---
status: published
published_as: 公众号文章/2026-03-08_给史记装上语法高亮.md
platforms: [01fish]
published_date: 2026-03-08
---

# 史记语法高亮的创造过程：人与AI协作的古籍数字化实验

> 记录2026年1月22日至2月10日，与Claude Code协作构建《史记》语法高亮系统的完整过程。

---

## 目录

1. [缘起：一个大胆的想法](#1-缘起一个大胆的想法)
2. [第一天：从零到一的爆发（1月22日）](#2-第一天从零到一的爆发1月22日)
3. [第二天：精雕细琢（1月23日）](#3-第二天精雕细琢1月23日)
4. [规模化生产（2月6日-8日）](#4-规模化生产2月6日-8日)
5. [深度完善（2月9日-10日）](#5-深度完善2月9日-10日)
6. [设计哲学](#6-设计哲学)
7. [技术架构全貌](#7-技术架构全貌)
8. [反思与感悟](#8-反思与感悟)

---

## 1. 缘起：一个大胆的想法

这个项目的前身可以追溯到2025年2月。最初的尝试是手工编写RDF/TTL知识图谱——从高祖本纪的两个小节开始，手动创建本体定义文件`ontology.ttl`。这种纯手工方式虽然严谨，但进展极其缓慢：130篇、52万字的《史记》，靠人工标注恐怕要数年之功。

到了2026年1月，AI的能力已经发展到了一个关键拐点。Claude Code这样的AI编程助手不仅能理解古文语义，还能直接编写代码、操作文件系统。一个念头浮现出来：

**能不能让AI像IDE给代码加语法高亮一样，给古文也加上"语法高亮"？**

---

## 2. 第一天：从零到一的爆发（1月22日）

### 2.1 第一个提示词（08:47）

2026年1月22日上午，第一条指令发出：

> "请对人名、地名、书名、年号、纪年、官职这些命题实体识别出来，用下划线、黑体、颜色等视觉辅助方法辅助阅读，用markdown能够支持的视觉能力。如果markdown能接受的html扩展也可以用。先实验001章。之前的转化逻辑在史记Markdown转化逻辑.md"

这条指令包含了几个关键信息：
- **目标**：命名实体识别（NER）+ 视觉辅助阅读
- **方法**：利用Markdown和HTML扩展
- **范围**：先从第一章《五帝本纪》开始实验
- **约束**：遵循已有的转化逻辑文档

Claude立刻开始工作，在《五帝本纪》的文本中识别出人名、地名、官职等实体，并尝试用HTML `<span>` 标签配合内联样式进行标注。

### 2.2 第一次颜色方案确定（09:07）

看到初步效果后，我对样式做了具体调整：

> - 人名：brown + underline（去掉bold）
> - 地名：deep yellow + underline
> - 官职：deep red
> - 时间：cyan
> - 请找出其他实体类型

这次反馈确立了一个重要原则：**每种实体类型用不同的颜色和视觉样式区分**。Claude在此基础上扩展，最终形成了11类实体的完整分类体系。

### 2.3 人工纠错的价值（09:14）

> "岳" 在"岳曰"中是人名

这是一个典型的人工纠错案例。古文中"四岳"既可指官职（四方诸侯之长），也可指具体人物。AI识别出了这个词，但判断错了类型。这个纠正帮助Claude理解了古文中人名的复杂性——同一个字在不同上下文中可能有不同的语义角色。

### 2.4 标记体系的设计革命（09:51）

处理到第二章时，我意识到一个根本问题：

> "原始文件的语义结构变得难以阅读了。需要更可读的标记……文档应该保留最小的语义标签，样式/渲染应该由一个单独的渲染函数或CSS来完成。"

