# 使用指南 / User Guide

## 1. 安装

```bash
dsh plugin --profile web add dsh-data-cleaning-agent
```

没有 `dsh` CLI 时：

```bash
bash <(curl -fsSL https://raw.githubusercontent.com/duhu2000/dsh-data-cleaning-agent/main/install.sh)
```

安装后**完全重启** DeepSeek Harness。

## 2. 使用方式

### 0.8.7 页面入口与分工

- 左侧「数据清洗补全」进入业务会话；中央保留原生对话框和一句说明，不再显示大型工作台介绍卡片。
- 对话框下方「导入名单 / 质量体检 / 匹配核验 / 字段补全 / 任务历史」是同一工作台的快捷菜单，不是五个独立任务，也不会直接启动企查查调用。
- 「提示词生成」打开居中向导：录入文字、Excel 或图片 → 匹配规则 → 清洗与补全字段 → 确认描述。可关闭后继续编辑；回填不自动发送。
- 工作台「当前任务」使用五步导航：导入与核验 → 规则与体检 → 主体匹配 → 字段补全 → 结果下载。质量体检报告位于第二阶段；未满足前置条件会显示明确提示。
- 「任务历史」管理已有任务、恢复下载，也可新建任务进入向导。原始识别清单下载在第一阶段，最终结果与异常清单下载在第五阶段。
- 向导正文可独立滚动，底部操作区保持可见；Esc 关闭向导或工作台。桌面工作台与对话区并排，窄屏工作台为覆盖式页面，可关闭返回。

### 2.1 对话式（推荐）

在对话中说：

> 帮我清洗这批企业名单数据，先做画像，再清洗，缺失的金额补 0。

插件会加载内嵌 Skill `data-cleaning`，自动按 `data_profile → data_clean_rows → data_complete_rows` 工作流调度。

### 2.2 应用内入口（侧边栏「数据清洗补全」）

重启后，DeepSeek Harness 侧栏顶部的「新会话」与「工作区」之间会出现「数据清洗补全」。点击后先进入
中央业务首页，右侧工作台保持关闭；输入框下方的五个入口分别定位到上传清洗、质量体检、匹配核验、
字段补全和任务历史。处理步骤为：

1. **上传数据**：粘贴或上传 CSV / XLSX / JSON，预览列和行；
2. **规则确认**：映射企业名称/统一社会信用代码/注册号，选择清洗目标与补全字段；
3. **数据匹配**：运行质量体检与主体匹配，多候选由人工确认；
4. **清洗补全**：执行本地确定性清洗；需要 QCC 时先零调用估算，再由当前用户确认使用自己的账号额度；
5. **下载数据**：生成结果 CSV/XLSX 与异常清单 CSV/XLSX，后续可从任务历史恢复下载。

0.8.11 起的原列回填规则：规则确认时同时检查「字段映射」和「输出字段」。已选字段优先填入已映射原列的空白单元格，非空原值保持不变，原表没有对应映射的已选字段才新增列。地址、网址、开业时间等推荐需确认含义；重复列需明确选定一列。未返回的数据不编造。结果预览、XLSX/CSV 及异常清单遵循同一规则；历史已生成文件不会自动改写。

输入框左上角的「提示词生成」提供三种名单录入方式：

- **粘贴名单**：每行一个企业名称或统一社会信用代码；
- **上传 Excel**：支持 XLSX/XLS/CSV/JSON，识别企业名称/信用代码列并把完整数据载入右侧工作台；
- **上传图片**：支持 PNG/JPEG/WebP（单张不超过 8 MiB）；可在向导中粘贴、拖入或选择，也可直接在数据清洗补全会话的原生输入框粘贴。输入框使用 DSH 原生图片附件，向导同时显示 64px 缩略图，点击可放大。

随后可选择名称规范、信用代码校验、去重、模糊候选复核等清洗动作，以及工商字段或已支持的维度组。
0.8.1 起，图片流程只需发送一次完整任务说明：

1. 选择图片后继续完成匹配规则、清洗动作与补全字段选择；最后一步生成一段包含图片识别要求和后续任务要求的可读中文说明，可在原生对话框中继续修改。
2. 回填前 Client 释放 Composer 图片附件，因此不支持视觉输入的聊天模型也不会收到图片；Agent 只调用一次 `data_cleaning_extract_image_companies` 高层工具。
3. Host 通过本地 `qcc-document-mcp` 准确调用一次 `parse_document(file_path)`；仅当任务仍在处理中时，才使用同一 `task_id` 查询 `get_parse_result`。
4. 识别到的企业名称/统一社会信用代码进入同一 taskId 工作台供人工核对，然后继续主体匹配、字段补全和导出。

