Parseurs :
- blocs_claim : les quatre dialectes des rapports de dimension. Le cahier des
charges en postulait un seul ; sans les quatre, dim05 à dim12 étaient perdus,
soit les dimensions associations, entreprises, migration et calendrier.
- notes_bas_page : 258 notes, dont 104 sans URL. Les identifiants JORFTEXT
donnent lieu à une URL canonique reconstruite (schéma fixe, rien d'inventé) ;
les autres restent sans lien plutôt que d'être devinées.
- bibliographie : 481 références, toutes liées. Indexées par numéro de loi,
par affaire DC et par cote de document parlementaire — cette dernière étant
la seule identité d'un texte déposé et non examiné.
- chapitres : rattachement phrase par phrase, résumés repris tels quels.
Résolution des citations : 100 % des 332 marqueurs du rapport, 93 % avec un
lien vérifiable. Il a fallu six conventions de numérotation, une par famille de
dimension (marqueur de fin, en-tête de claim, section, rang, note, section.rang).
Trois pièges corrigés, tous couverts par des tests :
- « décision n° 2026-903 DC » lu comme une loi, ce qui volait à la loi 2026-403
les phrases — et donc les sources — qui parlaient d'elle
- retrait des marqueurs laissant « … dans les DROM . » ; corrigé à la source
sans toucher aux espaces avant « ; » et « » » qu'exige le français
- « programmation militaire 2024-2030 » lu comme la loi n° 2024-2030
make seed : 52 textes, 368 sources, 83 événements, 12 affaires CC, 7 analyses.
Zéro texte sans source URL (critère §8.2). Les 2 textes sans résumé et les 17
pertinences déduites sont marqués « à vérifier » avec leur motif.
99 tests.
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
Briques réutilisables :
- dates_fr : lit les formes réelles du corpus (« 23 avr. 2026 (JO 24 avr.) »,
« 1er juill. », « 24.07.2026 ») et distingue une date exacte d'une échéance
prévisionnelle (« Fin août 2026 » → situé au 25, libellé conservé, jamais
présenté comme un fait)
- markdown : découpage des tableaux (barres échappées, lignes courtes),
nettoyage, extraction des marqueurs [^dim07-24^] / [^phase5-3.1^]
Parseur sec10 :
- 27 lois promulguées + 21 lignes simples + 2 lignes éclatées en 4 textes = 52
- éclatement justifié : les lignes « accords Kazakhstan et Colombie » et
« MACF » décrivent chacune deux textes de statuts différents
- migration 002 : regime_libertes stocké à part, faute de savoir quel public
la cotation globale du rapport vise — dérouler « droits+ » sur les trois
publics aurait inventé une ventilation absente de la source
- migration 003 : la facette « devant le CC » couvre aussi les saisines sans
numéro d'affaire (programmation militaire), sinon 6 textes au lieu de 7
Trois pièges du corpus, corrigés et couverts par des tests :
- « eau » matchait comme sous-chaîne dans réseaux / drapeau / Retailleau
- une décision citée sans saisine créait une fausse saisine (loi Philippine)
- la date de saisine était pêchée dans la colonne « échéance », datant la
saisine de l'aide à mourir du mois suivant
72 tests, 90 % de couverture sur pipeline/.
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
- pyproject/uv sur Python 3.12, dépendances épinglées
- migrations versionnées (PRAGMA user_version) ; 001_initial pose textes,
sources, evenements, decisions_cc, insights, veille_log, veille_changements
- index FTS5 à contenu externe, tokenizer unicode61 remove_diacritics 2 :
« chlordecone » retrouve « chlordécone », highlight() disponible
- vue v_textes : devant_cc combine le statut et les affaires CC en instance,
ce qui réconcilie le §7 (Riposte reste adoptee_non_promulguee) et le §8.7
(la facette saisie_cc doit remonter ≥ 7 textes)
- modèles pydantic refusant les incohérences de statut : promulguée sans
numéro, navette avec numéro officiel, slug malformé
- Makefile, .env.example, journalisation structlog
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
Commit initial de l'existant avant toute modification (règle transverse du
playbook OKI). data/input/ est en lecture seule pour toute la suite du projet.
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
Cyber MawonajandClaude Opus 5