ISSUE-0115 · 号码+邮件识别对抗批¶
来源¶
15-agent 对抗工作流(Tony 点名「号码有邮件识别的 对抗完善!」): 5 维度(电话正则 / 邮件正则 / phone-merge / 归一层交互 / 端到端一致性)各自 实跑探针找缺陷(共报 20 条),每维度 top-2 交给独立怀疑者先证伪再确认 (10 进 verify:确认 8 / 证伪 2)。
证伪的两条:0049 冠码(ISSUE-0110 F5 已登记 known-limitation 的重复上报)、 slice(0,5) 截断 churn。
🔴 订正(第二轮复核):本文初稿把「slice(0,5) churn」整条写进证伪清单。 那只对该 finding 的原始 headline成立(它声称的「首轮判为独立号的被永久删除」 确被三组对抗探针推翻)。但 opus5 复核实跑证明:本批 ⑧ 的 union 修法自己新开了 一条 slice 丢号路径——那是新问题,不在原 finding 射程内,写成「已证伪」会误导 下一个人以为这一片是安全的。按项目规矩(被实跑推翻的结论不能留在文档里当事实), 在此订正,并已修(见下「第二轮复核」)。
确认并修复的 8 条¶
| # | 严重度 | 缺陷 | 修法 |
|---|---|---|---|
| ① | critical | T2 贪婪捕获把 (1,99 €/Min.) 资费注记 / (24 h) / 纯空格邮编焊进号码,入库 12-15 位变形假号且占 seenDigits 键,真号无法再入库。德语区 0900/0800 资费注记是 PAngV 法定必标 |
addPhone 清洗加两条:未闭合 ( 截断(成对的 (0)/(212) 深度归零不受影响);无 + 且 digits>12 且尾 token 恰 5 位纯数字且截后 ≥8 → 截尾(带 + 的真号分组如 +49 30 123 45678 不触发) |
| ② | medium | tel:+49%20711%20486860 / tel:%2B49-… 三层全部零命中(WordPress esc_url 标准输出) |
TEL_LINK_REGEX 把 %XX 按整体单元纳入(不往字符类加 hex 字母——会吞正文字母),捕获值 decodeURIComponent,失败回退「截到 % 前」= 旧行为逐字节一致 |
| ③ | high | mailto body 里 %20support@x.de 被 Layer1 抓成 20support@x.de 假邮箱入库(发信必退),isEmailLikelyBroken 判 %XX 残留拦不住(剥出来的串不含 %)。ISSUE-0023 同形态复活 |
Layer1 改 matchAll:匹配位置前一字符是 % 且串以两位 hex 开头 → 剥 2 位重过 STRICT |
| ④ | medium | mailto:%20info@x.de:trim 在 decode 之前,decode 出的前导空格没人剥 → 最高置信层整条丢 + Layer1 顶替成污染条,一页双输 |
decode 之后 re-trim |
| ⑤ | medium | web-only 合并串(无标记)回灌被当原始地图号,整批误标 (地图)(ISSUE-0114 isRecycled 判据盲区) |
判据加第二条 OR:splitPhones(mapsRaw).length > 1 —— Maps 的 phone 字段是单号,多号无标记必是上一轮 web-only 合并输出。残余盲区(web 单号回灌 + 本轮新增号 → 单号误标)字符串层无信息可判,仅标注瑕疵不丢号,记档不修 |
| ⑥ | medium | schema.org LocalBusiness 的 "telephone":"+49 …" 三层全够不着(T3 左边界不含引号、T2 被引号打断),email 侧同块照抓——不对称是引号的偶然产物 |
新增 extractJsonLdPhones:结构化锚定(ld+json + JSON.parse 成功 + telephone 字符串值),parse 失败跳过绝不正则兜底;Tier0 伪区间收集(页面末尾之外递增,R2/R3 区间仲裁不误触发、R1 同 key 合并照常) |
| ⑦ | medium | mailto:info@x.de(最经典邮箱混淆)整条丢——标签内白名单只解 + |
extractMailtoEmails 的 toField 窄域实体解码(&→&、@/@/@→@、. 等→.);锚点是字面 mailto: 且 query 已按字面 ? 剥掉,ISSUE-0107 反例(utm 参数实体邮箱)进不了这个函数,实测保持不抓 |
| ⑧ | high | 写入口 detectPrimaryCC(mapsList) ?? detectPrimaryCC(websiteList) 分区检测、地图优先——maps 有唯一 CC 时轮不到看并集,一格 maps=+49、web 含 +33 与法国国内写法时,法国号被按德剥 0 与地图号同 key 被吞 |
