Ime Lexicon Build

build — 搜索 + 创建行业词库

父技能：ime-lexicon。本文件就是归档的 industry-dict（原 ~/.agents/skills/industry-dict，2026-08-14 瘦身进 Claude 归档）。不要再单独恢复顶层技能。

查询和分类骨架在 scripts/search.py 的 SCHEMAS / QUERY_BY_SCHEMA。产线、投资、内容、求职各用自己的，不要互相套。

何时用

• 给一个行业，要一份能进微信自定义词库的 txt
• 已有旧词库 / 现场词要合并
• 不要灌通用全量细胞词库

工作流（industry-dict 原 6 步）

1. 确认行业

行业名越具体越好（「锂电池」「猪场养殖」「法律」）。输出默认 微信输入法词库/行业词库_.txt。只给行业名就开工，不追问路径。

2. 搜术语（防幻觉）

python3 "$HOME/.agents/skills/ime-lexicon/scripts/ime_lexicon.py" search \
  --topic 锂电池

默认打印 3 路查询和当前后端命令。探测顺序：

1. argo：本机有 argo CLI，或存在 ~/.agents/skills/argo/scripts/search.py
2. 通用搜索：ddgs text（CLI --run 兜底）
3. 宿主搜索：上面都没有时，代理用当前环境的通用搜索工具（web_search / WebSearch）跑同一组 3 路查询，把 title/snippet 存成 json 或 txt，再 --from

用户要现在生成时加 --run --out /tmp/术语.txt。--engine generic 可强制走兜底。snippet 太短再抓正文（argo 用 argo fetch；通用搜索只吃 snippet，别卡死）。

不要在本技能里另写 HTTP 爬虫。

3. 按该行业的分类补（每类大约 20–40）

先看 search --topic 打出来的 schema，再补。不要把产线五类套到投资或内容上。

| 骨架 | 分类 | 适用 | | --- | --- | --- | | 制造 | 材料 / 工艺 / 设备 / 检测 / 现场 | 锂电、化工、产线 | | 投资 | 品种 / 策略 / 平台 / 指标 / 圈内 | 基金、股票、理财 | | 内容 | 体裁 / 流程 / 平台 / 数据 / 圈内 | 自媒体、知乎、公众号 | | 求职 | 环节 / 文书 / 平台 / 条件 / 圈内 | 简历、面试 | | 通用 | 术语 / 流程 / 工具 / 指标 / 圈内 | 对不上上面时 |

2–8 字优先，最长 12；OCV、ETF、CTR 这类缩写留；「的/是/工作」不写；组合词优于单字。

补的词带分类：--term 品种:可转债 或词表行 可转债 品种。制造行业仍写 材料:磷酸铁锂。

4. 清洗输出

搜索提取 + 模型补充 + --from 旧表，进同一清洗：

python3 "$HOME/.agents/skills/ime-lexicon/scripts/ime_lexicon.py" build \
  --topic 锂电池 \
  --from /tmp/术语.txt \
  --term 材料:磷酸铁锂 \
  --term 检测:OCV

清洗真源：scripts/clean_dict.py（归档原规则）。build 再多滤叠词和短语气助词。standalone clean_dict.py a.txt b.txt 保持归档行为。

默认写 txt（一行一词，微信：设置 → 自定义词库 → 导入）。--out foo.tsv 才写中间表。stdout 会打 cat 品种 N 这类，未标分类的进 未分类。

同时写出三层：

| 层 | 文件 | apply | | --- | --- | --- | | 核心 | *_核心.tsv | 可以。必须有拼音 | | 扩展 | *_扩展.tsv | 可以。含多音字（行/长/重…） | | 大词库 | *_大词库.tsv | 禁止。无拼音、细胞源 |

有本机 pypinyin 时会给无拼音的词补全拼。补不出的进大词库。

可选种子（先下载研究词库）：

python3 .../ime_lexicon.py build --topic 投资理财 --seed thuocl:财经 --seed thuocl:IT

THUOCL 在 微信输入法词库/研究/06-清华THUOCL/data/。只当种子，再按 schema 人工裁到几百条。

5. 圈内词（不许跳过）

> 通用词库已生成（N 词）。圈内黑话、自家简称、栏目名无法自动生成。有旧词库或要补的词，把路径或列表发来再合并。

制造行业把「圈内」理解成车间土话即可。

用户给了旧表就再跑一遍 build --from 新表+旧表。

6. 导入

• 微信官方：自定义词库导入 txt，建议 1 万以内。
• 豆包 / WeType 文件层：只用 *_核心.tsv + *_扩展.tsv，optimize --profile industry 后 staging。import --budget （剩余槽先跑 detect 实读，槽数随豆包版本变，不要背数字）。大词库与第三方全量词库不准 apply。

验收

一般行业 150–400 词。抽 15 个应全是真术语，错 1 个以上重做。有旧行业表时重合 40–70% 算方向对，<30% 偏了。太少说明搜索没搜到位。

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: taxueseek
• Source: taxueseek/ime-lexicon
• License: MIT

Install and usage instructions live in the source repository linked above.