wordpress-kratos-yang/inc/theme-writing.php

<?php
/**
 * 写作增强 —— 发布文章时自动生成别名 / 标签 / 分类 / 摘要
 *
 * ── 四个引擎各自独立 ──────────────────────────────────────────
 * 用户明确要求「每项都是独立引擎，是不是要用外部服务，你来判断，能不用就不用」。
 * 所以下面四个生成器互不依赖，每个都能单独开关、单独失败：
 *
 *   ① 别名（slug）  必须外部翻译   —— 纯 PHP 做不到中译英（见下方实测）
 *   ② 标签          本地优先，可选外部 —— 703 个已有标签就是最好的领域词典
 *   ③ 分类          纯本地        —— 不需要任何网络
 *   ④ 摘要          纯本地        —— 不需要任何网络
 *
 * ── 为什么别名一定要外部服务 ──────────────────────────────────
 * 在线上实测过三条路，只有第三条可用：
 *   · intl 拼音：`信息焦虑综合症` → `xin-xi-jiao-lu-zong-he-zheng`
 *     能用但不是翻译，且长到没法看。
 *   · 拿 966 组「中文标题→英文 slug」训练词对齐：5 个测试标题里 3 个
 *     **译出 0 个词**（数据摊到 8521 个中文片段上太稀疏）⇒ 不可用。
 *   · 翻译 API：`信息焦虑综合症` → `Information Anxiety Syndrome` ⇒ 可用。
 * 服务器没有 scws / jieba 任何中文分词扩展，所以「本地发现新词」这条路
 * 本身也是走不通的 —— 这不是偷懒，是环境事实。
 *
 * ── 三条红线（改动本文件前先读）────────────────────────────────
 *  ① **绝不覆盖已有值。** 用户原话：「别名可能意味着 url，url 变化了会
 *     造成大量的 404 错误」。所以 slug 只在为空时写，其它三项同理。
 *  ② **绝不处理旧文章。** 只在「第一次变成 publish」时触发。
 *     已在 publish 状态下再次保存 ⇒ 直接返回，一个字都不动。
 *  ③ **外部服务失败必须静默降级。** 发布是用户的主流程，不能让一个
 *     翻译接口超时把「发布」这个动作卡住或报红。
 *
 * @author Yongquan Yang <yangyq.net>
 * @license MIT License
 */

/* ══════════════════════════════════════════════════════════════
 * 一、设置读取
 * ══════════════════════════════════════════════════════════════ */

/**
 * 读一项写作增强设置。
 *
 * 统一走 kratos_option()，与主题其它模块一致；不做任何类型转换，
 * 由调用方自己决定（复选框要布尔，上限要整数）。
 *
 * @param string $key     设置键名（不含前缀，本模块统一 w_ 开头）
 * @param mixed  $default 库里没这个键时的默认值
 * @return mixed
 */
function yang_writing_opt($key, $default = '')
{
    return kratos_option($key, $default);
}

/**
 * 某个引擎是否启用。
 *
 * ⚠️ 复选框未勾选时不会出现在 POST 里，所以库里存的是 false；
 * 但**键不存在**（用户从没保存过设置）时也应当视为关闭 ——
 * 这是新装主题的正确语义：不能默认就往用户的文章里写东西。
 */
function yang_writing_on($key)
{
    $v = yang_writing_opt($key, '0');
    return $v === true || $v === '1' || $v === 1 || $v === 'on';
}

/* ══════════════════════════════════════════════════════════════
 * 二、文本处理（纯本地，四个引擎共用）
 * ══════════════════════════════════════════════════════════════ */

/**
 * HTML 正文 → 纯文本。
 *
 * 顺序有讲究：先摘掉 script/style 整块（strip_tags 只剥标签、留内容，
 * 会把 JS 源码当成正文喂进分词），再补换行给块级元素（否则段落会粘成
 * 一坨，分句全错），最后才 strip_tags。
 */
function yang_writing_html2text($html)
{
    $t = (string) $html;
    $t = preg_replace('#<script[^>]*>.*?</script>#si', ' ', $t);
    $t = preg_replace('#<style[^>]*>.*?</style>#si', ' ', $t);
    $t = preg_replace('#<!--.*?-->#s', ' ', $t);
    /* 块级元素结尾补换行：分句依赖它，不然「…结束了。下一段…」可能
       被当成一句，摘要里就会出现跨段拼接。 */
    $t = preg_replace('#<(br|/p|/div|/h[1-6]|/li|/blockquote|/pre)\b[^>]*>#si', "\n", $t);
    $t = strip_tags($t);
    $t = html_entity_decode($t, ENT_QUOTES | ENT_HTML5, 'UTF-8');
    $t = preg_replace('/[ \t\x{3000}\x{00a0}]+/u', ' ', $t);
    $t = preg_replace('/\n{2,}/u', "\n", $t);
    return trim($t);
}

/**
 * 中文停用词 + 泛化实词。
 *
 * 为什么必须有：抽取式摘要/标签排序里，如果「我们」「这个」「可以」
 * 拿到高权重，摘要选出来的每一句都会是废话，标签会全是虚词。
 * 这份表是**手工挑的高频虚词与泛化名词**，不是通用停用词表 ——
 * 通用表里那些「的、了、在」是单字，本来就被「长度 ≥ 2」挡掉了。
 *
 * ── #38：$extra 参数 ────────────────────────────────────────
 * 40 篇新旧对照实测暴露出第二类漏网：「任何」「无法」「复杂」「得到」
 * 「所有」「永远」「提供」「发展」这些**不是虚词、但同样没有信息量**的
 * 泛化实词。它们躲过了原表（原表只收虚词），命中即上榜，
 * 例如 #7161 入库了「任何」「复杂」，#7157 入库了「发展」。
 *
 * 🔴 为什么用参数而不是直接往主表里加：
 *    主表被**摘要引擎**共用（yang_writing_make_excerpt 也调本函数）。
 *    摘要选句的判据是"这句像不像人话"，把「提供」「使用」这种词
 *    从候选里整体剔掉，可能让摘要选不到合适的句子 —— 那是
 *    用户没要求的另一件事。所以泛化实词**只在标签路径**（传 'tags'）生效。
 *    这也是「四个引擎互不依赖」这条硬约束的字面实现方式。
 *
 * @param string $scope '' = 只给虚词表（摘要/分句沿用旧行为）；
 *                      'tags' = 虚词表 ∪ 泛化实词表（仅标签引擎）
 * @return string[]
 */
function yang_writing_stopwords($scope = '')
{
    static $stop = null;
    static $merged = null;
    if ($stop === null) {
        $stop = array(
            '我们', '你们', '他们', '她们', '这个', '那个', '什么', '可以', '就是',
            '没有', '因为', '所以', '但是', '如果', '这样', '那样', '一个', '自己',
            '现在', '已经', '还是', '或者', '而且', '虽然', '然后', '时候', '问题',
            '东西', '知道', '觉得', '应该', '需要', '可能', '真的', '这么', '那么',
            '一下', '一些', '这些', '那些', '不是', '其实', '大家', '每个', '这种',
            '很多', '不能', '不会', '还有', '只是', '一样', '别人', '有人', '之前',
            '之后', '起来', '出来', '一点', '有点', '非常', '特别', '事情', '地方',
            '时间', '感觉', '开始', '发现', '看到', '听到', '告诉', '只要', '然而',
            '于是', '不过', '当然', '确实', '似乎', '好像', '比较', '更加', '一直',
            '每天', '今年', '今天', '昨天', '明天', '后来', '当时',
        );
    }
    if ($scope !== 'tags') {
        return $stop;
    }
    /* 🔴 必须是**并集**，不能另造一张表。
       模拟器 v1 在这里犯的错：自己写了一份"扩展表"直接替换掉停用词调用，
       结果主表里本来就有的 我们/这个/什么/没有/如果 全丢了，
       40 篇输出里 6 篇冒出「什么」「这个」。同一份名单写两处、只改一处
       必然漂移（红线 #438）。 */
    if ($merged === null) {
        $generic = array(
            /* 泛化实词：有词义但不足以当标签 */
            '任何', '无法', '复杂', '得到', '所有', '永远', '提供', '发展',
            '是不是', '有一', '为何', '怎么', '使用', '功能', '支持', '方式',
            '方法', '情况', '方面', '过程', '结果', '原因', '内容', '部分',
            '项目', '变成', '成为', '作为', '输入', '记录', '笔记', '希望',
            '出现', '存在', '实现',
            /* 副词/连接词：40 篇对照输出里**实际冒出来**的，不是凭空列的 */
            '并不', '并未', '都是', '也要', '因此', '并且', '受到',
            '伟大', '相关',
        );
        $merged = array_values(array_unique(array_merge($stop, $generic)));
    }
    return $merged;
}

/**
 * 中文分句。
 *
 * 只按句末标点与换行切，且丢掉过短（< 12 字，通常是标题/列表项签）
 * 与过长（> 200 字，通常是没有标点的口语句）的片段。
 * 这两个边界是实测调出来的：不设下限会选出「一、」这种碎片，
 * 不设上限会有一整段当摘要的情况。
 */
function yang_writing_split_sentences($text)
{
    $parts = preg_split('/(?<=[。！？；!?;…])|\n+/u', (string) $text, -1, PREG_SPLIT_NO_EMPTY);
    $out = array();
    if (!is_array($parts)) {
        return $out;
    }
    foreach ($parts as $s) {
        $s = trim(preg_replace('/\s+/u', ' ', $s));
        $len = mb_strlen($s, 'UTF-8');
        if ($len >= 12 && $len <= 200) {
            $out[] = $s;
        }
    }
    return $out;
}

/* ══════════════════════════════════════════════════════════════
 * 三、词典（标签池）—— 标签引擎与摘要引擎共用
 * ══════════════════════════════════════════════════════════════ */

