edu-content/schemas/vocab-1.1.md

词库统一 Schema（vocab-1.1）

vocab-1.1 在原有 vocab 记录上新增 source.source_id 血缘字段（记录级 license 标注模式原样继承，这是现有设计最好的部分）。每行一条 JSON（JSONL），一条记录 = 一个单词条目。

记录级字段

字段	类型	必填	说明
id	string	✅	全局唯一 {cefr缩写}{考试}-{来源}-{序号4位}，如 a2k-vocab-0001
level	string	✅	A2/B1
headword	string	✅	词头
pos	array	✅	词性，如 ["det","adj"]；无则 []
pos_notes	string|null	❌	词性说明
examples	array|null	❌	[{text}]
phrases	array|null	❌	短语
topics	array|null	❌	主题标签
origin	string	✅	来源分类，如 main_list
source	object	✅	溯源 + 血缘（见下）
gloss	object	✅	释义对象（见下）

source 对象（含血缘）

{
  "source_id": "cambridge-official",   // [新增·必填] 指 sources/ 的 source id
  "source_item_id": "a2-key-vocab",    // [新增·可选] 精确到文件
  "file": "assets/vocab/a2-key-vocabulary-list.pdf",
  "url": "https://www.cambridgeenglish.org/Images/506886-a2-key-2020-vocabulary-list.pdf",
  "publisher": "Cambridge English / UCLES",
  "licence": "official-free"           // 记录级 license 标注，原样保留
}

注意：现有 vocab 用 licence（英式）字段名；迁移时保留不改，新增 source_id。licence 取值遵循 ../LICENSES.md 枚举。

gloss 释义对象

{
  "zh": "几个, 少数, 一些",
  "phonetic": "/ə/ 或 /eɪ/",
  "phonetic_source": "..." ,
  "source": "ecdict",
  "licence": "CC-BY-SA-4.0"            // 释义来源 license，记录级标注
}

• zh：中文释义；phonetic：音标；phonetic_source：音标来源；source：释义来源（如 ecdict）；licence：释义 license。
• 若释义为 LLM 生成，source: "llm"、licence: "llm-generated"。

机器校验

../schemas/vocab-1.1.schema.json 为该格式 JSON Schema。tools/lint_structured.py 校验：每条 source.source_id 必须存在于 sources/；词条的对外 license = 词表 source 与 gloss.licence 的最严格者。

词集

word-sets.json：数字/星期/月份等主题词集，引用 vocab 的 id。与 vocab JSONL 同目录。