🔴 改了两轮,最终未采纳 union —— 详见下「第二轮复核 · ⑧ 的取舍翻转」。当前实现:detectPrimaryCC(mapsList) ?? detectPrimaryCC([...mapsList, ...websiteList])(maps 优先 + 并集兜底),⑧ 本身降级为已知残余 |
证据¶
- 全量 756 + 新增 21 条回归锁全绿
- 9 路变异自测全部精确咬住(红 1-3 条不等),md5 逐路证明变异真改到、还原逐字节一致
- ISSUE-0107 反例、
(0)/(212)成对括号、单国主场景、NANP 混排等对照全部保持原行为
第二轮复核(opus5 深审 + sonnet5 快审,双路 NO-GO)¶
第一轮修完后按分工派了两路独立审查,两路都判 NO-GO,合计 7 条成立(去重后), 全部已修。两路的攻击面高度重叠但互补,交叉验证下来没有一条是构造过度的。
🔴 ⑧ 的取舍翻转(本轮最重要的一条)¶
opus5 F2 与 sonnet5 D 从两个角度打中同一处:union 判据的代价被我低估了。
sonnet5 的实跑最直白:
mergePhonesWithMapsLabel('+49 6152 2460', ['06152 2460', '+1 800 5551234'])
→ "+49 6152 2460 (地图), 06152 2460, +1 800 5551234" ← 同号没合并
web 侧只要混进任何一个带 CC 的噪音号(海外办事处、合作伙伴、WhatsApp 组件默认号、
广告追踪号,三层都可能抓进来),union 就非唯一 → primaryCC=null → 裸号不剥 trunk 0
→ phone-merge.ts 存在的唯一理由(ISSUE-0110:+49 与 06152 同号合并)直接失效。
opus5 F2 补上后半程:这些没合并的重复写法还会占满 5 上限,把真号挤掉(不可逆写库)。
关键认识:⑧ 与这条在字符串层完全同构 —— 都是「裸号剥 0 后与 maps 号撞 key」,
而且两者同格里都有别国的 + 号作证据,连「有没有别国证据」都区分不了。
⇒ 不存在同时解决两者的字符串层判据。只能按触发概率取舍:
| 触发条件 | 常见度 | |
|---|---|---|
| 核心用例(裸号是 maps 号的国内写法) | web 里有任一别国号 | 极常见,且是本功能的存在理由 |
| ⑧(裸号是另一国的号,剥完与 maps 号 national 逐位相同) | 数字逐位撞车 | 巧合 |
⇒ 保 maps 优先,⑧ 降级为已知残余(真正解决要 libphonenumber 级号码合法性校验,
不在本批射程)。tests/…adversarial.test.ts 里有一条断言锁住这个残余的现状 ——
哪天有人真修好了那条会红,提醒同步文档。
其余 6 条¶
| 来源 | 严重度 | 缺陷 | 修法 |
|---|---|---|---|
| opus5 F1 | medium-high | ⑥ JSON-LD 通道零字符集纪律:{"telephone":"Tel: 0711 486860"} 整串入库,且先占住 seenDigits 键让正文里那条干净号被当重复丢掉 —— 本批 ① 的立项理由在新通道上原样复活 |
LD 值必须过与三层同一套字符集 ^\+?[\d\s\-()./]{7,30}$ 再入列 |
| opus5 F2 | medium-high | ⑧ union 叠加 slice(0,5) 的新增丢号路径(上述) |
仅在真要截断时按宽 key(末 8 位 digits)折叠同号的重复写法,保证被切掉的优先是重复写法。候选 ≤5 时一行不动 |
| opus5 F4 / sonnet5 A | medium-high | ① 未闭合 ( 截断缺护栏:tel:(0711 486860 截完只剩残片、digits<8 整条湮灭;+1 (212 555-0100 这类缺右括号的结构性区号被截掉国家码(T3 捞回残片纯属巧合,关掉 T3 就整条消失)。同批的邮编判据有 keptDigits>=8 护栏,括号判据漏了 = 内部不一致 |
截断后 digits<8 则整段回退原 norm |
| opus5 F3 | medium | ① 邮编判据把「号码 + 空格分机」截成错号:Tel: 07161 388 12345 → 07161 388,8 位数字本身就是个像样的德国号、过得了所有门槛 ⇒ 静默产出能拨但拨错的号,比留焊接串更难发现 |
加上下文锚点:邮编的真实特征是「5 位数字后紧跟城市名」,分机号后面不会跟字母 |
