跳转至

噪音判据误杀真电话 —— 同形串上的赌注

🔴 Tony 2026-09-01 截图暴露。判据在删用户的真号码。

症状

0711 486860(斯图加特,区号 0711 + 号码 486860)被判为噪音丢弃。

根因:两个串在字符串层完全同形

0711 486860     真电话(区号 + 号码)
07157 56840     坐标残片

两者都是「两个 ≥4 位纯整数 token」。第三轮判据里有一条规则专拦这个形态, 于是拦住噪音的同时也删掉了真号码。

⇒ 没有任何字符串特征能分开它们。 这条规则本质是在赌哪种更常见。

赌错的代价不对称

赌错方向 后果
当噪音删 用户永久失去真号码,不可逆,且用户不知道自己丢了什么
当电话留 列表里多一条脏数据,用户看得见、可手动删

⇒ 止血选择:删掉那条规则。宁可漏一条噪音,不可删一个真号码。

止血措施(2026-09-01 已做)

删除 src/utils/scraper.ts 里「2 个 ≥4 位纯整数 ⇒ 噪音」的规则。

🔴 主控对止血代价的最初记录不实,已订正: 当时写「只漏 1 条」,并只在 fixture 里记了 07157 56840。 对抗审查指出这会误导——删掉该规则后留下的是一个开放集合:

形态 为什么漏
任意 token 数的纯整数残片(0 71 6490 97 91、71 6490 97) 基元 A 要求至少一个小数 token,全整数串 floats=0 直接放行
单 token 多点串(07.09.2026、10.000.000、1.468.617) 内部只有点号无空格逗号,切不出 2 个 token,连判据入口都进不去

tests/fixtures-coord-noise.json 的 KNOWN_MISS_ambiguous 已由 1 条补到 6 条,并在 _known_miss_reason 里写明这是代表样本不是穷举。

⇒ 止血的方向仍然正确(删错不可逆 > 漏判可手删),但代价比最初记录的大。

该条已从 MUST_DROP_real_noise 移入 KNOWN_MISS_ambiguous, 测试断言它当前确实漏判,而不是假装拦得住 —— 哪天有人真解决了,那个测试会变红,届时应把它移回 MUST_DROP 并删除该块, 而不是改断言。

这是同一堵墙的第三次

版本 判据 翻车
v0.10.118 点号计数 误杀欧洲点分隔电话(ISSUE-0089)
v0.10.125 值域基元 漏判超范围坐标(ISSUE-0097)
2026-09-01 数值残片结构 又漏(德式千分位、日期)又误杀(本 issue)

三轮都是拿一个规则去判一个开放集合,都在新形态上翻车。 按本仓规则「同类缺陷反复出现 = 基元选错,换方案别修第 N 轮」, 不应再打第四个补丁。

根治方向(对抗设计中)

字符串层找不到分界线,但来源不同:

  • tel: 链接、上下文关键词(phone/tel/电话…)⇒ 网站主动声明的,可信
  • 自由文本正则 ⇒ 从页面正文猜出来的,噪音源头

⇒ 在抓取阶段就带上 provenance,下游按来源决定信任度, 而不是事后从字符串回头猜。

✅ 三路对抗已完成(2026-09-01)—— 主控倾向的方案被证伪

结论:来源分离与结构判据都解决不了这个碰撞,且各自的 TRACE 自证了这一点。

为什么来源分离无效(主控原本倾向的方案)

主控假设「tel: 链接与上下文关键词 = 网站主动声明 = 可信;自由文本正则 = 猜的」。 实测把三层正则原样跑一遍:

样本 性质 T1 tel: T2 上下文 T3 自由文本
0711 486860 真电话(被误杀的那条) ✓ ✓ ✗
07157 56840 坐标残片 ✓ ✓ ✗

两者 tier 完全相同 ⇒ 按来源分不开。主控已独立复跑确认。

而且「T1/T2 可信」这个假设本身被正则字符集证伪: [\d\s\-().]{7,20} / {7,25} 对捕获内容没有任何结构约束, 唯一门槛是「出现在 tel: 或关键词旁边」。把 tier 当放行开关, 等于在赌「关键词附近不会出现噪音形态的数字串」—— 这正是本仓前三轮翻车的同一个失败模式:假设一个不变量,被真实数据证伪。

为什么结构判据也无效

攻击方压力测试证伪了它自己提的三个候选规则: 其中一条撞英国号码 020 7946 0018(无 + 前缀的国际格式), 另一条撞 3-3-3 分组号码。新增的假阳性都是静默不可逆删除, 比现在的漏判更危险。

打分制是唯一能处理的,但代价明确

三家一致:只有「不硬删、标可疑、用户可见可否决」能在这对同形串上给出可逆的处理。 但压力测试显示假阳性率高——16 条构造样本里 12 条被标可疑, 而「区号 + 号码」是全球最常见的电话书写法。 ⇒ 可疑标记会变成噪音本身,这个取舍要 Tony 定。

另一个独立问题:dry-run 扫错了表

同批截图还暴露:contact-pool-cleanup-dryrun 报 scanned:3433 cleaned:0, 但界面上明明有噪音。原因是两张表:

表 内容 dry-run 扫了吗
ContactPool 跨任务共享池,phones 数组 ✅ 扫了(确实干净)
MapTaskData 商家行的 phone 字段,界面「手机列表」的来源 ❌ 没扫

⇒ dry-run 报 0 是诚实的,只是回答了另一个问题。需扩展到 MapTaskData。


✅ 2026-09-01 补修:带点的噪音已能拦(基元 C)

Tony 指出「带点的明显有问题」——这个判断是对的,而我此前收在「现状最优」是错的。

我漏掉的不是权衡,是一种形态

07.09.2026、10.000.000 这类串连判据入口都进不去: 分隔符只切逗号和空格、不切点号,整串算 1 个 token, 而判据开头就是 if (tokens.length < 2) return false。

