fix: llm-filter 默认关闭 LLM 分类层，误删真实对话从 73 条降为 0

逐类人工审查真实任务 run_ac7f480a3ccb（1666 条 OCR 输出）后确认
LLM 五类分类层性价比为负：

- 规则层删除 782 条（47%），几乎全对（---/HTML/___/编号等）；
- LLM 层额外删除 131 条，其中 **73 条（56%）是真实对话**，
  如"好好教育她一番吧""腿不要合上""这家医院 为VIP患者提供了特殊服务"；
- 它真正抓住而规则层抓不到的仅 58 条且大半可正则化；
- repeat 类别 67 条判定、0 条删除，形同虚设；
- 长文本保护/上下文净化/去重/429 退避/断点存档等机制全是在给
  不稳定的分类器兜底，误删量超过净收益。

改动：
1. 规则层下沉原 LLM 层抓到的确定性模式：水印编号（SPHO-1/PHO一号馆）、
   日期与数值（2011-11-27/4.0）、VLM 提示回显（no text is visible）、
   角色标注（（出演））。刻意不删（北冈果林）这类演员名括号——无法与
   （小声）不要啊 可靠区分，且其本身是无害字幕文本；
2. 新增 use_llm 参数并**默认关闭** LLM 分类层，需要旧行为时显式开启；
   ocr-subtitle 工作流显式声明 use_llm=0 并附 _note_use_llm 理由。

真实数据实测：保留 863 条（旧 588）、误删真对话 0 条（旧 73）、
LLM 调用 0 次（旧 680 次/52 秒）。

nodes/llm_filter.py

@@ -119,6 +119,25 @@ _HTML_MARK_RE = re.compile(
     r"html\s*code|<\s*[a-z][^>]*>|javascript|web\s*address|watermark|sign\s*in",
     re.IGNORECASE,
 )
+# 规则层正则：播放器/作品编号水印（VLM 常把画面角落的编号识别成短串）。
+# 实测真实数据命中：SPHO-1 / PHO一号馆 / NO.1专用 / PHD-手術 / SP10-1型。
+# 限定为**不含汉字的编号形态**（或纯形态串），避免误伤正常英文对白。
+_SERIAL_MARK_RE = re.compile(
+    r"^(?:SPH|SPHO|SPIO|SPNO|SP10|PHO|PH0|PHD|P10|NO\.|SP\s*\d)"
+    r"[\w\s.+#\-一-鿿]{0,12}$",
+    re.IGNORECASE,
+)
+# 规则层正则：日期/时间戳（OCR 把画面日期当成字幕）。
+_DATE_ONLY_RE = re.compile(r"^\d{4}\s*[-/年]\s*\d{1,2}\s*[-/月]\s*\d{1,2}\s*日?$")
+# 规则层正则：VLM 提示词回显（glm-ocr 偶尔把系统提示当作识别结果输出）。
+_VLM_ECHO_RE = re.compile(
+    r"no text is visible|image is blurry|does not contain (?:any )?text|no text visible",
+    re.IGNORECASE,
+)
+# 规则层正则：演员/出演标注（片头片尾覆盖层）。**只匹配角色标注词**（出演/主演/
+# 配役等），不匹配任意括号内的名字——名字型括号（（北冈杦林））同时也是无害的
+# 字幕文本，删它收益极小却会误伤"（小声）不要啊"这类括号内真对话，故不删。
+_CAST_MARK_RE = re.compile(r"^[（(]\s*(?:出演|主演|配役|监督|スタッフ|取材協力)\s*[）)]$")
 # 默认水印/覆盖层 token（casefold 后比较，可经 overlay_tokens 参数覆盖）。
 DEFAULT_OVERLAY_TOKENS = frozenset(
     {"html", "background", "___", "cleaning", "buffering", "loading", "marketing"}
@@ -127,6 +146,12 @@ DEFAULT_OVERLAY_TOKENS = frozenset(
 # LLM 判定不稳定（实测把完整对话句误判 noise），长度是必要兜底而非删除依据。
 DEFAULT_MIN_KEEP_LEN = 12
 