本地图片解析需在 DSH 的 MCP 连接器中配置官方 `qcc-document-mcp`。示例（Key 仅保存在用户自己的环境中）：

```json
{
  "mcpServers": {
    "qcc-document-mcp": {
      "command": "npx",
      "args": ["-y", "qcc-document-mcp"],
      "env": {
        "QCC_DOCUMENT_AUTHORIZATION": "Bearer YOUR_API_KEY"
      }
    }
  }
}
```

市场中的远端 `qcc-document` 只接受公网 `file_url`，不能读取 Host 本地临时文件；只连接远端服务时，
图片仍可载入并显示缩略图、继续选择规则和字段，页面会单独提示配置本地服务；真正执行 OCR 时才
阻断不可用的连接，绝不会向远端接口传本地路径。15 分钟暂存期内补齐连接后无需重新选图，超时或 Host
重启后需重新选择。选图本身不会执行 OCR，回填并发送完整任务说明后才开始识别。
图片仅作为 0600 权限的 Host 临时文件，成功、解析失败、取消或
15 分钟超时后删除，不进入任务 KV、模型上下文或导出制品。`qcc-document-mcp` 会读取该临时文件并
上传到企查查文档解析网关；用户应只提交有权处理且允许上传的数据。文档解析与后续企业补全均使用
当前用户自己连接的企查查账号和额度；本插件不读取或保存凭据。

模型在对话中调用 `data_clean_rows` / `data_complete_rows` / `data_profile` 时，
对话内会渲染对应的工具结果卡片（含运行中 / 已完成 / 失败状态）；工作台头部用任务 pill
实时展示排队 / 运行中的后台任务（轮询 `/data-cleaning/api/mvp/jobs`）。

### 2.3 web 界面

打开 DeepSeek Harness 后访问插件的同源界面（`/data-cleaning/`），可上传 CSV/XLSX/JSON，
执行解析、清洗、补全与导出。旧 MVP 路由前缀为 `/data-cleaning/api/mvp/*`；0.6.0 五步任务和
耐久制品使用 `/data-cleaning/api/workflow/*`。

## 3. 能力说明

### 3.1 本地清洗 / 补全 / 画像（Skill `data-cleaning`）

| 工具 | 作用 |
| --- | --- |
| `data_profile` | 输出列概览与金额分布（min/max/sum/count） |
| `data_clean_rows` | trim、手机号规范化、剔除缺失必填/负金额/重复行 |
| `data_complete_rows` | 空金额填 0、空姓名填占位、报告不可确定性补全的项 |

### 3.2 企查查企业名单补全（Skill `enterprise-enrichment`）

#### 账号与费用边界

- 客户必须在自己的 DSH 环境中开通并连接自己的企查查 MCP 账号。
- QCC 调用消耗客户自有账号的套餐额度，或按客户与企查查之间的合同计费。
- 本插件及其开发者不提供共享 Key，不代客户购买、结算、垫付或补贴 QCC 调用费用。
- 开发者 Key 只用于隔离测试环境，不写入代码、日志、夹具或 npm 发布包。
- API 字段 `confirmPaidCalls` 为兼容性保留；它表示“当前用户确认使用自己的 QCC 账号额度”，
  不表示插件开发者或维护者承担费用。

先用企查查 MCP 连接插件（`qcc-dsh-mcp-oauth`）完成授权，然后对对话说：

> 帮我补全这份企业名单：工商全景 + 股权穿透，不要历史工商。

模型会按 `enterprise-enrichment` Skill 逐个企业调 `mcp__qcc-company__get_company_by_query`
（消歧，多候选时停下询问）→ `get_company_registration_info`（工商详情），
然后只调用请求的维度组：

- `panorama`：企业画像、联系方式、开票、上市、财务；
- `ownership`：实控人、受益所有人、股东和对外投资；
- `governance`：分支机构、主要人员、变更记录和年报；
- `history`：历史股东、法人、高管和登记信息（需企业认证账号）。

如果请求没有明确维度，Skill 会先让用户选择，不默认调用全部付费工具。
历史域无权时只标记 `permission_required`，当前工商组仍继续。对话默认返回统计摘要和小量预览；
完整明细只在 Host 确实提供同源下载/产物能力时交付。
开发者可在真实调用前 GET `/data-cleaning/api/phase2/capabilities`，只读检查 16+4 工具面；
该预检不发起 QCC 或付费调用，也不会把「工具已注册」误报为「历史账号已授权」。

**前置条件**：先连接企查查 MCP（未连接时 Skill 会引导执行 `qcc_oauth_connect`）。

**本阶段边界**（方案 A，模型中介式）：
- 不重造 OAuth；工具面来自 `qcc-dsh-mcp-oauth`。
- 逐企业调用，适合中小名单（几十条以内）。
- 金额、比例、计数保留 QCC 原值，不自算股权链、不将缺失值写成「无」或 0。
- 0.4.0 已发布；20 企业、每企业至少 15 个当前维度并含 4 个历史维度的真实账号验收已通过。
  access token 自然到期后的真实刷新、动态工具恢复以及限流/配额故障注入已在隔离环境验收。