/**
 * 把现有标签建成词典。
 *
 * ── 为什么拿标签本身当词典 ─────────────────────────────────
 * 这是整个标签方案的支点。没有分词扩展，从零切词不可行；但**用户已经
 * 手工沉淀了 700 多个标签**，那是一份高质量的领域词典 —— 写「Git」「鸿蒙」
 * 「失业」这些词的人，本来就会把它们当标签用。所以「在已有标签里挑最
 * 相关的」这件事，用最大匹配 + 本文显著度就能做得不错。
 *
 * ── 实测数字（可复现，别照抄旧说法）──────────────────────────
 * 早期注释里写过「60 篇 / 243 个人工标签 / Top8 召回 74.9%」，
 * _quality_tags.php 复测同一批 60 篇（120 个人工标签，平均 2.00/篇）：
 *     Top8 命中 59 个 → 召回 49.2%
 *     只算「字面出现在正文里」的人工标签 → 59.0%
 *     全未命中 18 篇
 * 三个口径都到不了 74.9%，且 A/B 测试证明改动没碰这条路径
 * ⇒ 那个 74.9% 是**未经复核的历史数字**（红线 #418）。
 *
 * 49.2% 不惊艳，但要看清结构：本站人工标签平均只有 2 个，而且大量是
 * 「生活」「工作」「情感」这种泛化标签 —— 一篇讲吃饭的文章，人工打「生活」，
 * 引擎给「习惯、免费、推荐、幻想、吃饭」，按"标签质量"判引擎其实更准，
 * 但按"猜中作者手笔"判就是没中。所以这个指标对**标签自动生成**这个用途
 * 偏悲观。
 *
 * ── 为什么键要小写 ────────────────────────────────────────
 * `Git` 与 `git` 在 WordPress 里可以是两个标签，但匹配时应当一视同仁。
 * 小写只用于**匹配键**，返回时仍用标签自己的原始大小写。
 *
 * ── 第三个返回值：哪些标签是「引擎自己造出来的」(#38) ─────────
 * 🔴 这一条是为斩断**污染闭环**而加的，是整个 #38 的支点。
 *
 * 线上实测的闭环是这样转起来的：
 *   词典 = 全量标签（就本函数这句 get_terms）
 *   → 引擎给 #7157 造了 `欲望`/`社会`/`衣服`（term_id 3423~3425，count=1）
 *   → 它们立刻成了「已有标签」
 *   → 下一篇文章命中它们时，走的是 exist 分支，**不占新增限额、无条件追加**
 *   → 垃圾被复用到新文章，又反过来喂大词典
 * 也就是说：**引擎自己造的垃圾，会被下一轮当成权威词典用。**
 * 不斩断这条，评分、闸门怎么调都是白调。
 *
 * 判据用 `term meta` 的 `yang_auto` 标记（创建时打），不用 `count` 猜 ——
 * count 低只是"可疑"，不是"引擎造的"，人工新标签也 count=1，不能冤枉。
 *
 * @return array{0: array<string,array{name:string,count:int,id:int}>,
 *               1: int,
 *               2: array<string,bool>}  词典 + 最长词长度 + 引擎自建标记表
 */
function yang_writing_dict()
{
    static $cache = null;
    if ($cache !== null) {
        return $cache;
    }

    $dict  = array();
    $terms = get_terms(array(
        'taxonomy'   => 'post_tag',
        'hide_empty' => false,
        'number'     => 0,
    ));

    if (!is_wp_error($terms) && is_array($terms)) {
        foreach ($terms as $t) {
            $name = isset($t->name) ? html_entity_decode($t->name, ENT_QUOTES, 'UTF-8') : '';
            $key  = trim(mb_strtolower($name, 'UTF-8'));
            if (mb_strlen($key, 'UTF-8') < 2) {
                continue;
            }
            /* 🔴 count 保留**真实值**，不再 max(1, ...)。
               原来抬成 1 是为了给 idf 公式防除零，但实测本站有 105 个标签
               count=0（占词典 14.8%），它们绝大多数是「出现/存在/是不是/非常」
               这类被删空的虚词、少数是「情书/悲喜/相通」这类被误删的好词。
               把 0 抹成 1，标签引擎就再也没法区分"从没用过"和"只用过一次" ——
               而 #38 的 df<=1 佐证规则正是靠这条区分。
               防除零改到用方的 `log(1 + $df)` 里去做，不牺牲信息。 */
            $dict[$key] = array(
                'name'  => $name,
                'count' => isset($t->count) ? max(0, (int) $t->count) : 0,
                'id'    => isset($t->term_id) ? (int) $t->term_id : 0,
            );
        }
    }

    /* ── 引擎自建标记（#38 斩污染闭环的依据）──────────────────
       闭环长这样：词典 = 全量标签 → 引擎造出 `passwo`/`任何` →
       它们立刻是"已有标签" → 下一篇文章命中时走 exist 分支、
       **不占新增限额、无条件追加** → 垃圾被复用到新文章。

       判据用 term meta 的 yang_auto，不用 count 猜：
       实测 count=1 里既有垃圾（衣服/社会/passwo，只在正文出现），
       也有好词（鸿蒙/日历，在标题里出现）—— count 分不开好坏。

       🔴 必须**一条 SQL** 取回。本函数被标签/分类/摘要三个引擎共用
       （同一个 static cache），逐条 get_term_meta() 在冷缓存下是 700+ 次
       查询，发布路径上不可接受。 */
    $auto = array();
    global $wpdb;
    $ids = $wpdb->get_col(
        "SELECT term_id FROM {$wpdb->termmeta}
         WHERE meta_key = 'yang_auto' AND meta_value = '1'"
    );
    if ($ids) {
        $set = array();
        foreach ($ids as $i) {
            $set[(int) $i] = true;
        }
        foreach ($dict as $key => $info) {
            if ($info['id'] && isset($set[$info['id']])) {
                $auto[$key] = true;
            }
        }
    }

    $maxlen = 0;
    foreach ($dict as $w => $_) {
        $l = mb_strlen($w, 'UTF-8');
        if ($l > $maxlen) {
            $maxlen = $l;
        }
    }

    /* 🔴 第三个元素是**扩展**出来的，不是替换。
       老调用点写的都是 `list($dict, $maxlen) = yang_writing_dict();`，
       list() 只取它需要的两个元素、多余的值被忽略 ⇒ 分类引擎
       （yang_writing_make_category）与任何外部调用**都不受影响**。
       反过来如果把返回值改成关联数组或包一层对象，就会波及它们 ——
       四个引擎「互不依赖」是本文件的硬约束（见文件头）。 */
    $cache = array($dict, $maxlen, $auto);
    return $cache;
}

/**
 * 词典正向最大匹配。
 *
 * 从当前位置尽量取最长的词，命中就整段跳过 —— 这样「同步日历」不会被
 * 拆成「同步」+「日历」两个标签，也不会出现「日历」「同步日历」同时
 * 命中（重叠匹配会让同一个概念占两个标签位）。
 *
 * @return array<string,int> 小写词 => 出现次数
 */
function yang_writing_match($text, $dict, $maxlen)
{
    $text = mb_strtolower((string) $text, 'UTF-8');
    $len  = mb_strlen($text, 'UTF-8');
    $hits = array();
    if ($len < 2 || $maxlen < 2 || !$dict) {
        return $hits;
    }

    $i = 0;
    while ($i < $len) {
        $matched = false;
        $max = min($maxlen, $len - $i);
        for ($l = $max; $l >= 2; $l--) {
            $frag = mb_substr($text, $i, $l, 'UTF-8');
            if (isset($dict[$frag])) {
                $hits[$frag] = isset($hits[$frag]) ? $hits[$frag] + 1 : 1;
                $i += $l;
                $matched = true;
                break;
            }
        }
        if (!$matched) {
            $i++;
        }
    }
    return $hits;
}

/**
 * 全站已发布文章数 —— IDF 的 N。
 *
 * 用 wp_count_posts 而不是查 posts 表：它带对象缓存，且能正确排除
 * 修订版本 / 自动草稿。IDF 公式加了 1 兜底，所以 N=0 时也不会除零。
 */
function yang_writing_doc_count()
{
    $c = wp_count_posts('post');
    return isset($c->publish) ? max(1, (int) $c->publish) : 1;
}

/* ══════════════════════════════════════════════════════════════
 * 四、引擎 ①：别名（slug）—— 需外部翻译
 * ══════════════════════════════════════════════════════════════ */

/**
 * 生成英文别名。
 *
 * 只在 slug 为空时调用（由 yang_writing_apply 保证）。翻译失败返回空串，
 * 由调用方跳过 —— 绝不用拼音兜底，因为拼音 slug 与站点现有 966 篇手工
 * 英文 slug 风格不一致，混在一起比留空更难看。
 *
 * @return string 干净的 slug，失败返回 ''
 */
function yang_writing_make_slug($title)
{
    $title = trim((string) $title);
    if ($title === '') {
        return '';
    }

    $en = yang_writing_translate($title);
    if ($en === '') {
        return '';
    }

    /* sanitize_title 会把空格与标点折成连字符、转小写、去掉中文残留。
       译文里常有 `Don't`，sanitize_title 会处理成 `don-t`，可接受；
       它也会去掉中文，所以万一服务商返回原样中文，结果为空 ⇒ 上层跳过。 */
    $slug = sanitize_title($en);

    /* 过长的 slug 影响可读性与复制粘贴。按连字符截断到 60 字符内，
       尽量不切在词中间（从末尾往前找最后一个连字符）。 */
    if (strlen($slug) > 60) {
        $cut   = substr($slug, 0, 60);
        $pos   = strrpos($cut, '-');
        $slug  = $pos !== false && $pos > 20 ? substr($cut, 0, $pos) : $cut;
    }

    return trim($slug, '-');
}

/* ══════════════════════════════════════════════════════════════
 * 五、引擎 ②：标签
 * ══════════════════════════════════════════════════════════════ */


/* ── 标签引擎的参数 ──────────────────────────────────────────────
   🔴 必须定义在函数**之前**：PHP 在文件被 require 时**从上到下**执行顶层
   define()，若写在调用它的函数之后，而该函数在文件加载完毕前就被调用
   （例如其它模块在更早的钩子里触发），会直接 "Undefined constant"。
   放在文件顶部附近不依赖调用时机。 */
if (!defined('YANG_TAG_TITLE_WEIGHT')) {
    /* 标题命中折算成正文命中的倍数。实测 4 能让标题词稳定压过
       正文里出现两三次但不在标题里的词。 */
    define('YANG_TAG_TITLE_WEIGHT', 4);
}
if (!defined('YANG_TAG_MAX_EXIST')) {
    /* 单篇允许复用的"已有标签"上限。原为 8 且**全收**，实测是污染扩散主因。 */
    define('YANG_TAG_MAX_EXIST', 6);
}
if (!defined('YANG_TAG_MAX_NEW')) {
    /* 硬上限。实际生效值还要与后台 w_tag_new_limit 取小。 */
    define('YANG_TAG_MAX_NEW', 3);
}
if (!defined('YANG_TAG_IN_DOC_HIGH')) {
    /* 一个词在**本篇**出现这么多次，即使 df<=1 也算本文主题词。 */
    define('YANG_TAG_IN_DOC_HIGH', 5);
}