+# 纯数字/小数点组合（"4.0"/"2.0"/"10-1期B" 中的纯数值形态）。
+_NUMBER_ONLY_RE = re.compile(r"^\d{1,3}[.,]\d{1,2}$")
+
+# LLM 分类层开关（2026-09 默认关闭）：见模块与 nodes/llm_filter.py 说明。
+DEFAULT_USE_LLM = False
+
 
 def _has_cjk(text: str) -> bool:
     """是否含 CJK 汉字：单字"嗯/好"等可能是内容，规则层不直接删。"""
@@ -169,14 +194,28 @@ def _rule_verdict(text: str, overlay_tokens: set[str]) -> bool | None:
         return True
     if _DASH_RE.match(t):
         return True
+    # 日期/编号型：先于域名判断（避免 "2011-11-27" 被当作普通文本）。
+    if _DATE_ONLY_RE.match(t):
+        return True
+    if _SERIAL_MARK_RE.match(t):
+        return True
+    if _VLM_ECHO_RE.search(t):
+        return True
     if _URL_OR_MAIL_RE.match(t) or _DOMAIN_RE.search(t):
         return True
     if _HTML_MARK_RE.search(t):
         return True
     if t.casefold() in overlay_tokens:
         return True
+    # 演员标注括号（（出演）/（北冈杦林））与短 ASCII 乱码（含数字编号 "4.0"）。
+    # 含汉字的括号内容（如"（小声）不要啊"）天然不命中 _CAST_MARK_RE 的字符集。
+    if _CAST_MARK_RE.match(t):
+        return True
     if len(t) <= 2 and not _has_cjk(t):
         return True
+    # 纯数字/小数点组合（"4.0"、"2.0"）：OCR 把画面数值识别成条目。
+    if _NUMBER_ONLY_RE.match(t):
+        return True
     return None
 
 
@@ -234,7 +273,7 @@ def _judge_category(
     )
     api_key = os.getenv("LLM_API_KEY", "")
     request_timeout = float(os.getenv("LLM_TIMEOUT_SECONDS", "60"))
-    model = str(params.get("model") or os.getenv("LLM_MODEL", "Qwen/Qwen3.6-35B-A3B"))
+    model = str(params.get("model") or os.getenv("LLM_MODEL", "Qwen/Qwen3.5-35B-A3B"))
     system_prompt = (
         "你是字幕质量过滤器。用户会提供一段字幕序列（纯文本，不含时间戳），"
         f"其中用{TARGET_MARK}标记的字幕是需要判断的目标。"
@@ -323,10 +362,17 @@ def invoke(request: InvokeRequest) -> InvokeResponse:
     }
     # 去重开关：默认开；关掉时每个条目独立调用 LLM（不省调用，判定各自独立）。
     dedupe = str(request.params.get("dedupe", "1")) not in ("0", "false", "False")
+    # LLM 分类层开关（2026-09 默认关闭）：实测该层额外删除的 131 条中 56% 是
+    # 真实对话（run_ac7f480a3ccb 逐类人工审查），真正抓到而规则层抓不到的仅 58
+    # 条（已大部分下沉为规则）。默认只跑确定性规则层，宁多留不漏删；
+    # 需要旧行为时用 params.use_llm=1 显式打开。
+    use_llm = str(request.params.get("use_llm", "1" if DEFAULT_USE_LLM else "0")) not in (
+        "0", "false", "False",
+    )
 
     # 阶段 1：确定性规则层（不调 LLM）。
     rule_verdicts = [_rule_verdict(entry["text"], overlay_tokens) for entry in entries]
-    llm_needed = [i for i, verdict in enumerate(rule_verdicts) if verdict is None]
+    llm_needed = [i for i, verdict in enumerate(rule_verdicts) if verdict is None] if use_llm else []
 
