||
rm -f "$tmp"
|
||||
exit 0
|
||||
fi
|
||||
|
||||
read_stdin 2>/dev/null || STDIN_JSON=""
|
||||
file=$(json_str file_path 2>/dev/null || true)
|
||||
[ -n "$file" ] || file="${JSC_CHANGED_FILE:-}"
|
||||
[ -n "$file" ] || exit 0
|
||||
|
||||
report=$(scan_file "$file") && exit 0
|
||||
{
|
||||
printf '[jsc] 這個檔案有簡體字、亂碼或編碼問題，請就地修正：\n'
|
||||
printf '%s\n' "$report"
|
||||
advice
|
||||
} >&2
|
||||
exit 2
|
||||
@@ -0,0 +1,109 @@
|
||||
# simplified.txt — 機檢用的簡體字表，一行一個字，UTF-8。
|
||||
# 用途：hooks/lang-guard.sh 讀這份字表組出 grep 樣式，判定非程式碼輸出有沒有夾帶簡體字。
|
||||
# 這是本存取庫的單一真實來源，jsc-meta 的 tools/ste100-lint.sh 也優先讀這份。
|
||||
# 排除原則：只收簡化後才出現的字形，刻意排除繁體也在用的字（后、台、干、只、里、面、制、志）。
|
||||
# 加進那些字會讓「太后」「電視台」「干涉」「只有」「公里」「面板」「制度」「志工」全部誤報。
|
||||
# 增刪字元前先想清楚：這份字表寧可漏抓，也不可誤報。
|
||||
# `#` 開頭的行與空行由讀取端忽略。
|
||||
应
|
||||
为
|
||||
这
|
||||
说
|
||||
发
|
||||
国
|
||||
过
|
||||
对
|
||||
开
|
||||
关
|
||||
问
|
||||
题
|
||||
东
|
||||
车
|
||||
马
|
||||
鸟
|
||||
龙
|
||||
飞
|
||||
见
|
||||
无
|
||||
产
|
||||
业
|
||||
务
|
||||
书
|
||||
写
|
||||
学
|
||||
习
|
||||
报
|
||||
纸
|
||||
认
|
||||
识
|
||||
证
|
||||
际
|
||||
网
|
||||
络
|
||||
计
|
||||
划
|
||||
实
|
||||
现
|
||||
给
|
||||
条
|
||||
约
|
||||
级
|
||||
组
|
||||
织
|
||||
变
|
||||
换
|
||||
电
|
||||
脑
|
||||
两
|
||||
双
|
||||
单
|
||||
构
|
||||
价
|
||||
钱
|
||||
众
|
||||
议
|
||||
论
|
||||
传
|
||||
统
|
||||
么
|
||||
儿
|
||||
们
|
||||
从
|
||||
来
|
||||
时
|
||||
间
|
||||
长
|
||||
门
|
||||
闻
|
||||
声
|
||||
员
|
||||
图
|
||||
团
|
||||
转
|
||||
输
|
||||
达
|
||||
运
|
||||
进
|
||||
远
|
||||
连
|
||||
边
|
||||
还
|
||||
经
|
||||
该
|
||||
营
|
||||
规
|
||||
则
|
||||
范
|
||||
围
|
||||
参
|
||||
数
|
||||
类
|
||||
结
|
||||
态
|
||||
设
|
||||
备
|
||||
辑
|
||||
译
|
||||
码
|
||||
库
|
||||
档
|
||||
Reference in New Issue
Block a user