这条指令触发了一个关键的架构转型——从内联样式的HTML标注，转向**内容与样式分离**的设计：

**之前**（内联HTML样式）：
```html
<span style="color: #8B4513; text-decoration: underline;">黄帝</span>
```

**之后**（轻量Token标记）：
```markdown
@黄帝@居=轩辕之丘=，娶於&西陵&之女。
```

这个设计突破至关重要。Token标记系统的好处是：
1. **人类可读**：标记符号简短，不影响阅读原文
2. **机器可处理**：正则表达式即可完成Token到HTML的转换
3. **内容与样式分离**：样式由CSS统一控制，修改样式不需要修改内容
4. **最小侵入**：保留原文字符，标注只是"包裹"

这一天诞生了11种Token标记符号的完整映射表：

| 标记符号 | 实体类型 | CSS类名 | 颜色 |
|---------|---------|---------|------|
| `@人名@` | 人名 | `.person` | #8B4513 棕色 |
| `=地名=` | 地名 | `.place` | #B8860B 金黄 |
| `$官职$` | 官职 | `.official` | #8B0000 深红 |
| `%时间%` | 时间 | `.time` | #008B8B 青色 |
| `&朝代&` | 朝代/氏族 | `.dynasty` | #9370DB 紫色 |
| `^制度^` | 制度/典章 | `.institution` | #4682B4 钢蓝 |
| `~族群~` | 族群/部落 | `.tribe` | #2F4F4F 深灰 |
| `*器物*` | 器物/书名 | `.artifact` | #CD853F 秘鲁棕 |
| `!天文!` | 天文/历法 | `.astronomy` | #483D8B 深蓝紫 |
| `?神话?` | 神话/传说 | `.mythical` | #8B008B 深洋红 |
| `〖+生物〗` | 生物 | `.biology` | #228B22 森林绿 |

### 2.5 并行处理多章节（16:05-19:42）

确立了标记体系后，工作转入实际标注：

- **Session 636e2ea3**（16:05-18:00）：为第002章《夏本纪》标注实体，同时开发`tag_002_entities.py`辅助脚本
- **Session d26fe3a7**（18:01-18:53）：处理过程中遇到Git错误，同时搜索语法高亮、对话渲染、HTML渲染相关的文件，为系统化设计做准备
- **Session 345ccd58**（18:54-19:42）：处理第004章《周本纪》。这里引入了**段落长度控制**的概念——检查超过150字符的叙事段落并进行拆分

**段落拆分请求的原文**：

> "检查 chapter_md/001_五帝本纪.simple.md 文件，找出所有超过150字符的叙事段落（不包括NOTE块内的内容）。对于每个超长段落，报告：1. 段落编号 2. 字符数 3. 是否需要拆分"

这个请求被同时派发给三个章节（001、002、003），体现了**并行子任务分发**的工作模式。

### 2.6 文档化标记逻辑（19:43-20:11）

> [打开 doc/methodology/史记Markdown转化逻辑.md]

在这个session中，将前面摸索出的所有规则整理成了正式的技术文档——《史记Markdown转化逻辑.md》。这份文档后来成为整个项目的"宪法"，包含：

- 完整处理流程（4个步骤）
- 层级结构规范
- 实体高亮与语义化标记的Token约定
- 对话引号的自动识别规则
- 段落长度控制原则
- 基于大模型的实体识别方法论

### 2.7 格式转换工具（20:42-次日03:37）

> [打开 tools/convert_spans_to_simple.py]

这个深夜session开发了`convert_spans_to_simple.py`——将之前已经用内联HTML样式标注的文件，批量转换为新的Token标记格式。这是一个承前启后的关键工具，确保早期工作成果不被浪费。