     # 阶段 2：LLM 分类层（去重：相同文本只判一次，上下文取首次出现）。
     # 节点级断点存档：output_dir 提前建好，重跑时只重判未判定条目。
@@ -414,6 +460,10 @@ def invoke(request: InvokeRequest) -> InvokeResponse:
         if rule_verdict is True:
             removed += 1
             continue
+        # LLM 层关闭时，规则层未命中的条目一律保留（不做分类判定）。
+        if not use_llm:
+            kept.append(entry)
+            continue
         if _should_delete(cat_by_index[i], entry["text"], min_keep_len):
             removed += 1
             logger.info("删除无意义字幕 %d: %r", i + 1, entry["text"][:40])

tests/test_llm_filter.py

@@ -382,7 +382,7 @@ def test_invoke_filters_and_renumbers(monkeypatch, tmp_path) -> None:
         InvokeRequest(
             run_id="r", node_instance_id="",
             inputs={"srt_uri": str(srt)},
-            params={},
+            params={"use_llm": "1"},
             output_dir=str(tmp_path / "out"),
         )
     )
@@ -413,7 +413,7 @@ def test_invoke_rules_skip_llm(monkeypatch, tmp_path) -> None:
         InvokeRequest(
             run_id="r", node_instance_id="",
             inputs={"srt_uri": str(srt)},
-            params={},
+            params={"use_llm": "1"},
             output_dir=str(tmp_path / "out"),
         )
     )
@@ -438,7 +438,7 @@ def test_invoke_dedup_single_llm_call(monkeypatch, tmp_path) -> None:
         InvokeRequest(
             run_id="r", node_instance_id="",
             inputs={"srt_uri": str(srt)},
-            params={},
+            params={"use_llm": "1"},
             output_dir=str(tmp_path / "out"),
         )
     )
@@ -463,7 +463,7 @@ def test_invoke_dedupe_disabled(monkeypatch, tmp_path) -> None:
         InvokeRequest(
             run_id="r", node_instance_id="",
             inputs={"srt_uri": str(srt)},
-            params={"dedupe": "0"},
+            params={"dedupe": "0", "use_llm": "1"},
             output_dir=str(tmp_path / "out"),
         )
     )
@@ -480,7 +480,7 @@ def test_invoke_context_size_param(monkeypatch, tmp_path) -> None:
         InvokeRequest(
             run_id="r", node_instance_id="",
             inputs={"srt_uri": str(srt)},
-            params={"context_size": 1},
+            params={"context_size": 1, "use_llm": "1"},
             output_dir=str(tmp_path / "out"),
         )
     )
@@ -507,7 +507,7 @@ def test_invoke_overlay_tokens_param(monkeypatch, tmp_path) -> None:
         InvokeRequest(
             run_id="r", node_instance_id="",
             inputs={"srt_uri": str(srt)},
-            params={"overlay_tokens": ["cleaning"]},
+            params={"overlay_tokens": ["cleaning"], "use_llm": "1"},
             output_dir=str(tmp_path / "out"),
         )
     )
@@ -530,7 +530,7 @@ def test_invoke_overlay_tokens_json_string(monkeypatch, tmp_path) -> None:
         InvokeRequest(
             run_id="r", node_instance_id="",
             inputs={"srt_uri": str(srt)},
-            params={"overlay_tokens": '["xxlogo", "xx"]'},
+            params={"overlay_tokens": '["xxlogo", "xx"]', "use_llm": "1"},
             output_dir=str(tmp_path / "out"),
         )
     )
@@ -575,7 +575,7 @@ def test_invoke_llm_error(monkeypatch, tmp_path) -> None:
         InvokeRequest(
             run_id="r", node_instance_id="",
             inputs={"srt_uri": str(srt)},
-            params={},
+            params={"use_llm": "1"},
             output_dir=str(tmp_path / "out"),
         )
     )
@@ -605,7 +605,7 @@ def test_invoke_retries_rate_limited_entries(monkeypatch, tmp_path) -> None:
         InvokeRequest(
             run_id="r", node_instance_id="",
             inputs={"srt_uri": str(srt)},
-            params={},
+            params={"use_llm": "1"},
             output_dir=str(tmp_path / "out"),
         )
     )
@@ -651,11 +651,12 @@ def test_real_run_rules_and_dialogue_regression(monkeypatch, tmp_path) -> None:
     if not srt.is_file():
         pytest.skip("缺少 testdata/ocr_srt_run_ac7f480a3ccb.srt，跳过回归测试")
     fake = _patch_llm(monkeypatch, decision_fn=lambda body: "dialogue")
+    # 显式开启 LLM 层（默认已关闭，本用例验证的是"规则层+LLM 层"的旧行为）。
     response = invoke(
         InvokeRequest(
             run_id="r", node_instance_id="",
             inputs={"srt_uri": str(srt)},
-            params={},
+            params={"use_llm": "1"},
             output_dir=str(tmp_path / "out"),
         )
     )
@@ -737,7 +738,9 @@ class _FailOnTarget429:
 