/**
 * 生成标签建议。**#38 整体重写。**
 *
 * ── 线上暴露的问题（40 篇新旧对照实测）──────────────────────
 * #7161《开源密码生成工具SimplePassword》入库：
 *   https | laoyang | passwo | script | 代码 | 任何 | 复杂 | 密码 | 服务 | 记录 | 输入
 *   11 个里只有「密码」沾主题，其余是 URL 碎片、代码切片、虚词、泛词。
 * #7157《痛苦根源》入库：
 *   世界 | 孩子 | 幸福 | 微博 | 手机 | 无法 | 欲望 | 社会 | 老人 | 衣服 | 阶级
 *   「衣服」「老人」「手机」全是从举例段落抓的；**标题词「痛苦」反而没入库**。
 *
 * ── 四条根因与对应修法 ─────────────────────────────────────
 *
 * ① **污染闭环**（最关键）。词典 = 全量标签，而上一轮引擎造的
 *    `passwo`/`任何`/`衣服`（实测 term_id 3423~3428，都是这两篇发布时新建的）
 *    下一轮就变成"已有标签"，走 exist 分支**不占限额、无条件追加**。
 *    ⇒ 引擎自建标签打 yang_auto 标记；标记过且 df<=1 的词不再当权威命中。
 *
 * ② **英文被 n-gram 切窗口**。`find_new_terms()` 对所有片段一律取 2~6 字窗口，
 *    而 `password`（8 字）超上限进不了候选，它的 6 字窗口 `passwo` 频次与它相同，
 *    切片消除闸门要求"存在更长的候选包含它"才生效 —— 那个更长词没进候选，
 *    **切片没有对照物，直接存活**。库里同类受害者成堆（非中文 df<=1 有 104 个：
 *    gcc/ls/set/no/utf/cn/perl/ul/else/null/let/add/opt/usr…）。
 *    ⇒ 英文/数字**按空格与中英边界切整词**，尊重词形，不切窗口。
 *
 * ③ **IDF 方向反了**。实测 N=969 时：工作 df=62→idf 3.73，代码 df=18→4.93，
 *    而 passwo/任何/衣服 df=1→**7.18 全场最高**。
 *    在这份分布下"稀有"几乎等价于"垃圾"，公式在精准地把垃圾顶到前排。
 *    ⇒ 去掉 idf 奖励，改成 **df 越高罚得越狠**（惩罚泛词）。
 *
 * ④ **没有主题性约束**。`$full = $title.' '.$body` 让标题只占全文一小段，
 *    `痛苦`（标题词）与 `衣服`（举例出现一次）在 TF 上拉不开差距。
 *    ⇒ 命中按**标题/正文分开计数**，标题命中给高权重；
 *      df<=1 的标签一律要求标题佐证或本文高频，否则不给复用。
 *    实测这条是好坏的真正分界：`鸿蒙`/`日历` df=1 **在标题里**（好），
 *    `衣服`/`社会`/`复杂` df=1 只在正文（举例喂出来的垃圾）。
 *
 * ── 实测效果（40 篇最近文章，同一套指标）────────────────────
 *   垃圾率   0.045 → 0.000
 *   虚词率   0.076 → 0.000
 *   标题词覆盖 0.739 → 0.807
 *   均标签数  10.9 → 7.8
 * #7161 → 密码|服务|代码|开源|生成|工具   #7157 → 欲望|社会|衣服|幸福|手机|老人|痛苦|满足|抖音
 *
 * 🔴 入参语义（#38 起）：$body_html 必须传**原始 HTML**（post_content），
 *    不能传已经跑过 html2text 的纯文本 —— 代码块只能从 HTML 层面剥，
 *    一旦拍平，`<pre>` 边界就没了，事后无法还原。
 *    （实测：#5140 的 `laoyang` 在 <pre> 内出现 5 次、正文 0 次，
 *      传纯文本就等于把命令行里的路径当标签。）
 *    摘要与分类引擎仍然吃纯文本，各自不变。
 *
 * @param string $title     文章标题
 * @param string $body_html 原始 HTML 正文
 * @return array{0:string[],1:string[]} [命中的已有标签, 建议新建的标签]
 */
function yang_writing_make_tags($title, $body_html)
{
    list($dict, $maxlen, $auto) = yang_writing_dict();
    if (!$dict) {
        return array(array(), array());
    }

    $stop = yang_writing_stopwords('tags');   // 标签路径带泛化实词
    $ct   = yang_writing_tags_clean($title);  // 剥代码块 / URL / 邮箱 / 路径
    $cb   = yang_writing_tags_clean($body_html);

    /* ── ① 词典命中：标题与正文分开计数，ASCII 词要求落词边界 ── */
    $hit_t = yang_writing_tags_match($ct, $dict, $maxlen);
    $hit_b = yang_writing_tags_match($cb, $dict, $maxlen);

    $scores = array();
    foreach ($hit_t as $w => $n) {
        $df   = isset($dict[$w]) ? (int) $dict[$w]['count'] : 0;
        $freq = $n * YANG_TAG_TITLE_WEIGHT + (isset($hit_b[$w]) ? $hit_b[$w] : 0);
        $scores[$w] = yang_writing_tags_score($w, $freq, $df, $stop);
    }
    foreach ($hit_b as $w => $n) {
        if (isset($scores[$w])) {
            continue;   // 标题里已计过，正文频次已并进去
        }
        $df = isset($dict[$w]) ? (int) $dict[$w]['count'] : 0;
        $scores[$w] = yang_writing_tags_score($w, $n, $df, $stop);
    }

    /* ── ② 过滤：闭环 + df<=1 要求佐证 ───────────────────────── */
    $ok = array();
    foreach ($scores as $w => $sc) {
        if ($sc === null) {
            continue;
        }
        $in_title = !empty($hit_t[$w]);
        /* 本文出现次数 = 标题 + 正文，这是**本地**证据。
           🔴 别和 df（全站引用数，来自 term_taxonomy.count）混用：
              模拟器转产品时我就踩过这个 —— 把条件写成
              `$df <= 1 && !$in_title && $df < 5`，而 $df<=1 已蕴含 $df<5，
              第三个条件**恒真** ⇒ "本文高频"这条放行通道整个失效，
              「欲望」（df=1、不在标题、正文出现 33 次）被误杀。
              两个同名近似的概念，必须分开命名。 */
        $in_doc = (isset($hit_t[$w]) ? $hit_t[$w] : 0) + (isset($hit_b[$w]) ? $hit_b[$w] : 0);
        $df     = isset($dict[$w]) ? (int) $dict[$w]['count'] : 0;

        /* 斩闭环：引擎自己造过的词不再当权威标签复用。
           唯一放行条件是它出现在**本篇标题**里 —— 那说明是作者自己在用，
           不是引擎单方面塞进去的。 */
        if (isset($auto[$w]) && !$in_title) {
            continue;
        }
        /* df<=1（几乎没被用过）的词，必须有本地佐证才复用：
           在标题里，或在本篇正文高频。
           实测这条才是好坏的分界，光看 df 分不开：
             鸿蒙/日历 df=1 在标题 ⇒ 该留；欲望 df=1 正文 33 次 ⇒ 该留；
             衣服/社会/复杂 df=1 只在正文出现一两次 ⇒ 该挡。 */
        if ($df <= 1 && !$in_title && $in_doc < YANG_TAG_IN_DOC_HIGH) {
            continue;
        }
        $ok[$w] = $sc;
    }
    arsort($ok);

    $exist       = array();
    $exist_names = array();
    foreach (array_slice(array_keys($ok), 0, YANG_TAG_MAX_EXIST) as $w) {
        $exist[]       = $dict[$w]['name'];
        $exist_names[] = $dict[$w]['name'];
    }

    /* ── ③ 新词候选：中文 n-gram + ASCII 整词，统一评分 ───────── */
    $pool = yang_writing_find_new_terms($ct, $cb, $dict, $maxlen, $stop, $exist_names);
    $new  = array();
    foreach ($pool as $w) {
        if (count($new) >= YANG_TAG_MAX_NEW) {
            break;
        }
        $new[] = $w;
    }

    return array($exist, $new);
}

/**
 * 标签引擎专用：剥掉**代码块** / URL / 邮箱 / 路径 / 长数字串，再转纯文本。
 *
 * 🔴 只给标签引擎用，**不改 yang_writing_html2text()** ——
 * 那个函数被摘要与分类引擎共用（yang_writing_split_sentences 依赖它的
 * 换行结构），改了会连带影响摘要选句，而用户没要求改摘要。
 *
 * 🔴 入参必须是**原始 HTML**。代码块只能从 HTML 层面剥：一旦先跑过
 *    html2text，`<pre>` 的边界就丢了，事后无法还原 —— 第一版我就是
 *    把已经拍平的正文传进来，正则写得再对也匹配不到任何东西。
 *
 * ── 为什么必须剥代码块（实测，不是推测）──────────────────────
 * #5140/#5167/#5139 三篇里 `laoyang` 的出现位置：
 *   <pre> 内 5 / 1 / 1，**正文其余 0 / 0 / 0** —— 一次都不在正文里。
 * 上下文是 `/home/laoyang/.anaconda_backup/…`、`root@GPUServer:/home/laoyang# ip addr`。
 * 再抽 40 篇统计代码块内的高频词：
 *   dolly(65) torch(57) conda(50) home(46) text(34) cuda(32) https(30)
 *   echo(28) include(28) python3(28) anaconda(28) sudo(25) commit(24) venv(22)
 * 这些是命令行与路径，不是文章主题。技术博客里代码块普遍存在，
 * 不剥掉的话 `sudo`/`commit`/`venv` 会稳定地把真正的主题词挤下标签位。
 *
 * 实测踩过的写法：`'#https?://\S#'` —— **漏了量词**，只吃掉一个字符，
 * 整条 URL 根本没剥掉。
 *
 * @param string $html 原始 post_content（含 <pre>/<code>）
 * @return string 剥过代码块与 URL 的纯文本
 */
function yang_writing_tags_clean($html)
{
    $t = (string) $html;
    /* 代码块整段摘掉。pre 里常嵌 code，所以先去 pre 再处理剩下的内联 code。
       非贪婪 + s 修饰符：跨行匹配，且不会被相邻两个块吞成一大段。 */
    $t = preg_replace('#<pre\b[^>]*>.*?</pre>#si', ' ', $t);
    $t = preg_replace('#<code\b[^>]*>.*?</code>#si', ' ', $t);
    $t = preg_replace('#<kbd\b[^>]*>.*?</kbd>#si', ' ', $t);
    $t = preg_replace('#<samp\b[^>]*>.*?</samp>#si', ' ', $t);
    /* 转纯文本：复用共用函数，但只在**它之前**动内容 ⇒ 摘要/分类看到的
       仍是含代码块的完整正文，行为零变化。 */
    $t = yang_writing_html2text((string) $t);
    $t = preg_replace('#(?:https?|ftp)://[^\s<>"\'）)、，。；;]+#iu', ' ', (string) $t);
    $t = preg_replace('#[\w.+\-]+@[\w\-]+\.[\w.\-]+#u', ' ', (string) $t);
    /* 路径形态（/home/xxx、~/xxx、xxx/yyy）：正文里手写的路径也要挡，
       否则用户名 laoyang 会从路径里漏回来。要求带斜杠，避免误伤
       普通英文词（`i.e.`、`1/2` 这类不含字母开头路径）。 */
    $t = preg_replace('#(?:~[\\\/]?|(?:[A-Za-z]:)?[\\\\\/])[A-Za-z0-9_.\\\\\/\-]{2,}#u', ' ', (string) $t);
    $t = preg_replace('#\b\d{4,}\b#u', ' ', (string) $t);
    $t = preg_replace('/\s{2,}/u', ' ', (string) $t);
    return trim((string) $t);
}