---

## 3. 第二天：精雕细琢（1月23日）

### 3.1 凌晨的密集提交

1月23日凌晨，一连串的git commit记录了一系列快速迭代：

| 时间 | Commit | 内容 |
|------|--------|------|
| 00:47 | `24277b5` | 修复NOTE和地名标记 |
| 01:56 | `902d7cd` | 诗歌（赞）按行排版 |
| 02:13 | `7f9f630` | **对话引号语法高亮：斜体+网纹阴影** |
| 02:25 | `f90463a` | 对话拆分规则和辅助工具 |
| 02:28 | `16504e7` | 修复：保留对话引号在HTML渲染中 |
| 02:32 | `4f75414` | 重新渲染002和003章节 |
| 03:27 | `35bd834` | 对话内容：淡底色+下划线 |
| 04:08 | `39ca166` | 长段落划分逻辑和段落编号逻辑 |
| 04:17 | `61da0e2` | 文件重命名：simple.md → tagged.md |

这些commit中，`7f9f630`（对话引号语法高亮）特别值得一提。古文中大量内容是对话，如"尧曰：'谁可顺此事？'"。为对话设计专门的视觉样式，是提升阅读体验的关键一步。

最终的对话样式设计体现了"克制优雅"的美学：

```css
.quoted {
    font-style: italic;                          /* 斜体区分对话与叙述 */
    background-color: rgba(139, 69, 19, 0.03);   /* 极淡褐色底色 */
    border-bottom: 1px dashed rgba(139, 69, 19, 0.3); /* 褐色虚线边界 */
    padding: 0 2px;
}
```

### 3.2 段落编号系统：致敬Doug Engelbart（05:03-13:39）

| 时间 | Commit | 内容 |
|------|--------|------|
| 05:03 | `245904c` | 段落序号渲染为小黄框，实体类型mouseover提示 |
| 12:38 | `baa5a63` | 改善列表渲染 |
| 12:52 | `6fdda1b` | **Purple Number致敬** |
| 13:39 | `15b6870` | 段落号码可点击，hash URL可分享 |

**Purple Numbers**（紫色编号）是对计算机先驱Doug Engelbart的致敬。Engelbart在1960年代提出了"增强人类智力"的愿景，其中包括给文档的每个段落分配永久、唯一的编号，使得精确引用和知识链接成为可能。

在本项目中，每个段落都有一个可点击的编号锚点：
```html
<a href="#pn-1" id="pn-1" class="para-num" title="点击复制链接">1</a>
```

最初设计为紫色背景（致敬Purple Numbers），后改为淡米色小框，视觉更柔和：
```css
.para-num {
    background-color: #FFF8E1;  /* 淡米色 */
    color: #6D4C41;             /* 深棕色 */
    font-size: 0.85em;
    border-radius: 3px;
    cursor: pointer;
}
```

### 3.3 增加生物实体和完整流程（14:09-17:52）

| 时间 | Commit | 内容 |
|------|--------|------|
| 14:09 | `7085ff1` | 添加章节跳转链接和原文链接 |
| 14:42 | `8455e42` | 修复发布页面的链接 |
| 15:33 | `f94b395` | **增加生物实体（第11类）** |
| 17:52 | `73c7aed` | 明确完整处理流程，处理005秦本纪 |

生物实体的加入让分类体系从10类扩展到11类。使用emoji `〖+〗` 作为标记符号，是因为ASCII特殊字符已经用完了——这也是一个有趣的工程决策。

标注规则也非常讲究：
- 标记名词性的生物：`〖+柳〗`、`〖+马〗`
- 不标记动词用法：`蚕食`中的"蚕"不标记
- 不标记比喻用法：`龙颜`不标记
- 神兽也标记：`〖+龙〗`、`〖+凤〗`

到1月23日结束时，`73c7aed`这个commit标志着**核心系统的建立**：

- 11类实体标注规范
- Purple Numbers段落编号系统
- Markdown转HTML核心渲染器`render_shiji_html.py`
- 完整的CSS样式体系
- 对话语法高亮
- 段落拆分和结构化逻辑
- 已完成52/130章的标注