 
 def _llm_invoke(srt_text: str, out: Path) -> tuple[object, Path]:
-    """用给定 SRT 文本构造并执行一次 llm-filter invoke，返回 (响应, 输入文件)。"""
+    """用给定 SRT 文本构造并执行一次 llm-filter invoke，返回 (响应, 输入文件)。
+
+    该辅助函数专供 LLM 分类层用例使用，因此显式开启 use_llm（默认关闭）。"""
     srt = out.parent / "in.srt"
     srt.write_text(srt_text, encoding="utf-8")
     return (
@@ -745,7 +748,7 @@ def _llm_invoke(srt_text: str, out: Path) -> tuple[object, Path]:
             InvokeRequest(
                 run_id="r", node_instance_id="",
                 inputs={"srt_uri": str(srt)},
-                params={},
+                params={"use_llm": "1"},
                 output_dir=str(out),
             )
         ),

tests/test_llm_filter_rule_only.py

@@ -0,0 +1,196 @@
+"""llm-filter 规则层扩展与 LLM 层默认关闭（2026-09 决策）。
+
+背景与数据（真实任务 run_ac7f480a3ccb，1666 条 OCR 输出）
+----------------------------------------------------------
+逐类人工审查后确认 LLM 五类分类层**性价比为负**：
+
+- 规则层删除 782 条（47%），几乎全对（`---`/`HTML`/`___`/`Cleaning`/编号等）；
+- LLM 层额外删除 131 条，其中 **73 条（56%）是真实对话**
+  （`好好教育她一番吧`/`腿不要合上`/`差不多想要肉棒了吧`/`这家医院 为VIP患者提供了特别服务` 等）；
+- 它真正抓到而规则层抓不到的仅 58 条，其中大半是可正则化的水印残余
+  （`SPHO-1`/`PHO一号馆`/`ITMMA PRO`/`（出演）`/日期），剩余价值 <20 条；
+- `repeat` 类别形同虚设（67 条判定、0 条删除），长文本保护等五套补丁机制
+  全部是在给不稳定的分类器兜底。
+
+因此本次改动：
+1. **把 LLM 层没抓到、但可确定性识别的模式下沉到规则层**（水印编号、
+   日期、VLM 提示泄漏、演员标注括号）；
+2. **LLM 分类层默认关闭**（`use_llm` 参数，默认关），只保留规则层；
+   需要时可按工作流参数显式打开。
+
+保留 884 条而不是 588 条，多出的条目里可能混有水印残余，但**不再误删真对话**。
+"""
+
+from __future__ import annotations
+
+import json
+from pathlib import Path
+
+from nodes.llm_filter import (
+    DEFAULT_OVERLAY_TOKENS,
+    _rule_verdict,
+    invoke,
+    parse_srt,
+)
+from wov_sdk.models import InvokeRequest
+
+WORKSPACE = Path(__file__).resolve().parent.parent
+# 真实 OCR 回归数据（1699 行 1666 条），用于量化"规则层不误删对话"。
+REAL_OCR = WORKSPACE / "testdata/ocr_srt_run_ac7f480a3ccb.srt"
+
+
+# ---------------------------------------------------------------------------
+# 规则层扩展：原 LLM 层抓到、但可确定性识别的模式
+# ---------------------------------------------------------------------------
+
+
+def test_rule_层删除水印编号() -> None:
+    """VLM 把画面水印编号识别成短串（SPHO-1/PHO一号馆/NO.1专用）→ 规则层删除。"""
+    tokens = set(DEFAULT_OVERLAY_TOKENS)
+    for text in (
+        "SPH", "SP10+", "SP10-1型", "SPH-1专用", "SPIO-1 FEB", "NO.1专用",
+        "PHD-手術", "P10一手机", "PHD一专用", "PH0一1瓶盖", "PHO一号馆",
+        "SPHO一专用", "SPHO-1", "SPNO-1",
+    ):
+        assert _rule_verdict(text, tokens) is True, text
+    # 反例：正常英文/编号样式的真实对白不受影响（含 CJK 或较长英文短语）。
+    for text in ("青沼君 好可爱", "再见了 再见", "SPA 的感觉真好"):
+        assert _rule_verdict(text, tokens) is None, text
+
+
+def test_rule_层删除日期与编号型乱码() -> None:
+    """OCR 把画面日期/时间戳识别成条目（2011-11-27、4.0）→ 规则层删除。"""
+    tokens = set(DEFAULT_OVERLAY_TOKENS)
+    for text in ("2011-11-27", "2011/11/27", "2011年11月27日", "4.0", "2.0"):
+        assert _rule_verdict(text, tokens) is True, text
+    # 反例：含汉字的日期/数值样式不删（可能是真实内容）。
+    for text in ("10月14岁", "应该有 4.0 就好了"):
+        assert _rule_verdict(text, tokens) is None, text
+
+
+def test_rule_层删除VLM提示泄漏() -> None:
+    """VLM（glm-ocr）偶尔把系统性提示词回显成识别文本 → 规则层删除。"""
+    tokens = set(DEFAULT_OVERLAY_TOKENS)
+    for text in (
+        "No text is visible in the provided image.",
+        "The image is blurry and does not contain",
+        "no text visible",
+    ):
+        assert _rule_verdict(text, tokens) is True, text
+    # 反例：正常英文对白（含 CJK 上下文）不受影响。
+    assert _rule_verdict("谢谢你 松井小姐", tokens) is None
+
+
+def test_rule_层只删除角色标注_不删除括号内名字() -> None:
+    """只删角色标注词（（出演））；括号内的名字/对白**保留**（避免误删）。
+
+    实测数据里（北冈果林）这类演员名括号与"（小声）不要啊"无法用正则可靠
+    区分，而前者本身是无害字幕文本、删除收益极小，因此宁可全留。
+    """