### 3.3 QCC 后台批量 Host Bridge（0.4.0 / G5-2）

源码 `main` 已提供 `/data-cleaning/api/g5/capabilities`（只读能力探测）和
`/data-cleaning/api/g5/enrich`（同源批量补全）基础层。它按企业名去重调用、只对唯一精确主体继续补全，
多候选进入人工确认队列，模型不接触完整明细。

这是 0.4.0 已发布能力：真实 OAuth、授权跨重启恢复、QCC 主调用路径、token 自然到期刷新
与 401 / 429 / 配额故障注入均已完成隔离验收。
调用批量端点必须由 UI 在用户确认后同时发送 `confirmPaidCalls:true` 和唯一 `idempotencyKey`；
未确认或缺少幂等键时不会产生任何 QCC 调用。

初次请求返回 `runId`：多候选进入 `awaiting-review`，只能通过 `/g5/resolve` 选择返回候选中的
信用代码后续跑；retryable 失败只能由用户通过 `/g5/retry` 显式重试。run 仅在 Host 内存保留
30 分钟，Host 重启后失效，不把原始企业行持久化落盘。

### 3.4 三域批量补全（0.5.0）

0.5.0 在工作台中增加三个可选域：

- **风险信息 · 38**：司法、执行、处罚、经营异常、税务、违约等；
- **知识产权 · 18**：专利、商标、软著、数字资产、备案等；
- **经营信息 · 35**：资质、招投标、融资、舆情、监管、进出口等。

推荐流程：

1. 上传数据并确认“企业名称字段”；
2. 生成数据体检，执行本地清洗；
3. 点击“检测企查查连接”，按需要勾选域；
4. 点击“估算调用量”。估算为上界且不执行 QCC 工具；
5. 只有在核对企业数、工具数、估算调用量和 `maxCalls` 后，才勾选“确认使用当前用户的企查查账号额度”；
6. 多候选逐项人工选择；失败项只在明确点击重试时重放；
7. 生成并下载结果/异常清单的 CSV 或 XLSX；需要重新核验的行会进入异常清单。

同源 API 为 `/data-cleaning/api/phase3/*`。单批最多 100 行，并发上限 4，硬调用上限 2000；
默认调用上限 500。`enrich` / `resolve` / `retry` 均要求 `confirmPaidCalls:true` 和唯一幂等键。
当前维护者测试账号的真实三域计费 E2E 仍是发布门；与客户生产费用无关，详见
[PHASE3-ACCEPTANCE.md](PHASE3-ACCEPTANCE.md)。

## 4. 数据边界

- 模型只收到统计摘要（total / kept / dropped / incomplete），**从不读取原始明细行**。
- 明细数据只经同源 web 端点（`127.0.0.1` / `localhost`）交付；非可信跨源请求被拒绝。
- 不要上传含真实敏感业务数据的文件到公开环境做演示；开发测试请用脱敏夹具。

## 5. 支持的数据格式

- CSV：RFC4180 子集（引号字段、转义引号、字段内换行、BOM、CRLF）。
- XLSX / XLS：懒加载 `xlsx` 依赖；headless 组合无 `xlsx` 时返回 `XLSX_UNAVAILABLE`。
- JSON：对象数组，每项一行。

## 6. 常见问题

- **Q：安装后工具不出现？** A：确认已完全重启 DSH；确认 `dsh plugin list`（或 profile 的
  `package.json` → `dsh.profile.bundles`）含 `dsh-data-cleaning-agent`。
- **Q：XLSX 解析报 `XLSX_UNAVAILABLE`？** A：当前 DSH 组合未安装 `xlsx`；web 组合默认可用。
- **Q：能接企查查补全企业信息吗？** A：可以。先安装并连接 `qcc-dsh-mcp-oauth`；rc.2 隔离 Profile
  需同时显式安装同版本 `@deepseek-ai/dsh-mcp-client`。再说"帮我补全这份企业名单"，会自动走
  `enterprise-enrichment` Skill（方案 A 模型中介式）。字段契约与二期规划见
  [QCC-ENRICHMENT-DESIGN.md](QCC-ENRICHMENT-DESIGN.md)。
- **Q：可以在后台批量补全吗？** A：可以。0.4.0 G5 工商批量已发布并完成真实 OAuth/token 验收；
  0.5.0 风险/知产/经营三域已发布，先用 estimate 核对调用上限，再显式确认使用当前用户自己的 QCC 账号额度。
- **Q：刷新页面或重启后还能恢复吗？** A：五步任务元数据与已生成制品可按 taskId 跨 Host 重启恢复；
  尚未导出的浏览器原始行不会持久化，需要重新上传。QCC 的临时 `runId` 仍只在同一 Host 进程保留
  30 分钟，但完成任务的 CSV/XLSX 不依赖该内存 run。