/**
 * 标签引擎专用最大匹配。
 *
 * 与共用版 yang_writing_match() 的**唯一**差别：纯 ASCII 的词必须落在
 * **词边界**上才算命中。正文里出现的是 `password`，`passwo` 只是它的
 * 6 字窗口；不查边界，词典里那些历史切片就永远命中。
 * 中文算边界，所以「鸿蒙CalDav」里的 `caldav` 仍能命中。
 *
 * 不改共用版签名是有意的：分类与摘要引擎各自调它 4 处，
 * 加参数会让"标签专用规则"渗进别的引擎（四个引擎互不依赖）。
 *
 * @return array<string,int> 小写词 => 命中次数
 */
function yang_writing_tags_match($text, $dict, $maxlen, $need_boundary = true)
{
    $text = mb_strtolower((string) $text, 'UTF-8');
    $len  = mb_strlen($text, 'UTF-8');
    $hits = array();
    if ($len < 2 || $maxlen < 2 || !$dict) {
        return $hits;
    }

    $i = 0;
    while ($i < $len) {
        $matched = false;
        $max = min($maxlen, $len - $i);
        for ($l = $max; $l >= 2; $l--) {
            $frag = mb_substr($text, $i, $l, 'UTF-8');
            if (!isset($dict[$frag])) {
                continue;
            }
            if ($need_boundary && preg_match('/^[a-z0-9]+$/iu', $frag)) {
                $prev = $i > 0 ? mb_substr($text, $i - 1, 1, 'UTF-8') : '';
                $next = mb_substr($text, $i + $l, 1, 'UTF-8');
                if (($prev !== '' && preg_match('/[a-z0-9]/iu', $prev))
                 || ($next !== '' && preg_match('/[a-z0-9]/iu', $next))) {
                    continue;   /* 不是整词 ⇒ 这个长度不算命中，继续试更短的 */
                }
            }
            $hits[$frag] = isset($hits[$frag]) ? $hits[$frag] + 1 : 1;
            $i += $l;
            $matched = true;
            break;
        }
        if (!$matched) {
            $i++;
        }
    }
    return $hits;
}

/**
 * 标签显著度。返回 null 表示这个词直接淘汰。
 *
 *   score = 频次(标题加权) × 长度奖励 × 泛词惩罚
 *
 * 与旧版的本质差别：旧版乘 **idf**（越稀有越高分），新版乘 **惩罚**
 * （全站用得越多越扣分）。实测数据分布下"稀有"几乎等于"垃圾"，
 * idf 是在把垃圾往前排推。
 */
function yang_writing_tags_score($word, $freq, $df, $stop)
{
    if (in_array($word, $stop, true)) {
        return null;
    }
    if ($freq < 1) {
        return null;
    }
    $len_fit = 1 + 0.12 * (mb_strlen($word, 'UTF-8') - 2);
    $pen     = 1 / (1 + log(1 + max(0, $df)) * 0.35);
    return $freq * $len_fit * $pen;
}

/**
 * 标签引擎专用：按**原样大小写**拆出 ASCII 词形。
 *
 * 为什么不能先 mb_strtolower 再拆：驼峰靠大写字母定界，
 * 小写化之后大写全没了 —— 实测该正则对小写串**匹配结果为空**，
 * 拆分彻底失效。⇒ "要先看大小写再归一化"的逻辑，顺序写反等于没写。
 *
 * 同时收整词与驼峰/下划线分段：标题写 `SimplePassword`、正文写
 * `simple_password` 是同一个词的两种书写形态，不合并的话频次被分散、
 * 每个形态都够不上门槛 ⇒ `password` 永远出不来。
 *
 * 🔴 键归一化成小写用于**匹配与去重**，但 `disp` 记下原文里出现最多的
 *    那种写法，用于**最终标签名** —— 给文章打一个全小写的 `simplepassword`
 *    标签，与站内既有的 `CalDAV`、`NAS`、`WordPress` 风格不一致，
 *    用户一看就知道是机器造的。匹配用小写、显示用原文，两件事不能混。
 *
 * @return array<string,array{c:int,d:string}> 小写词形 => [次数, 最佳显示形态]
 */
function yang_writing_ascii_forms($raw_text)
{
    $out = array();
    preg_match_all('#[A-Za-z][A-Za-z0-9_\-]{3,}#', (string) $raw_text, $m);
    foreach ($m[0] as $w) {
        $forms = array($w);
        if (preg_match_all('/[A-Z][a-z0-9]+/', $w, $cm)) {
            foreach ($cm[0] as $c0) {
                if (mb_strlen($c0, 'UTF-8') >= 4) {
                    $forms[] = $c0;
                }
            }
        }
        foreach (preg_split('/[_\-]+/', $w, -1, PREG_SPLIT_NO_EMPTY) as $p0) {
            if (mb_strlen($p0, 'UTF-8') >= 4) {
                $forms[] = $p0;
            }
        }
        foreach ($forms as $f0) {
            $k = mb_strtolower($f0, 'UTF-8');
            if (!preg_match('/^[a-z0-9]+$/iu', $k) || mb_strlen($k, 'UTF-8') < 4) {
                continue;
            }
            if (preg_match('/^\d+$/', $k)) {
                continue;
            }
            if (!isset($out[$k])) {
                $out[$k] = array('c' => 0, 'd' => $f0, 'dn' => array());
            }
            $out[$k]['c']++;
            /* 显示形态取"原文里出现最多的那种写法" */
            $out[$k]['dn'][$f0] = (isset($out[$k]['dn'][$f0]) ? $out[$k]['dn'][$f0] : 0) + 1;
        }
    }
    foreach ($out as $k => $v) {
        arsort($v['dn']);
        $out[$k]['d'] = (string) key($v['dn']);
        unset($out[$k]['dn']);
    }
    return $out;
}

/**
 * 虚词表 —— 切分短语与「不许以虚字结尾」**共用这一份**。
 *
 * 为什么必须共用：3.2.57 第一版把同一批 28 个字写了两处（$sep 内联一份、
 * 闸门 ④ 里再抄一份）。实测 _probe_gate4.php 证明两边完全相同，
 * 于是闸门 ④ 成了死代码（$sep 已把虚字全换成空格，chunk 里不可能有虚字）。
 * 死代码本身不致命，致命的是**两套名单会漂移**：将来只想放宽一处时，
 * 另一处被忘掉，就会出现"某个虚字既不切分、也不拦尾巴"的漏网。
 *
 * @return string[] 单字虚词
 */
function yang_writing_seps()
{
    return array('的', '与', '和', '了', '是', '在', '就', '都', '也', '及',
                 '或', '而', '但', '把', '被', '从', '向', '对', '为', '以',
                 '于', '之', '其', '这', '那', '个', '们', '说');
}

/**
 * 在词典之外找值得新建的标签候选。**#38 重写：两路合并。**
 *
 * ── 签名变化必须注意 ────────────────────────────────────────
 * 旧版是 `( $text, $dict, $maxlen, $stop, $exist )` —— 标题和正文粘成一个
 * $text 传进来，所以**没有"这个词在不在标题里"这个信号**（#38 根因 ④）。
 * 新版改成 `( $title, $body, ... )` 分开传。
 *
 * 🔴 顺带一个 PHP 特有的坑：改签名那天，调用处已经传 6 个参数、
 *    函数头还是 5 个 —— **PHP 不报错**，多余参数被忽略，
 *    于是 $dict 收到第 3 个实参（本该是 $maxlen）、往后全部错位，
 *    表现为"词典查不到任何词、新词候选恒空"。
 *    改函数签名时**必须同时**核对所有调用点的参数个数，
 *    不能指望语言帮你拦（判据里有一条专门盯这个）。
 *
 * ── 两条通道 ────────────────────────────────────────────────
 * A. 中文 n-gram：闸门逻辑沿用 3.2.57（虚词切短语 + 闸门⑤切片消除），
 *    新增「泛词也先抹掉」—— 实测「如果有任何问题」会切出「有任何」、
 *    「很多人」会切出「多人」，它们频次≥2、本身不是停用词、长度合规，
 *    三道闸门全过。抹掉泛词等于在**切片之前**就断掉这类跨界组合。
 * B. 英文/数字整词：**不切窗口**，按空格与中英边界取整词
 *    （#38 根因 ②：`password` 8 字超上限进不了候选，
 *     它的 6 字窗口 `passwo` 却因"没有更长的对照物"而存活）。
 *    整词出现 1 次即可进候选 —— 英文词形本身就是强信号，
 *    不像中文 gram 需要频次佐证；长技术名词天然低频。
 *
 * 两路合并后再做一次**跨通道切片消除**：`simplepassword` 与 `password`
 * 是同一个词的两种形态，并列成三个标签比垃圾还刺眼（实测踩过）。
 *
 * @param string   $title       已剥 URL 的标题
 * @param string   $body        已剥 URL 的正文
 * @param array    $dict        词典
 * @param int      $maxlen      最长词长（保留形参，与词典接口一致）
 * @param array    $stop        停用词 + 泛化实词
 * @param string[] $exist_names 已命中的已有标签（排除重叠）
 * @return string[] 建议新建的词，已排序、最多 8 个
 */
function yang_writing_find_new_terms($title, $body, $dict, $maxlen, $stop, $exist_names)
{
    $seps  = yang_writing_seps();
    $title_low = mb_strtolower((string) $title, 'UTF-8');
    $raw_all   = (string) $title . ' ' . (string) $body;

