edu-content/sources/SCHEMA.md

sources/ — L1 资源清单（全库唯一锚点）

sources/ 回答：数据从哪来、什么 license、原始文件在 OSS 哪里。任何原始文件（PDF/ZIP/MP3/原始 JSON）进 OSS 前，必须在此先登记。

文件组织

• 一个 YAML 文件 = 一个域，内含多条 source。
• 域分三类目录：china/（国内课内 + 开源数据集）、exams/（考试来源）、internal/（自制无来源课件）。
• 文件名用 kebab-case，如 cepoc.yaml、cambridge-official.yaml、smartedu.yaml。

两级结构

source（引用单位，血缘根 id）
  └─ items[]（具体文件 = OSS 对象）

• L3 结构化记录引用 source_id（必填）+ 可选 source_item_id（精确到文件）。
• internal 类 source：url: null，license: internal-only，oss_key 指向归档对象。

字段（详见 source.schema.json）

字段	必填	说明
id	✅	全局唯一 kebab-case，血缘链根 id
title	✅	人类可读
publisher	✅	发布方
type	✅	dataset/website/book/internal/tool
url	⚠️	internal 可 null
license	✅	见 ../LICENSES.md 枚举
license_note	❌	许可说明（如"研究/教育用途"）
fetch_method	❌	curl/git-clone/manual-download/manual-export/generated
status	✅	planned→fetching→fetched/failed；archived 保留合规记录
fetched_at	❌	下载日期 YYYY-MM-DD
items[]	❌	具体文件，每项含 id/title/oss_key/sha256/size/media_type/fetch_date

items[].oss_key 在 fetched 后必填；sha256/size 由 tools/oss_sync.py 上传时自动回填。

示例

sources:
  - id: cepoc
    title: CEPOC 剑桥机读完形题库
    publisher: Cambridge ALTA, University of Cambridge
    type: dataset
    url: https://github.com/CambridgeALTA/cepoc
    license: cc-nc-education
    license_note: "研究/教育用途，非商业（见仓库 licence.txt）"
    fetch_method: git-clone
    status: fetched
    fetched_at: "2026-08-21"
    items:
      - id: cepoc-ket-json
        title: KET.json（6套68空）
        oss_key: edu-raw/exams/ket/questions/cepoc/KET.json
        sha256: "a1b2c3..."   # oss_sync.py 自动回填
        size: 12345
        media_type: application/json
        fetch_date: "2026-08-21"
        status: fetched

状态生命周期

planned（调研发现，未下载）→ fetching → fetched/failed。调研报告迁移时大量条目初始为 planned。unknown 状态超过 30 天 lint 报 warning。