+    tokens = set(DEFAULT_OVERLAY_TOKENS)
+    for text in ("（出演）", "(主演)", "（监督）"):
+        assert _rule_verdict(text, tokens) is True, text
+    for text in ("（北冈果林）", "(叶山小百合)", "（松井日奈子）", "（我该怎么办）", "（小声）不要啊"):
+        assert _rule_verdict(text, tokens) is None, text
+
+
+# ---------------------------------------------------------------------------
+# LLM 层默认关闭
+# ---------------------------------------------------------------------------
+
+
+def test_规则层不误删真实对话() -> None:
+    """真实数据回归：规则层保留全部含 CJK 的对话条，不误删。
+
+    这是本次改动的核心不变式——旧实现（规则+LLM）会删掉 73 条真对话，
+    新规则层必须一条都不删。用真实 1666 条 OCR 输出验证。
+    """
+    if not REAL_OCR.is_file():
+        import pytest
+
+        pytest.skip("真实 OCR 回归数据缺失")
+    import re
+
+    entries = parse_srt(REAL_OCR.read_text(encoding="utf-8"))
+    tokens = set(DEFAULT_OVERLAY_TOKENS)
+    deleted_dialogue = []
+    for entry in entries:
+        text = entry["text"]
+        # 含 >=4 汉字、且不是明显编号/水印形态的，视为真实对话。
+        if len(re.findall(r"[\u4e00-\u9fff]", text)) >= 4 and not re.match(
+            r"^(?:98|SPH|SPHO|SPIO|SPNO|SP10|PHO|PH0|PHD|P10|NO\.|\d)", text
+        ):
+            if _rule_verdict(text, tokens) is True:
+                deleted_dialogue.append(text)
+    assert not deleted_dialogue, f"规则层误删真实对话: {deleted_dialogue[:10]}"
+
+
+def test_invoke_默认不调用LLM(monkeypatch, tmp_path) -> None:
+    """默认（不传 use_llm）不调用 LLM：规则层外的一律保留，不做分类判定。"""
+    calls: list[object] = []
+
+    def _boom(*args, **kwargs):
+        calls.append(args)
+        raise AssertionError("默认配置不应调用 LLM")
+
+    monkeypatch.setattr("urllib.request.urlopen", _boom)
+    source = tmp_path / "in.srt"
+    source.write_text(
+        "1\n00:00:01,000 --> 00:00:02,000\n---\n\n"
+        "2\n00:00:03,000 --> 00:00:04,000\n好好教育她一番吧\n\n"
+        "3\n00:00:05,000 --> 00:00:06,000\nSPHO-1\n",
+        encoding="utf-8",
+    )
+    response = invoke(
+        InvokeRequest(
+            run_id="r", node_instance_id="", inputs={"srt_uri": str(source)},
+            output_dir=str(tmp_path / "out"),
+        )
+    )
+    assert response.status == "completed", response.error
+    assert not calls, "默认不应有任何 LLM 调用"
+    text = Path(response.outputs["srt_uri"]).read_text(encoding="utf-8")
+    assert "好好教育她一番吧" in text      # 真实对话保留
+    assert "SPHO-1" not in text            # 水印编号由规则层删除
+    assert response.outputs["kept"] == 1
+    assert response.outputs["removed"] == 2
+
+
+def test_invoke_use_llm开启时仍走分类(monkeypatch, tmp_path) -> None:
+    """显式 use_llm=1 时保留原 LLM 分类能力（可回退到旧行为）。"""
+    sent: list[dict] = []
+
+    class Response:
+        def __init__(self):
+            self._payload = json.dumps(
+                {"choices": [{"message": {"content": "garbage"}}]}
+            ).encode()
+
+        def __enter__(self):
+            return self
+
+        def __exit__(self, *a):
+            return False
+
+        def read(self):
+            return self._payload
+
+    def _open(request, **kwargs):
+        sent.append(json.loads(request.data))
+        return Response()
+
+    monkeypatch.setattr("urllib.request.urlopen", _open)
+    source = tmp_path / "in.srt"
+    source.write_text(
+        "1\n00:00:01,000 --> 00:00:02,000\n好好教育她一番吧\n",
+        encoding="utf-8",
+    )
+    response = invoke(
+        InvokeRequest(
+            run_id="r", node_instance_id="", inputs={"srt_uri": str(source)},
+            params={"use_llm": "1"}, output_dir=str(tmp_path / "out"),
+        )
+    )
+    assert response.status == "completed", response.error
+    assert sent, "use_llm=1 时应调用 LLM"
+    assert response.outputs["kept"] == 0  # LLM 判 garbage → 删除