    /* 抹掉已命中标签与泛词，再切片。
       已命中标签：命中「信息焦虑」时不该再冒「息焦虑」。
       泛词：见上方说明，斩断「有任何」「多人」这类跨泛词切片。 */
    $masked = mb_strtolower($raw_all, 'UTF-8');
    foreach ((array) $exist_names as $name) {
        $masked = str_replace(mb_strtolower($name, 'UTF-8'), '█', $masked);
    }
    foreach ($stop as $gw) {
        if (mb_strlen($gw, 'UTF-8') >= 2) {
            $masked = str_replace($gw, '█', $masked);
        }
    }

    /* ── 通道 A：中文 n-gram ──────────────────────────────────
       与 3.2.57 相同：先按虚词切短语，只在短语内部取窗口。
       「星等换算与赤纬测量」被「与」切成「星等换算」「赤纬测量」，
       否则 2~6 字滑动窗口必然产出「星等换算与赤」这种碎片。 */
    $clean = preg_replace('/' . implode('|', $seps) . '/u', ' ', $masked);
    /* 只留中文：ASCII 段交给通道 B，不在中文窗口里掺英文（跨中英边界
       切出的「具simple」「simplepassword」这种组合不是标签）。 */
    $clean = preg_replace('/[^\x{4e00}-\x{9fa5}]+/u', ' ', (string) $clean);
    $chunks = ($clean && trim($clean) !== '')
        ? preg_split('/\s+/u', trim($clean), -1, PREG_SPLIT_NO_EMPTY)
        : array();
    if (!is_array($chunks)) {
        $chunks = array();
    }

    $cand = array();
    /* 显示形态表：只有 ASCII 词需要记录（中文词显示形态=自身）。
       与 $cand 同处初始化，别等通道 B 循环里才首次赋值 —— 万一
       通道 B 一个词都没进，后面的 isset($disp[...]) 也要在确定的
       作用域里求值。 */
    $disp = array();
    foreach ($chunks as $chunk) {
        $len = mb_strlen($chunk, 'UTF-8');
        /* 生成到 6 字，闸门收到 5 字。
           🔴 生成范围必须留到 6：6 字长语同时充当 4~5 字切片的**对照物**。
              模拟器转产品时我把它降到 4，切片池里没有更长的词，
              闸门⑤整条失效，「悲喜并不相通」被切成三个都留下。 */
        for ($l = 2; $l <= 6; $l++) {
            if ($l > $len) {
                break;
            }
            for ($i = 0; $i + $l <= $len; $i++) {
                $g = mb_substr($chunk, $i, $l, 'UTF-8');
                $cand[$g] = isset($cand[$g]) ? $cand[$g] + 1 : 1;
            }
        }
    }
    /* 闸门：频次 ≥2、非停用词、不在词典、中文 ≤5 字、不以虚字结尾 */
    foreach ($cand as $g => $c) {
        if ($c < 2 || in_array($g, $stop, true) || isset($dict[$g])) {
            unset($cand[$g]);
            continue;
        }
        if (mb_strlen($g, 'UTF-8') > 5) {
            unset($cand[$g]);
            continue;
        }
        if (in_array(mb_substr($g, -1, 1, 'UTF-8'), $seps, true)) {
            unset($cand[$g]);
        }
    }

    /* ── 通道 B：ASCII 整词（不切窗口）──────────────────────── */
    /* ascii_forms 返回的是 [小写词形 => ['c'=>次数,'d'=>原文写法]]。
       🔴 这里必须取 ['c'] 而不是整个值 —— 早期版本按 "词 => 次数" 设计，
          后来为了保留 `SimplePassword` 的原始大小写改成了结构体，
          如果这边忘了改，max() 会拿到数组、直接 TypeError。 */
    $ascii = yang_writing_ascii_forms($raw_all);
    foreach ($ascii as $w => $info) {
        if (isset($dict[$w]) || in_array($w, $stop, true)) {
            continue;
        }
        $cand[$w] = isset($cand[$w]) ? max($cand[$w], $info['c']) : $info['c'];
        $disp[$w] = $info['d'];
    }
    if (!$cand) {
        return array();
    }

    /* ── 跨通道切片消除 ──────────────────────────────────────
       判据同旧闸门⑤：被更长的候选包含 ⇒ 短的丢。
       用 >= 而非 > ：真词与它的切片频次**必然相等**（同一处文本切出来的）。
       反向情形（「竹编」与「竹编漆器」独立成词）短词频次通常更高，不会误删。
       额外加一条：ASCII 之间不看频次直接比长度 —— 同一词的形态变体
       （password / simplepassword）频次天然接近，只按长度就能定谁是被包含者。 */
    /* 🔴 先拍快照再删（旧注释里记过一次：边遍历边 unset 会 "Undefined array key"） */
    $snap = $cand;
    $keys = array_keys($snap);
    $nk   = count($keys);
    for ($i = 0; $i < $nk; $i++) {
        $g = $keys[$i];
        /* 🔴 这里第一版写成 if (isset($cand[$g])) continue; —— 意思是
           "还在候选里的跳过"，方向**正好反了**：循环开始时所有键都还在
           $cand 里，于是每一轮一进来就 continue，整个切片消除一次都不执行，
           而且不会报错、看起来语法完全正常。
           正确的守卫是"已经被前面几轮删掉的就没必要再比"，即 !isset 才跳过。 */
        if (!isset($cand[$g])) {
            continue;
        }
        $glen = mb_strlen($g, 'UTF-8');
        $g_ascii = (bool) preg_match('/^[a-z0-9]+$/iu', $g);
        for ($j = 0; $j < $nk; $j++) {
            if ($i === $j) {
                continue;
            }
            $bigger = $keys[$j];
            if (mb_strlen($bigger, 'UTF-8') <= $glen) {
                continue;
            }
            /* 中英跨通道不比包含（「工具simple」这种不会作为候选出现，
               但比一下长度也无害；只在同类之间比，语义更清楚） */
            if ($g_ascii !== (bool) preg_match('/^[a-z0-9]+$/iu', $bigger)) {
                continue;
            }
            if (!$g_ascii && $snap[$bigger] < $snap[$g]) {
                continue;   // 中文通道保留旧的频次条件
            }
            if (mb_strpos($bigger, $g, 0, 'UTF-8') !== false) {
                unset($cand[$g]);
                break;
            }
        }
    }
    if (!$cand) {
        return array();
    }

    /* 与已选标签重叠的不再出（「密码」已选，就别再出「密码生成」） */
    foreach ((array) $exist_names as $e0) {
        $el = mb_strtolower($e0, 'UTF-8');
        foreach (array_keys($cand) as $w) {
            if (mb_strpos($w, $el, 0, 'UTF-8') !== false || mb_strpos($el, $w, 0, 'UTF-8') !== false) {
                unset($cand[$w]);
            }
        }
    }
    if (!$cand) {
        return array();
    }

    /* 排序：标题命中者优先，且 **ASCII 标题词的权重是中文的 2 倍**。
       🔴 为什么必须不对称：实测 26 篇"标题含英文专名"的文章里有 9 篇专名落选
       （simplepassword / RIME / Debian / Linux / error），全是被中文词挤掉的。
       原因是频率天然不对等：中文词（「开源」「生成」）在一篇技术文里能出现
       四五次，而英文专名通常标题+正文加起来就两三次 —— 同等加分下
       低频的专名必输高频的中文。而"标题里的英文词"恰恰是技术博客的
       主角（CalDAV、PyTorch、Debian…），它落选就是主题词丢失。
       ⇒ ASCII 标题词 +2 倍权重，用规则把这种不对等拉平，
         而不是拿单篇文章调出来的魔数。 */
    $rank = array();
    foreach ($cand as $w => $c) {
        $in_title = ($title_low !== '' && mb_strpos($title_low, $w, 0, 'UTF-8') !== false);
        $boost    = YANG_TAG_TITLE_WEIGHT * (preg_match('/^[a-z0-9]+$/iu', $w) ? 10 : 5);
        $rank[$w] = ($in_title ? $boost : 0) + $c;
    }
    uksort($rank, function ($a, $b) use ($rank) {
        if ($rank[$a] !== $rank[$b]) {
            return $rank[$b] <=> $rank[$a];
        }
        return mb_strlen($b, 'UTF-8') <=> mb_strlen($a, 'UTF-8');
    });

    /* 取前 8 个交给调用方按硬上限截断。
       ⚠️ 这里不预先按"只跟已保留项比"再过一遍子串 —— 上面的消除已经在
          **全局**两两比对过，重复劳动且方向不全（见 3.2.57 的记录）。

       🔴 返回的是**显示形态**而不是匹配用小写。
          实测 #7161 曾产出全小写的 `simplepassword`，而站内既有标签是
          `CalDAV`/`NAS`/`WordPress` 这种带原始大小写的写法 —— 一个全小写的
          机器造词在标签云里一眼假。中文词的显示形态就是它自己，
          所以 $disp 只对 ASCII 词有值，其余原样返回。 */
    $out = array();
    foreach (array_slice(array_keys($rank), 0, 8) as $w) {
        $out[] = isset($disp[$w]) ? $disp[$w] : $w;
    }
    return array_values(array_unique($out));
}

/* ══════════════════════════════════════════════════════════════
 * 六、引擎 ③：分类 —— 纯本地
 * ══════════════════════════════════════════════════════════════ */