**两天时间，从零开始，完成了一套完整的古籍语法高亮系统的核心架构。**

---

## 4. 规模化生产（2月6日-8日）

### 4.1 批量处理130章

经过约两周的间歇工作，2月6日开始了大规模生产。这是一个超长session（`3b0000db`），用户和AI之间进行了密集的协作。

关键指令序列：
- "继续转化没有完成的章" → 批量下载和标注
- "继续处理010-100" → 大规模并行处理
- "检查后台运行情况" → 监控AI Agent的并行任务
- "你可以选几个你手工来做，给你的agent重新分配任务" → 人工调度AI子任务

2月8日凌晨，里程碑达成：

```
f379b11 02-08 03:04 第一次完整的build，生成了全部130章
adad334 02-08 04:07 fix：所有130章的index
```

**130篇、52万字的《史记》全部完成语法高亮标注和HTML渲染。**

### 4.2 小节划分的人工美学

130章生成后，用户发现需要更细的结构化：

> "头12章都是分了小节的，请为后面的章也加小节划分"

但紧接着就提出了质量要求：

> "小节划分要有意义，不能是'段落40'这样"

这个要求看似简单，实际上需要深入理解每章的内容。比如《项羽本纪》需要按"起义"、"巨鹿之战"、"鸿门宴"、"楚汉争霸"等历史事件来划分，而非机械地按段落数分块。

经过多轮迭代和检查：
- "多少章的小节划分已经完成了" → 进度追踪
- "再检查有没有太长的小节，太长就继续拆分" → 质量保证
- "再检查一遍。如果都拆分好了，更新index" → 最终验收

最终在`98d97a3`（02-08 14:41）完成了全部130章的有意义小节划分。

### 4.3 项目愿景的表达

在这个漫长的协作session中，用户表达了一些深刻的项目愿景：

> "我的目标是让史记能活起来。另一个次要目的是用语法加亮的方法有一个特别适合阅读的版本。"

> "语法加亮就是当代更强大的'标点符号'。"

> "现在没有人再会读没有标点符号的文章，未来也不会有人愿意读没有语法加亮的文章。"

> "我还打算大规模地处理所有的古籍……下一步先打算做26史和通鉴系列。"

这些话后来被写入了项目的README，成为项目愿景的核心表述。

### 4.4 项目结构整理

同期还进行了大量的工程化整理工作：

- 将工具脚本统一到`scripts/`目录
- 知识图谱相关代码统一`kg_`前缀
- 清理脚本中的个人隐私路径（`/home/baojie/work`）
- 创建CHANGELOG.md，为每个里程碑添加commit链接
- HTML渲染修复：嵌套标注符号处理、韵文格式、对话缩进

---

## 5. 深度完善（2月9日-10日）

### 5.1 十表的表格渲染（02-09）

史记中的"十表"（第013-022章）是年表形式的内容，传统阅读中极难使用。

Commit `b77c59f` 实现了完整的表格渲染管线：
- 将HTML表格转换为Markdown并嵌入tagged.md
- 支持全视口宽度突破（表格可以比正文更宽）
- sticky表头（滚动时表头固定）
- 交替行背景色
- 表格单元格内的实体标注高亮
- 016号秦楚之际月表的特殊结构拆分（31列→两个独立子表）

### 5.2 命名实体索引系统（02-09）

Commit `f586a61` 建立了完整的实体索引系统：
- `build_entity_index.py`：扫描130篇tagged.md，提取所有实体
- `entity_aliases.json`：586条人名别名规则（如"沛公"→"刘邦"）
- 12个HTML索引页面（11类实体+总览）
- 拼音排序、字母导航栏、搜索过滤功能
- 正文中所有实体可点击跳转到索引条目