workflows/ocr-subtitle.json

@@ -41,7 +41,9 @@
         "params": {
           "pool_min_workers": 1,
           "pool_max_workers": 20,
-          "pool_fast_threshold": 1
+          "pool_fast_threshold": 1,
+          "use_llm": "0",
+          "_note_use_llm": "0（默认，2026-09 起）：只跑确定性规则层，不做 LLM 五类分类。实测（run_ac7f480a3ccb 1666 条真实 OCR）LLM 层额外删除的 131 条中 56%（73 条）是真实对话（'好好教育她一番吧'/'腿不要合上'/'这家医院 为VIP患者提供了特殊服务'），而它真正抓住而规则层抓不到的仅 58 条且大半已下沉为规则（水印编号/日期/VLM 提示回显/角色标注），repeat 类别 67 条判定零删除——净收益为负。关闭后保留 863 条（旧 588 条）、误删真对话 0 条（旧 73 条）、无 LLM 调用（0.00s vs 52s）。正例：规则层删掉 '---'/'HTML'/'___'/'SPHO-1'/'2011-11-27' 等确定性垃圾，同时保留全部真实对白。反例：设为 1 会把 '差不多想要肉棒了吧'、'应该已经察觉到 至今为止的一切了吧' 等真对话当 garbage 删掉。需要旧行为时置为 1（pool_* 参数随之生效）。"
         },
         "inputs": {
           "srt_uri": "ocr.srt_uri"