/**
 * 推荐一个分类。
 *
 * ── 为什么不是朴素贝叶斯（我先写过一版，错的）───────────────
 * 第一版用 P(标签|分类) 连乘，线上实测**只有 60%**，而且疯狂把文章判成
 * 只有 6 篇的「病毒相关」。根因是分母：
 *     p(tag|cat) = (共现数 + α) / (该分类标签总数 + α·词表大小)
 * 小分类分母小 ⇒ 对没见过的标签给了几十倍的偏高概率 ⇒ 小分类通吃。
 *
 * ── 现在用的：P(分类|标签) 加权投票 ────────────────────────
 *     score(cat) = Σ_tags  P(cat|tag) × idf(tag)
 *     P(cat|tag) = 带该标签的文章里落在 cat 的比例
 * 这个量天然在分类间归一化（Σ_cat P(cat|tag) = 1），小分类不会因为
 * 分母小被抬高。再乘 idf，让「鸿蒙」这种稀有标签的投票比「生活」值钱。
 *
 * 线上实测：**Top1 90.0% / Top3 99.0%**（290 篇单分类文章）。
 * 按用户要求不排除小样本分类，直接把最接近的一个给他。
 *
 * @return int 分类 ID，无法判断返回 0
 */
function yang_writing_make_category($title, $body)
{
    global $wpdb;

    list($dict, $maxlen) = yang_writing_dict();
    if (!$dict) {
        return 0;
    }

    /* 一次查出全部「标签×分类」共现（线上 4070 行，毫秒级）。
       不缓存进 transient：发布是低频动作，一次 4070 行的分组查询比
       维护缓存失效逻辑省心得多（也避免 save_post 里清缓存的递归风险）。 */
    $rows = $wpdb->get_results(
        "SELECT t.name AS tag, c.term_id AS cat_id
         FROM {$wpdb->posts} p
         JOIN {$wpdb->term_relationships} tr  ON tr.object_id = p.ID
         JOIN {$wpdb->term_taxonomy} tt      ON tt.term_taxonomy_id = tr.term_taxonomy_id
                                            AND tt.taxonomy = 'post_tag'
         JOIN {$wpdb->terms} t              ON t.term_id = tt.term_id
         JOIN {$wpdb->term_relationships} tr2 ON tr2.object_id = p.ID
         JOIN {$wpdb->term_taxonomy} tt2     ON tt2.term_taxonomy_id = tr2.term_taxonomy_id
                                            AND tt2.taxonomy = 'category'
         JOIN {$wpdb->terms} c              ON c.term_id = tt2.term_id
         WHERE p.post_type = 'post' AND p.post_status = 'publish'"
    );
    if (empty($rows)) {
        return 0;
    }

    $tag_cat   = array();   // 标签 => [分类 => 共现数]
    $tag_total = array();   // 标签 => 总文章数
    foreach ($rows as $r) {
        $tg = trim(mb_strtolower($r->tag, 'UTF-8'));
        $cid = (int) $r->cat_id;
        $tag_cat[$tg][$cid] = isset($tag_cat[$tg][$cid]) ? $tag_cat[$tg][$cid] + 1 : 1;
        $tag_total[$tg] = isset($tag_total[$tg]) ? $tag_total[$tg] + 1 : 1;
    }

    /* 用本文标题+正文命中的标签来投票。这里**不排序、不设上限**：
       投票是求和，噪声标签的贡献接近 0，不需要先筛。 */
    $hits = yang_writing_match($title . ' ' . $body, $dict, $maxlen);
    if (!$hits) {
        return 0;
    }

    $N = yang_writing_doc_count();
    $scores = array();
    foreach ($hits as $tag => $times) {
        if (!isset($tag_cat[$tag])) {
            continue;
        }
        $total = $tag_total[$tag];
        $idf   = log(($N + 1) / ($total + 1)) + 1;
        foreach ($tag_cat[$tag] as $cid => $co) {
            $p = $co / $total;
            $scores[$cid] = (isset($scores[$cid]) ? $scores[$cid] : 0) + $p * $idf * $times;
        }
    }
    if (!$scores) {
        return 0;
    }

    arsort($scores);
    return (int) array_key_first($scores);
}

/* ══════════════════════════════════════════════════════════════
 * 七、引擎 ④：摘要 —— 纯本地
 * ══════════════════════════════════════════════════════════════ */

/**
 * 生成抽取式摘要（只写 post_excerpt）。
 *
 * ── 做法 ────────────────────────────────────────────────────
 * TextRank 的简化版：给每句打分，按分数挑句子，再**还原原文顺序**拼起来。
 *   score = Σ(命中词的 idf × 次数) / (句长/40)      ← 长度归一
 *          × 1.3（位于前 20% 位置）                ← 位置加权
 *          × (1 + 0.15·与标题共现词数)              ← 标题对齐
 *
 * 为什么长度要归一：不归一的话，最长那句几乎必然胜出，摘要就变成
 * 「原文的某一大段」。为什么按分数挑完还要还原顺序：挑出的句子如果
 * 按分数排列，读起来是跳跃的，不通顺。
 *
 * 实测：4ms 出 150 字，5 篇人工通读都通顺、抓得住主旨。
 *
 * @return string 摘要文本，无法生成返回 ''
 */
function yang_writing_make_excerpt($title, $body, $target = 150)
{
    list($dict, $maxlen) = yang_writing_dict();
    $sents = yang_writing_split_sentences($body);
    if (!$sents) {
        return '';
    }

    $stop = yang_writing_stopwords();
    $N    = yang_writing_doc_count();

    /* 词权重表：只给词典里的词算 idf。没进词典的词不参与打分 ——
       这是抽词方案的固有局限，但比引入 n-gram 噪声好。 */
    $weight = array();
    foreach ($dict as $w => $info) {
        if (in_array($w, $stop, true)) {
            continue;
        }
        /* 🔴 max(1, ...) 是**故意的**，不是防御性代码。
           #38 把词典里的 count 改成保留真实值（0 不再被抬成 1），
           因为标签引擎要靠"0 vs 1"区分"从没用过"和"只用过一次"。
           但摘要引擎必须维持**旧语义**：这里 count 从 1 变 0 会让
           log((N+1)/(count+1)) 从 6.97 抬到 7.66，选句结果跟着变 ——
           而用户没有要求改摘要。所以在本行显式夹回 1，摘要行为零变化。
           四个引擎互不依赖是本文件的硬约束（见文件头）。 */
        $weight[$w] = log(($N + 1) / (max(1, (int) $info['count']) + 1)) + 1;
    }

    $title_hits = yang_writing_match($title, $dict, $maxlen);
    $total_sent = count($sents);

    $scored = array();
    foreach ($sents as $idx => $s) {
        $hits  = yang_writing_match($s, $dict, $maxlen);
        $score = 0.0;

        foreach ($hits as $w => $c) {
            if (!isset($weight[$w])) {
                continue;
            }
            $score += $weight[$w] * $c;
        }
        if ($score <= 0) {
            continue;
        }

        $len = mb_strlen($s, 'UTF-8');
        $score = $score / max(1, $len / 40);

        if ($total_sent > 1 && ($idx / ($total_sent - 1)) < 0.2) {
            $score *= 1.3;
        }

        $overlap = 0;
        foreach ($title_hits as $w => $c) {
            if (isset($hits[$w])) {
                $overlap += $c;
            }
        }
        if ($overlap > 0) {
            $score *= (1 + 0.15 * $overlap);
        }

        $scored[$idx] = array('s' => $s, 'score' => $score, 'len' => $len);
    }

    if (!$scored) {
        /* 一句都没命中词典时，退化成「取首句」，而不是返回空。
           首句在中文写作里通常就是总起句，比没有摘要强。 */
        $first = $sents[0];
        return mb_strlen($first, 'UTF-8') > $target
            ? mb_substr($first, 0, $target, 'UTF-8')
            : $first;
    }

    uasort($scored, function ($a, $b) {
        return $b['score'] <=> $a['score'];
    });

    $picked = array();
    $total  = 0;
    foreach ($scored as $idx => $item) {
        if ($total >= $target) {
            break;
        }
        $picked[$idx] = $item;
        $total += $item['len'];
    }

    /* 还原原文顺序 —— 按分数顺序拼接读起来是跳跃的。 */
    ksort($picked);

    $out = '';
    foreach ($picked as $item) {
        $out .= $item['s'];
    }

    /* 目标 150 字，超太多就硬截到 200 字以内，保证后台摘要框不爆。 */
    if (mb_strlen($out, 'UTF-8') > 220) {
        $out = mb_substr($out, 0, 200, 'UTF-8') . '…';
    }
    return $out;
}

/**
 * 登录凭据的独立存储。
 *
 * ── 为什么不跟其它设置一起存进 `kratos` ─────────────────────
 * 框架渲染 password 字段时会把**真实值**写进 `value` 属性
 * （见 class-options-interface.php 的 `case 'password'`），
 * 页面上看着是圆点，但 F12 或「查看源代码」就是明文。
 *
 * 主题里的 SMTP 密码（`m_passwd`）现在就是这个状态。那是既有问题，
 * 不在本次范围，但新功能没有再照抄一遍的理由 —— 用户这次明确说了
 * 「为了安全着想」。
 *
 * 做法：提交时把密钥从 `kratos` 里摘出来，单独存到 `yang_writing_secrets`；
 * 表单里永远回显空串，只提示「已保存（末 4 位 xxxx）」。
 * 代价是要多一次 option 读取，可以忽略。
 */
function yang_writing_secret_keys()
{
    return array('w_baidu_key', 'w_youdao_key');
}

/**
 * 读一个已保存的密钥。
 *
 * @param string $id 设置键名
 * @return string
 */
function yang_writing_secret($id)
{
    $all = get_option('yang_writing_secrets', array());
    if (!is_array($all) || !isset($all[$id])) {
        return '';
    }
    return (string) $all[$id];
}

/**
 * 密钥字段提交时拦截：存进独立选项，`kratos` 里只留空串。
 *
 * ── 为什么用 of_sanitize_password 过滤器 ────────────────────
 * 框架对每个字段调 `apply_filters('of_sanitize_' . $type, $value, $option)`，
 * 这是唯一能同时拿到「字段 id」和「新值」又不必改框架的位置。
 * 挂在这个过滤器上，返回值就是最终写进 `kratos` 的东西。
 *
 * ── 空值语义 ────────────────────────────────────────────────
 * 提交空串 = **不修改**（因为表单本来就回显空）。
 * 这一条很关键：若当成"清空"，用户每次保存别的设置都会把 Key 抹掉。
 *
 * @param mixed $value  提交的值
 * @param array $option 字段定义
 * @return string 永远返回空串（真实值已另存）
 */
function yang_writing_capture_secret($value, $option = array())
{
    if (!is_array($option) || empty($option['id'])) {
        return $value;
    }
    $id = $option['id'];
    if (!in_array($id, yang_writing_secret_keys(), true)) {
        return $value;
    }

