hooks/lang-guard.sh

@@ -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

hooks/simplified.txt

@@ -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