### 5.3 语义消歧（02-10）

Commit `2580cfc` 解决了一个棘手的古文NLP问题——同名消歧：

- "武王"在不同章节可能指周武王、秦武王
- "昭王"可能指秦昭王、燕昭王、楚昭王
- "惠王"可能指秦惠王、魏惠王、燕惠王、周惠王

采用4层启发式策略：共现全名 > 附近国名（80字窗口）> 前置国名 > 章节主题国

结果：1,281处自动消歧 + 11处手工修正，覆盖率90%。

### 5.4 时间线实体（02-10）

Commits `60d6728`→`59c3814` 建立了年份映射系统：

- 从历史年表中提取君主在位年份
- 构建叙事年份→公元年份映射（288种格式）
- 生成可视化时间线页面

---

## 6. 设计哲学

### 6.1 "语法高亮是当代的标点符号"

这个类比是整个项目的灵魂。古代的原始文本是没有标点符号的，句读（断句）是读书人的基本功。现代标点符号的普及，让"人人可读"成为可能。

语法高亮做了同样的事——通过颜色和样式，让读者一眼就能区分人名、地名、官职、时间，大幅降低古文阅读的认知负担。

### 6.2 克制优雅的视觉设计

CSS样式设计遵循"克制"原则：
- 颜色不过于鲜艳，使用深沉的暗色系（棕、暗红、深蓝紫）
- 背景色透明度极低（0.03），不干扰阅读
- 虚线边界而非实线，提供视觉提示但不喧宾夺主
- 字体使用"Noto Serif SC"（思源宋体），契合古籍的庄重感
- 行高设为2，给每行文字留出呼吸空间

### 6.3 大模型NER优于关键词匹配

项目明确选择了用大模型进行实体识别，而非基于关键词列表的字符串匹配，原因是：

- 古文多义词极多："和"可以是人名、动词、形容词
- 复合实体需要语义理解："夏后帝启"、"西伯昌"
- 动词性用法不应标记："蚕食"中的"蚕"、"龙颜"中的"龙"
- 上下文决定语义角色：同一个"岳"字，可能是人名也可能是官职

### 6.4 内容与样式分离

Token标记系统的设计，让`.tagged.md`文件同时服务于两个目的：
1. **人类阅读**：标记符号简短不干扰，可以直接用文本编辑器阅读
2. **机器渲染**：正则表达式一遍扫描即可转换为HTML

这种"双模"设计是实用主义工程哲学的体现。

---

## 7. 技术架构全貌

### 7.1 处理管道

```
原始文本(.txt)
    ↓ 大模型NER + 人工审核
标注文件(.tagged.md)
    ↓ render_shiji_html.py (正则替换Token→HTML span)
HTML文件(.html)
    ↓ publish_to_docs.sh
GitHub Pages 发布
```

### 7.2 核心文件

| 文件 | 功能 |
|------|------|
| `render_shiji_html.py` | Markdown→HTML核心渲染器 |
| `generate_all_chapters.py` | 批量生成130章HTML+索引页 |
| `docs/css/shiji-styles.css` | 11类实体样式+页面排版 |
| `docs/js/purple-numbers.js` | 段落编号交互（点击复制链接） |
| `build_entity_index.py` | 实体索引生成器 |
| `entity_aliases.json` | 实体别名映射（586条） |
| `disambiguation_map.json` | 语义消歧映射（644条） |

### 7.3 渲染器核心逻辑

`render_shiji_html.py`的核心是一组有序的正则替换规则（`ENTITY_PATTERNS`），处理顺序至关重要：

1. `**粗体**` 必须在 `*器物*` 之前处理（避免冲突）
2. 外层标记（`$官职$`）先于内层标记（`@人名@`）处理
3. `@人名@` 放在最后，因为人名最常作为内层标注（如`$@安国君@$`）
4. 所有正则排除 `<>` 和 `"` 字符，避免匹配已生成的HTML标签

### 7.4 最终规模

| 指标 | 数值 |
|------|------|
| 标注章节 | 130/130 (100%) |
| 实体词条 | 5,282个 |
| 实体标注次数 | 24,249次 |
| 实体类别 | 11类 |
| 人名别名 | 586条 |
| 语义消歧 | 1,281处 |
| 索引页面 | 12个 |
| 索引条目 | 11,000+ |