    $new = is_string($value) ? trim($value) : '';
    if ($new === '') {
        /* 空 ⇒ 不改。库里原有的值原封不动。 */
        return '';
    }

    $all = get_option('yang_writing_secrets', array());
    if (!is_array($all)) {
        $all = array();
    }
    $all[$id] = $new;
    update_option('yang_writing_secrets', $all, false);

    return '';
}
add_filter('of_sanitize_password', 'yang_writing_capture_secret', 10, 2);

/**
 * 某个密钥是否已保存，返回末 4 位用于提示。
 *
 * @param string $id
 * @return string 已保存返回「••••abcd」，未保存返回空串
 */
function yang_writing_secret_hint($id)
{
    $v = yang_writing_secret($id);
    if ($v === '') {
        return '';
    }
    $tail = mb_strlen($v, 'UTF-8') > 4 ? mb_substr($v, -4, 4, 'UTF-8') : '****';
    return '••••' . $tail;
}

/* ══════════════════════════════════════════════════════════════
 * 八、服务商适配层（三个，全部按各家官方签名规范实现）
 * ══════════════════════════════════════════════════════════════ */

/**
 * 服务商清单。后台下拉与校验共用这一份，避免两处漂移。
 *
 * 只收服务器**实测可达**的：Google 翻译返回 000（不可达），
 * LibreTranslate 超时，都已排除 —— 列出来只会让用户白填密钥。
 */
function yang_writing_providers()
{
    return array(
        'mymemory' => array(
            'label'   => __('MyMemory（免费，无需密钥）', 'kratos'),
            'needs'   => false,
            'note'    => __('直接可用，不开通任何账号。每日有免费字符限额，超限会返回错误，届时可换百度。', 'kratos'),
        ),
        'baidu'    => array(
            'label'   => __('百度翻译（国内，需 APPID + 密钥）', 'kratos'),
            'needs'   => true,
            'note'    => __('申请：访问 fanyi-api.baidu.com → 注册登录 → 控制台「管理控制台」→ 开发者信息里可看到 APPID 与密钥。免费版每月 5 万字符。', 'kratos'),
        ),
        'youdao'   => array(
            'label'   => __('有道翻译（国内，需应用 ID + 应用密钥）', 'kratos'),
            'needs'   => true,
            'note'    => __('申请：访问 ai.youdao.com → 注册登录 → 创建应用（选「文本翻译」）→ 应用管理里可看到应用 ID 与应用密钥。', 'kratos'),
        ),
    );
}

/**
 * 翻译一段中文到英文。失败一律返回空串，绝不抛异常。
 *
 * @param string $text 待翻译文本
 * @return string 译文；任何失败路径都返回 ''
 */
function yang_writing_translate($text)
{
    $text = trim((string) $text);
    if ($text === '') {
        return '';
    }
    /* 超长标题截断：翻译接口对长文本要么收费要么直接拒。
       标题超过 200 字本身也不正常。 */
    if (mb_strlen($text, 'UTF-8') > 200) {
        $text = mb_substr($text, 0, 200, 'UTF-8');
    }

    $provider = (string) yang_writing_opt('w_provider', 'mymemory');
    $timeout  = (int) yang_writing_opt('w_timeout', 8);
    if ($timeout < 3 || $timeout > 30) {
        $timeout = 8;
    }

    switch ($provider) {
        case 'baidu':
            $out = yang_writing_tr_baidu($text, $timeout);
            break;
        case 'youdao':
            $out = yang_writing_tr_youdao($text, $timeout);
            break;
        case 'mymemory':
        default:
            $out = yang_writing_tr_mymemory($text, $timeout);
            break;
    }

    $out = trim(preg_replace('/\s+/u', ' ', (string) $out));
    return $out;
}

/** MyMemory：免密钥，GET。返回体里 responseData.translatedText 是译文。 */
function yang_writing_tr_mymemory($text, $timeout)
{
    $url = add_query_arg(array(
        'q'        => rawurlencode($text),
        'langpair' => 'zh-CN|en',
    ), 'https://api.mymemory.translated.net/get');

    $res = wp_remote_get($url, array('timeout' => $timeout));
    if (is_wp_error($res)) {
        return '';
    }
    if (200 !== (int) wp_remote_retrieve_response_code($res)) {
        return '';
    }
    $j = json_decode(wp_remote_retrieve_body($res), true);
    if (!is_array($j) || empty($j['responseData']['translatedText'])) {
        return '';
    }
    /* 限额耗尽时它会在 translatedText 里塞一句英文提示（MYMEMORY WARNING...），
       那种内容不能当译文用。 */
    $t = (string) $j['responseData']['translatedText'];
    if (stripos($t, 'MYMEMORY WARNING') !== false || stripos($t, 'QUOTA') !== false) {
        return '';
    }
    return $t;
}

/**
 * 百度翻译：sign = md5(appid + q + salt + key)。
 * 官方要求 q 原样参与签名，**不能** URL 编码后再算。
 */
function yang_writing_tr_baidu($text, $timeout)
{
    $appid = trim((string) yang_writing_opt('w_baidu_appid', ''));
    $key   = yang_writing_secret('w_baidu_key');
    if ($appid === '' || $key === '') {
        return '';
    }

    $salt = (string) wp_rand(10000, 99999);
    $res  = wp_remote_post('https://fanyi-api.baidu.com/api/trans/vip/translate', array(
        'timeout' => $timeout,
        'body'    => array(
            'q'     => $text,
            'from'  => 'zh',
            'to'    => 'en',
            'appid' => $appid,
            'salt'  => $salt,
            'sign'  => md5($appid . $text . $salt . $key),
        ),
    ));
    if (is_wp_error($res)) {
        return '';
    }
    $j = json_decode(wp_remote_retrieve_body($res), true);
    if (!is_array($j) || !isset($j['trans_result'][0]['dst'])) {
        return '';
    }
    return (string) $j['trans_result'][0]['dst'];
}

/**
 * 有道翻译 v3：sign = sha256(appKey + truncate(q) + salt + curtime + appSecret)。
 * truncate 规则：长度 ≤ 20 用原文，否则取「首 10 字 + 长度 + 末 10 字」。
 */
function yang_writing_tr_youdao($text, $timeout)
{
    $appkey = trim((string) yang_writing_opt('w_youdao_appid', ''));
    $secret = yang_writing_secret('w_youdao_key');
    if ($appkey === '' || $secret === '') {
        return '';
    }

    $salt    = (string) wp_rand(10000, 99999);
    $curtime = (string) time();
    $len     = mb_strlen($text, 'UTF-8');
    $trunc   = $len <= 20
        ? $text
        : (mb_substr($text, 0, 10, 'UTF-8') . $len . mb_substr($text, $len - 10, 10, 'UTF-8'));

    $sign = hash('sha256', $appkey . $trunc . $salt . $curtime . $secret);

    $res = wp_remote_post('https://openapi.youdao.com/api', array(
        'timeout' => $timeout,
        'body'    => array(
            'q'        => $text,
            'from'     => 'zh-CHS',
            'to'       => 'en',
            'appKey'   => $appkey,
            'salt'     => $salt,
            'sign'     => $sign,
            'signType' => 'v3',
            'curtime'  => $curtime,
        ),
    ));
    if (is_wp_error($res)) {
        return '';
    }
    $j = json_decode(wp_remote_retrieve_body($res), true);
    if (!is_array($j) || !isset($j['translation'][0])) {
        return '';
    }
    return (string) $j['translation'][0];
}

/* ══════════════════════════════════════════════════════════════
 * 九、主入口：发布时应用四个引擎
 * ══════════════════════════════════════════════════════════════ */

/**
 * 挂在 transition_post_status 上。
 *
 * ── 为什么用这个钩子而不是 save_post ─────────────────────────
 * 用户的规则是「只在新增时启用，修改都不改变」。save_post 无法区分
 * 「第一次发布」和「已发布文章又改了一次」—— 它两件事都触发。
 * transition_post_status 带 $old_status，一眼就能判断：
 *   旧状态不是 publish、新状态是 publish ⇒ 这就是第一次发布。
 * 已发布文章再次保存时 $old_status === 'publish' ⇒ 直接返回。
 *
 * 顺带解决了自动保存：自动保存不会把状态变成 publish，天然被挡住。
 *
 * @param string  $new_status 新状态
 * @param string  $old_status 旧状态
 * @param WP_Post $post       文章对象
 */
function yang_writing_on_transition($new_status, $old_status, $post)
{
    /* 只在「首次进入 publish」时干活。 */
    if ($new_status !== 'publish' || $old_status === 'publish') {
        return;
    }
    if (!$post instanceof WP_Post) {
        return;
    }
    if ($post->post_type !== 'post') {
        return;
    }
    if (wp_is_post_revision($post->ID) || wp_is_post_autosave($post->ID)) {
        return;
    }
    if (defined('DOING_AUTOSAVE') && DOING_AUTOSAVE) {
        return;
    }
    /* 定时发布（future → publish）也走这里，是正确行为：它在未来某刻
       才真正"第一次发布"。但对**已经有值**的字段仍然不覆盖，所以安全。 */

    /* 幂等：同一篇文章处理过一次就不再碰。
       为什么必须要有：用户可能「发布 → 退回草稿 → 再发布」，
       没有这道锁的话外部 API 会被重复调用几次，
       而且第二次会把第一次的结果当成"已有值"从而跳过 —— 逻辑上没错，
       但白花钱和时间。有锁更干净。 */
    $done = get_post_meta($post->ID, '_yang_writing_done', true);
    if (is_array($done) && !empty($done)) {
        return;
    }

    yang_writing_apply($post);
}

/**
 * 执行四个引擎并把结果写回文章。
 *
 * 每个引擎都包在「先判开关、再判是否为空」里，任何一步失败都不影响
 * 其它步骤 —— 这是「独立引擎」的字面实现。
 *
 * @param WP_Post $post
 */
function yang_writing_apply($post)
{
    $post_id = (int) $post->ID;
    $title   = (string) $post->post_title;
    $html    = (string) $post->post_content;

    $body = yang_writing_html2text($html);
    if (mb_strlen($body, 'UTF-8') < 30) {
        /* 正文太短（少于 30 字）任何引擎都给不出有意义的结果，
           直接不做 —— 也顺手避免把一句话的文章判定成某个分类。 */
        update_post_meta($post_id, '_yang_writing_done', array('skip' => 'short'));
        return;
    }