这是漏了一种输入形态,不是取舍。

分界线:段数 + 总位数(20 条真实样本实测零错判)

点分隔串像电话  ⟺  段数 >= 4  或  (段数 == 3 且总位数 >= 10)
类别 段长模式 总位数
日期 07.09.2026 2-2-4 8
德式千分位 10.000.000 / 1.468.617 2-3-3 / 1-3-3 8 / 7
坐标残片 1.5977 1-4 5
法国 01.42.68.53.00 2-2-2-2-2 10
比利时 02.345.67.89 2-3-2-2 9
瑞士 044.123.45.67 3-3-2-2 10
美国 212.555.0100 3-3-4 10

本质:真电话至少 9-10 位有效数字且分段多;日期/千分位/坐标残片位数不足或段数不够。

实现要点

抽出共用函数 dottedLooksLikePhone(token),两处用它:

  1. 基元 C(新增):单 token 的点分隔纯数值串 ⇒ 不像电话就判噪音
  2. 基元 A(补强):多点 token(1.468.617)既不匹配 FLOAT_TOKEN_RE 也不匹配 INT_TOKEN_RE,会让「全部 token 都是纯数值」不成立而整串放行 ⇒ 用同一函数识别它为数值残片

效果

项 结果
必拦样本(22+5+5 条) 全拦
必留样本(19+9 条) 全留
27 个真实电话回归 零误杀
单元测试 126 全绿

KNOWN_MISS_ambiguous 由 6 条降到 3 条,且带点的全部移回了 MUST_DROP。

测试按当初的约定处理,没有改断言迁就实现

止血时我在测试里写过:「哪天有人真解决了,这个测试会红, 那时应该把它移回 MUST_DROP 并删掉本块,而不是改断言」。 本次三条带点样本被拦住后测试确实变红,照约定移回,未改断言。

baseline 测试里三条单点小数(0.5、11.59、123.4567)的断言也随之翻转, 并在注释里写明这是第三次翻转及三段历史,避免后人误以为反复无常。

剩下的 3 条仍无解,但性质清楚

全是纯整数残片(07157 56840、0 71 6490 97 91、71 6490 97), 与真电话 0711 486860 字符串结构完全同形。 三路对抗已证明来源分离与结构判据都分不开。 这部分维持现状(宁可漏判不可误删),根治需改变问题形态。


🔴 白名单模式对抗(2026-09-01,Tony 提出方向)

Tony 提出:现在是黑名单(判「像不像噪音」),应改白名单(判「像不像电话」)。 理由成立——黑名单要穷举无穷的噪音形态,白名单只需穷举有限的电话写法。

三路对抗结论:方向对,但这条路在本仓已经走到头了。

① 字符集白名单:边际贡献实测为 0

主控独立复跑,32 条必拦样本四象限:

数量
现判据与字符集都能拦 11
仅现判据能拦 21
仅字符集能拦 0
都漏 0

⇒ 字符集白名单是现有结构判据的真子集,落地不会移动任何一个已跟踪指标。 (能拦的 11 条:en dash 先被 DASH_LIKE_RE 折叠、逗号本就在 SPLIT_RE 里、 z 尾被 ZOOM_SUFFIX_RE 切掉,随后都触发基元 A。)

真电话侧误杀 0 条 —— 安全,但也没用。

② 而且它有一个真实的反作用

攻击方坐实(主控已复现):字符集白名单会静默吃掉用户自定义正则抓到的号码。

1-800-FLOWERS              字符集放行 = false  ← 美国黄页助记号码
+1 (800) 356-9377 ext. 5   字符集放行 = false  ← 带分机的客服号

内置三层正则的捕获组是 [\d\s\-().],本来就抓不到含字母的串。 但 phoneRegex 是真实产品功能(src/utils/scraper.ts:396,设置页可配)—— 用户自己配正则要抓的东西,会被这道新增的墙在用户不知情的情况下丢掉。

⇒ 「零边际收益 + 一个真实的用户可见反作用」,不该落地。

③ 格式模式白名单:误杀率高到不可接受

攻击方用真实国际格式压测:v1 版本对 UK/AU/斜杠/无前导零 9 条误杀 6 条; 收窄后误杀降到 0,但必拦样本反噬到 11/32 漏判。2×2 组合矩阵四格全部不优于现状。

根因是白名单的方向性风险:默认动作从「放行」翻成「丢弃」。 黑名单没见过的形态会放行(脏数据可手删),白名单没见过的合法格式会丢弃(不可逆)。 项目支持 250 个国家,而实测样本几乎只有德国。

④ 字符串层的三个信息维度已经穷举完

维度 结论 证据
来源(tel:/关键词/自由文本) 分不开 0711 486860 与 07157 56840 三层 tier 完全相同
结构(段数/位数/token 形态) 分不开 两者都是「两个 ≥4 位纯整数」
字符集 分不开 两者都只含数字与空格

⇒ 在字符串这一层,这对同形串没有任何可用的区分信息。 不该再等第五个字符串层的路线来试。

一个有价值的副产品:斜杠格式今天完全抓不到

德国名片常见的 0711/486860、089 / 12 34 56 写法, 三层内置正则都不含 /(scraper.ts:303-306),今天一条都抓不到。 这不是判据问题,是抓取覆盖缺口,独立于本 issue。 已知 docs/specs/active/SPEC-010-current-defect-triage.md:171 的 P1-05 记录了 Tier3 分隔符类不含括号,/ 属同类问题。

⇒ 建议单独立项:扩抓取正则的分隔符集(这是漏抓真号码,比噪音更值钱)。