---

## 8. 反思与感悟

### 8.1 人机协作的模式

回顾整个过程，人与AI的分工非常清晰：

**人（决策者）的角色：**
- 提出愿景和设计理念（"语法高亮是当代的标点符号"）
- 做审美判断（"去掉bold"、"克制优雅"）
- 纠正语义错误（"岳是人名"）
- 把控质量标准（"小节划分要有意义"）
- 调度并行任务（"你选几个手工做，给agent重新分配"）

**AI（执行者）的角色：**
- 大规模实体识别（130篇×52万字）
- 代码开发（渲染器、索引生成器、工具脚本）
- CSS样式实现
- 文档编写
- 批量文件操作
- 并行子任务执行

### 8.2 关键转折点

整个过程中有几个关键转折点：

1. **从内联样式到Token标记**（1月22日09:51）——架构层面的顿悟，决定了整个系统的可扩展性
2. **对话语法高亮的引入**（1月23日02:13）——让语法高亮不只关注名词实体，还关注文本的叙事结构
3. **Purple Numbers的致敬**（1月23日12:52）——将计算机先驱的理念融入古籍数字化，形成了跨越时空的知识联结
4. **"语法高亮是标点符号"的顿悟**（2月7日21:57）——将技术实践升华为文化使命

### 8.3 速度

整个核心系统在**两天**内从零搭建完成。从想法到130篇全部标注渲染完成，不到三周。在AI出现之前，类似的工作可能需要一个团队工作数年。

这不仅是效率的提升，更是一种新的研究范式：**人提供方向和判断，AI提供规模和速度**。

### 8.4 未完成的愿景

在协作过程中，用户表达了更大的雄心：

> "我还打算大规模地处理所有的古籍……下一步先打算做26史和通鉴系列。"

从史记的52万字，到二十四史的4,600万字，再到全部古籍的数亿字——语法高亮作为"当代标点符号"的愿景，还有漫长的路要走。但核心的技术架构和方法论，已经在这两天的密集协作中奠定了基础。

---

## 附录：完整会话时间线

| 日期 | 时间 | Session | 消息数 | 主要内容 |
|------|------|---------|--------|---------|
| 01-22 | 08:47-11:47 | 9d1e6197 | 69 | 首次实体识别请求，Token标记体系设计 |
| 01-22 | 11:47-13:15 | ae0ea332 | 50 | 002章夏本纪处理 |
| 01-22 | 16:05-18:00 | 636e2ea3 | 76 | 002章实体标注脚本 |
| 01-22 | 18:01-18:53 | d26fe3a7 | 122 | Git错误处理，系统化搜索 |
| 01-22 | 18:54-19:42 | 345ccd58 | 52 | 004章周本纪，段落长度控制 |
| 01-22 | 19:43-20:11 | 7dc217d2 | 49 | 文档化转化逻辑 |
| 01-22 | 20:42-次日03:37 | 1bbc8810 | 46 | convert_spans_to_simple.py |
| 01-23 | 03:38-05:08 | bd646885 | 108 | HTML渲染系统 |
| 01-23 | 05:53-07:12 | 06abb051 | 110 | 段落编号系统 |
| 01-23 | 07:14-07:42 | d80c88ae | 43 | render_shiji_html.py |
| 01-23 | 09:47-10:14 | 489f986b | 12 | 005章秦本纪 |
| 02-06~08 | 全天 | 3b0000db | 59+ | 大规模生产（130章标注+渲染+小节划分+项目整理） |
| 02-08~09 | 全天 | c8299f0d | — | HTML修复、表格渲染 |
| 02-09 | 全天 | 62de01b7 | — | 实体索引系统 |
| 02-09~10 | 全天 | 66277a8c | — | 语义消歧、时间线 |

**总计会话消息数**：约800+条人机交互

---

*本文档基于项目git历史、Claude Code会话日志、技术文档和源代码逆向重建。*

*最后更新：2026-03-06*