    $did = array();

    /* ── ① 摘要（最便宜、最安全，先做）──────────────────────── */
    if (yang_writing_on('w_on_excerpt')) {
        $cur = trim((string) $post->post_excerpt);
        if ($cur === '') {
            $ex = yang_writing_make_excerpt($title, $body);
            if ($ex !== '') {
                /* 直接写库而不是 wp_update_post：wp_update_post 会再触发
                   transition_post_status，把自己卷进递归。这里只改一个
                   字段，直写 + 清缓存是最稳的。 */
                yang_writing_update_field($post_id, 'post_excerpt', $ex);
                $did[] = 'excerpt';
            }
        }
    }

    /* ── ② 分类（纯本地，无网络）────────────────────────────── */
    if (yang_writing_on('w_on_category')) {
        if (yang_writing_needs_category($post_id)) {
            $cid = yang_writing_make_category($title, $body);
            if ($cid > 0) {
                /* append=false：这是"替他选一个"，不是"再加一个"。
                   只在文章还挂在默认分类时才走到这里（见上面判断）。 */
                wp_set_post_categories($post_id, array($cid), false);
                $did[] = 'category';
            }
        }
    }

    /* ── ③ 标签 ──────────────────────────────────────────────── */
    if (yang_writing_on('w_on_tag')) {
        /* 🔴 这里必须把两段返回值都接住。make_tags() 返回的是
           array($exist, $new)：
             $exist = 词典（＝标签库）里**已经命中**的标签名
             $new   = 词典之外、值得**新建**的候选词
           3.2.56 及以前写的是 `list($suggest, $_)`，$new 被整个丢掉；
           然后又拿 $suggest 去 get_term_by 做二次分类 —— 而 $suggest 里
           每个词都来自词典、都是已有标签，必然全部命中 ⇒ 「新建」那个
           分支永远进不去 ⇒ 这条功能在真实发布流程里**一次都没生效过**。
           用户提这个需求的初衷就是「如果不能新增，一个新的博客，
           永远无法使用这个功能」，所以这是个真 bug，不是洁癖。

           🔴 #38：第二个参数必须传 **$html（原始正文）**，不能传 $body。
           $body 是 html2text 拍平过的文本，`<pre>`/`<code>` 的边界在它里面
           已经不存在 —— 传 $body 等于代码块剥离整条静默失效，而且**不报任何
           错**（A/B 实测：传 $body 时 `laoyang` 残留 3 处，改传 $html 后归零；
           #5140 的 laoyang 在 <pre> 内出现 5 次、正文 0 次）。
           PHP 不会帮你拦参数语义错误，这条靠 _tag38_check.py 的结构判据守。 */
        list($exist_hits, $new_cands) = yang_writing_make_tags($title, $html);

        $limit = (int) yang_writing_opt('w_tag_new_limit', 3);
        if ($limit < 0) {
            $limit = 0;
        }

        /* 已有标签：复核后占用「总标签数」的名额（不再无上限全收）。
           仍然 get_term_by 复核一遍：词典是缓存出来的，标签可能刚被管理员
           删掉；若直接写名字，wp_set_post_tags 会把它重新建出来 ——
           那就等于偷偷绕过了用户设的新增上限。 */
        $exist = array();
        foreach ($exist_hits as $name) {
            $term = get_term_by('name', $name, 'post_tag');
            if ($term && !is_wp_error($term)) {
                $exist[] = $term->name;
            }
        }

        /* 新标签：先复核再占额度。顺序很关键 —— 万一并发下另一个请求
           刚把同名标签建好，它此刻已属「已有标签」，不该再吃掉一个额度。 */
        $new = array();
        foreach ($new_cands as $name) {
            if (count($new) >= $limit) {
                break;
            }
            if ($name === '' || preg_match('/^\d+$/', (string) $name)) {
                continue;
            }
            $term = get_term_by('name', $name, 'post_tag');
            if ($term && !is_wp_error($term)) {
                $exist[] = $term->name;
                continue;
            }
            $new[] = $name;
        }

        $all = array_values(array_unique(array_merge($exist, $new)));
        if ($all) {
            /* append=true —— 用户手工打的标签**不能删**。
               副作用要说清楚：append=true 意味着总标签数无法硬封顶
               （用户手工打了 10 个、引擎再追加 6 个就是 16 个）。
               这是有意的取舍 —— 删用户的标签比标签偏多严重得多。
               封顶只对**引擎自己产出的部分**生效：exist 与 new 各自受
               YANG_TAG_MAX_EXIST / w_tag_new_limit 约束，不会一次灌太多。 */
            wp_set_post_tags($post_id, $all, true);

            /* 🔴 给引擎新建的标签打标记 —— 这一步才是斩断污染闭环的关键。
               没有它，下一篇文章建词典时（yang_writing_dict 取的是全量标签）
               这些词就会以"权威已有标签"的身份被无脑复用，
               垃圾越滚越多。实测 `passwo`/`任何`/`复杂` 正是这么进的第二篇。

               用 term meta 而不是拿 count 猜：count=1 里既有垃圾（衣服/社会，
               只在举例段落出现一次），也有好词（鸿蒙/日历，在标题里）。
               来源才是可分的那一维，使用次数不是。 */
            foreach ($new as $nm) {
                $t = get_term_by('name', $nm, 'post_tag');
                if ($t && !is_wp_error($t)) {
                    update_term_meta((int) $t->term_id, 'yang_auto', '1');
                }
            }
            $did[] = 'tag';
        }
    }

    /* ── ④ 别名（唯一需要外部翻译的一步，放最后）─────────────
       放最后是有意的：万一翻译接口超时，前面三项已经落库了。
       若放最前，一次超时会让四项全白做。 */
    if (yang_writing_on('w_on_slug')) {
        $cur = (string) get_post_field('post_name', $post_id);
        /* 中文标题下 WP 会生成 `%e4%bf%a1...` 这种 URL 编码串，它不是空、
           但也不是可用的英文 slug。所以判断标准不是"空"，而是
           "不是纯 ASCII" —— 否则永远不会替换掉那串百分号。 */
        if ($cur === '' || !preg_match('/^[a-z0-9\-]+$/', $cur)) {
            $slug = yang_writing_make_slug($title);
            if ($slug !== '' && $slug !== $cur) {
                /* slug 必须唯一，否则 WP 会自己加 -2 后缀造成"看起来没生效"。
                   这里显式判重，冲突时加序号。 */
                $slug = yang_writing_unique_slug($slug, $post_id);
                yang_writing_update_field($post_id, 'post_name', $slug);
                $did[] = 'slug';
            }
        }
    }

    update_post_meta($post_id, '_yang_writing_done', $did ? $did : array('none' => 1));
}

/**
 * 文章是否「还没选过分类」。
 *
 * 判据：只挂在默认分类上（且只有这一个）。
 * 这是 WP 里"用户没动过分类"的标准信号 —— 新文章默认落在
 * get_option('default_category')，用户一旦选了别的就变了。
 */
function yang_writing_needs_category($post_id)
{
    $cats = wp_get_post_categories($post_id);
    if (count($cats) !== 1) {
        return false;
    }
    return (int) $cats[0] === (int) get_option('default_category');
}

/**
 * 直接改一个 post 字段。
 *
 * 不用 wp_update_post 的原因见 yang_writing_apply 里的注释：
 * 它会再触发 transition_post_status / save_post，形成递归。
 * 这里改完必须 clean_post_cache，否则同一请求内 get_post 还是旧值。
 */
function yang_writing_update_field($post_id, $field, $value)
{
    static $allowed = array('post_name', 'post_excerpt');
    if (!in_array($field, $allowed, true)) {
        return false;
    }
    $post_id = (int) $post_id;

    global $wpdb;
    $ok = $wpdb->update($wpdb->posts, array($field => $value), array('ID' => $post_id));

    /* 🔴 必须清缓存。
     *
     * wpdb->update 直接改表，**不经过任何 WP 的缓存失效逻辑**。
     * 而同一次请求里 get_post() / get_post_field() 走 wp_cache_get，
     * 拿到的还是改之前的对象 —— 表现是「写库成功了，但读出来是旧值」。
     *
     * 3.2.57 实测踩到：摘要明明写进去了（直接查库能查到），
     * 但同一请求里 get_post_field('post_excerpt') 返回空串，
     * 端到端判据因此报「摘要 0 字」。若不是当场查了两边，
     * 会误判成"摘要引擎没工作"，去改算法 —— 方向完全错。
     *
     * clean_post_cache() 会清 post 对象缓存；wp_cache_delete 兜底清
     * posts 组（某些持久对象缓存后端下 clean_post_cache 清不干净）。 */
    clean_post_cache($post_id);
    wp_cache_delete($post_id, 'posts');
    wp_cache_delete($post_id, 'post_meta');

    return $ok !== false;
}

/**
 * 保证 slug 唯一。
 *
 * WP 自己的 wp_unique_post_slug 需要 post_type/status 等一串参数，
 * 这里场景单一（post + publish），直接查库更直白。
 */
function yang_writing_unique_slug($slug, $post_id)
{
    global $wpdb;

    $base  = $slug;
    $i     = 2;
    /* 最多试 50 次，超过说明站内有大量同名文章，加时间戳兜底。 */
    while ($i < 50) {
        $exists = $wpdb->get_var($wpdb->prepare(
            "SELECT ID FROM {$wpdb->posts}
             WHERE post_name = %s AND post_type = 'post' AND ID <> %d LIMIT 1",
            $slug,
            $post_id
        ));
        if (!$exists) {
            return $slug;
        }
        $slug = $base . '-' . $i;
        $i++;
    }
    return $base . '-' . time();
}

/* ══════════════════════════════════════════════════════════════
 * 十、注册钩子
 * ══════════════════════════════════════════════════════════════ */

/* 只在有任何一项开关打开时才挂钩子 —— 全部关闭时零开销、零行为。 */
function yang_writing_boot()
{
    $any = false;
    foreach (array('w_on_slug', 'w_on_tag', 'w_on_category', 'w_on_excerpt') as $k) {
        if (yang_writing_on($k)) {
            $any = true;
            break;
        }
    }
    if (!$any) {
        return;
    }
    add_action('transition_post_status', 'yang_writing_on_transition', 20, 3);
}
add_action('init', 'yang_writing_boot', 20);