| opus5 F5 | low-medium | ③ 剥 2 位失败时 continue 丢条:Rabatt 50%ab@shop.de 里 ab 是本地部真实开头,剥掉不合法就该回退,不是丢弃 |
假设被证伪时回退原串 |
| opus5 F6 | low-medium | ② decodeURIComponent 输出绕过了每层都有的字符集纪律:tel:%2B49711486860%2C123(DTMF 逗号,esc_url 标准形态)解出元素内含逗号的串,打破 splitPhones/join(', ') 依赖的「一个元素一个号」契约;%3B 更会让下游静默吞号 |
decode 后回验字符集,不过退回 |
| sonnet5 E1 | medium | ⑥ 漏采 schema.org 多值形态 {"telephone":["…","…"]} —— walk 进数组后丢失「来自 telephone 字段」的上下文,整块静默丢失 |
Array.isArray(v) 分支 |
两路都证伪的(不修)¶
- ⑦ 实体解码打乱
split(','):,不在白名单,mailto:a,b@x.de新旧都返回[]; 三重编码&amp;#64;只解一层、够不着后续规则,安全放弃;解出双@被 STRICT 拒绝。 - ⑤ 的「Maps phone 字段是单号」判据:opus5 去代码里找反证没找到 ——
MapTaskData.phone只有两个写入方(parse-data.ts:56取[0]单值、scraper-executor.ts的 merge 回写),cloud-sync-*只碰 contact-pool 的phones[]数组。判据闭合。 - sonnet5 B(邮编误伤 IT/BR/SE 分组):四个点名国家在「>12 位且尾恰 5 位」这个最窄判据下 都没落进误伤区间。唯一命中的分机号形态已由 opus5 F3 的城市名锚点解决。
过程里抓回来的第三个自己的错¶
⑧b 那条回归测试第一版是假闸:用例写成 maps='+49 …',而 maps 优先修法下三对写法
被正常合并成 4 个候选、根本不到 5 上限,宽 key 去重不触发 ⇒ 去掉被测代码测试照样全绿。
第二轮变异自测(N8)把它抓了出来,改成 maps='' + 多国才凑齐触发条件。
教训与铁律 17 同源但换了个形态:上次是「变异打偏没改到文件」,这次是
「用例构造不到被测代码的触发条件」—— 两者都表现为「变异后全绿」,
都只能靠变异自测发现,靠读代码看不出来。
第二轮验证¶
全量 786 全绿;8 路变异自测全部咬住(N1-N8,md5 逐路证明变异真改到、还原逐字节一致)。
真实语料上的净效果(36 页企业语料实跑)¶
构造用例之外,在 tests/corpus-ent/pages 的 36 页真实企业页面上跑了一遍:
| 指标 | 结果 |
|---|---|
| 电话总数 / 邮箱总数 | 114 / 82 |
| JSON-LD 通道命中 | 4 页、共 10 个 telephone —— 修⑥是真实净增益,不是构造出来的场景 |
未闭合括号残尾(( 或 (数字 结尾) |
0 处 —— 修①在真实语料上的直接证据 |
| 单页号码数异常(>8) | 1 页(orlen.pl 17 个)。已归因:全是格式正确的 +48 波兰号, |
该页 jsonld=[]、tel: 链接数 0 ⇒ 与本批改动无关,是页面本身的分支联系人列表 |
已知残余(记档不修)¶
- ⑧ 跨国裸号撞车(第二轮翻转后的取舍,上述)—— 有回归测试锁住现状
- ① 邮编判据只治 DE 5 位 + digits>12 那一档:
Tel 040 1234 20095 Hamburg(12 位, 不过门槛)与瑞士/奥地利的 4 位 PLZ(044 123 45 67 8001 Zuerich)都不覆盖,焊接残留 - ⑥ 不接受数字型
telephone({"telephone":4930123456}):schema.org 定义是 Text, 数字型已丢失+与前导 0,无法还原成可拨号 —— 宁可不抓 - ① 括号截断跑在斜杠拆分之前(opus5 F7):
Tel: 030 12345 (0/0711 486860会吃掉 列表后半。触发要「未闭合括号 + 同捕获窗口内还有斜杠列表」,构造不出更自然的形态; 挪到拆分之后会改变digits参与拆分决策的取值,有回归面,不在本批顺手做 - ⑤ 的单号盲区(下述,标注瑕疵级)
- 正文裸
%40代@(info%40x.de无字面 @):EMAIL_REGEX 本就匹配不到,对抗审未报,不扩范围 - 全 href 实体化的 obfuscator(连
mailto:前缀都编码):白名单设计下解字母 = 伪造 tel:, 结构上修不了(verify 方结论一致)
证据边界¶
全部验证在 vitest 上完成;「Maps phone 字段是单号」这一判据依据的是地图采集写入路径的 代码结构,未对 2 万+ 存量行做全量扫描证实无多号地图串。