切换外观
composite：一个化名人物的两周
状态：由 scripts/compose_corpus.py build 生成 frames.json 与 ids.json，再由 family 追加家庭流；噪音画像见 NOISE.md，弱标注见 LABELS.md。人物是化名拼成的，前四条流来自不同真实的人的公开数据，文本是真实原文，只做了规则替换，没有用模型生成或改写；家庭流是作者编写的原创文本，见家庭往来。
手写情境里一个人的两周只有 112 条、每条一句话；curl-bagder 补上了真实的噪音，但只有工作。这份语料把工作、社区爱好、生活琐事、家庭往来和订阅噪音放进同一个人的收件箱，并保留前四条流在时间上的真实重合；家庭流按这些时间编写，与它们咬合。
人物
| 项 | 化名设定 |
|---|---|
| 姓名 | Jonas Berglund，住在斯德哥尔摩，时区 Europe/Stockholm |
| 工作 | 开源网络传输库 skarv（含命令行工具与 libskarv）的创始人与首席维护者，公司化名 Lindbo |
| 账号 | GitHub jberglund，Mastodon @jonasb@mastodon.social，论坛 jonasbe，问答站 Jonas B.，邮箱 jonas@berglund.example，博客 berglund.example |
| 家里 | 同居伴侣 Kajsa、女儿 Signe（11 岁）、儿子 Ture（4 岁），猫 Smilla；母亲独居外地，妹妹 Ulrika 住哥德堡。1940 年代的独栋房子，有棚屋、车道，地暖要铺；生活问答里也会提到公寓与厨房的电磁炉（见接缝） |
| 爱好 | 在自然观察论坛 Wildlog Forum 上发帖并关注“自然闲谈”等分类；骑车，自己修车 |
| 订阅 | 11 份 newsletter（烹饪、科学随笔、技术、产品、经济、AI、建筑与住房，名字已化名），航空与零售营销邮件，手机天气提醒 |
各流
窗口是 2026-08-03 至 08-17（不含），每 12 小时一帧，共 28 帧、3217 条输入。
| 流 | 条数（占比） | 来源 | 进入收件箱的规则 |
|---|---|---|---|
| 工作 | 1676（52%） | curl-bagder 的全部输入 | 与原语料相同：GitHub 通知、CI 失败、邮件列表、Mastodon 回复与提及、博客评论，本人发言 405 条 |
| 社区 | 738（23%） | iNaturalist 公开论坛（Discourse），窗口内全站 1709 帖 | 本人的帖子与回复本人的帖子；本人参与过的话题此后的全部帖子；关注的 4 个分类的全部帖子；另 2 个分类只收新话题首帖。本人是按规则选出的一位用户（窗口内发帖 15–70 条、九成在欧洲白天、“自然闲谈”发帖最多），本人发言 19 条 |
| 生活 | 326（10%） | Stack Exchange 8 个生活站点（房屋维修、自行车、旅行、烹饪、宠物、园艺、育儿、个人理财） | 34 个窗口内提出的问题当作本人所问，来自 34 位不同的提问者；收件箱里是问题本身、收到的回答与评论，本人发言 81 条 |
| 订阅 | 89（3%） | Substack 公开归档 50 篇；Enron 语料的营销群发 21 封；SMHI 观测值生成的天气提醒 18 条 | newsletter 按真实发布时间；营销邮件取 2001-05-28 起两周、各邮箱收到的同一期只留一封；天气每天 06:30 一条概况，高温（≥26 °C）或阵风（≥14 m/s）另发提醒 |
| 家庭 | 388（12%） | 作者编写的原创文本：119 拍剧情与 31 组噪音，瑞典语，见 family/README.md | 按节拍表的时间插入各帧；家人、朋友与邻居的聊天，兽医、幼儿园、学校、银行、保险、水管工、快递等通知，本人发言 78 条 |
加入家庭流之前共 2829 条，工作占 59%。按他人发来的输入算，工作占 1271 / 2634 = 48%（加入前 1271 / 2324 = 55%）。
改写规则
所有替换都来自一张只存本机的化名表（.local/composite/mapping.json，含随机盐，不入库），同一个真实名字在所有流里换成同一个化名。
- 项目与组织：项目名在标识符里也替换并保持大小写（如
libskarv、SKARVOPT_URL），相关工具、公司、仓库、邮件列表与域名一并替换；第三方库与平台（OpenSSL、c-ares、GitHub、Mastodon 实例）保留。 - 账号：GitHub、Mastodon、论坛与问答站的账号换成生成的化名（如
windy-drift）；@提及、引用块、链接路径、查询参数与个人实例的主机名一起换；平台机器人（github-actions、Copilot 评审）保留。 - 人名：作者栏的全名换成化名全名；正文里出现的常见人名（系统人名表中、又不是普通英文词的）与其后的姓一起换；名与姓允许多对一。
- 问答的提问者：34 位提问者只在各自的问题下换成本人（作者栏与
@提及）；他们在别的问题下出现时，和其他人一样用普通化名。 - 编号：项目仓库的 issue/PR 编号整体减 9000（保持先后与互相引用；
仓库#编号、refs/pull/编号/head、百分号编码的链接和正文里裸写的已知编号一并平移），CVE、HackerOne 报告、CI 运行、Mastodon 帖子、论坛话题（含引用头里的topic:）与问答帖子的编号换成等长的稳定化名，链接里评论与评审的锚点和对应输入的 ID 用同一映射，提交哈希按前 7 位映射以保证长短缩写一致。 - 邮件地址：本人的地址换成
jonas@berglund.example；看起来属于个人的地址换成化名，营销与客服类地址保留。 - 营销邮件：订单、注册、出票等交易类邮件不用（含收件人姓名与住址）；称呼与“FOR 收件人”换成本人；8 位以上数字、发件地址与链接里的跟踪串换成等长化名；正文里的日期与年份随整周平移。
- 时间：工作、社区、newsletter 与天气都是同一窗口的真实时间。生活问答里斯德哥尔摩 0–7 点提出的问题，整条线程平移 −6 小时，按北美东部的钟面时间对齐。营销邮件从 2001-05-28（周一）平移 9198 天到 2026-08-03（周一），星期几与一天中的时段不变。
- 每条输入带
stream与origin；origin是原始记录 ID 的加盐摘要，持有本机盐可以逐条核对，公开的清单不能反查原始记录。
这是化名，不是匿名：正文是真实原文，逐字搜索仍可能找回出处。改写的目的是不在演示与评测数据里直接展示真实的人。
跨流的事
下面六件事都是挑选时间或话题真实重合的线程得到的，没有手写输入。选择器写在 compose_corpus.py 的 CROSS_STREAM 里，不依赖化名后的 ID；labels.json 的 cross_stream 列出每件事的全部输入与它们的弱档位，用法见 LABELS.md。
| 事 | 涉及的流 | 帧 | 主要输入 |
|---|---|---|---|
| 热浪里的空调与喝水：8 月 13–15 日连续高温，15 日上午问空调超出温控范围；13 日 Mastodon 上刚聊到一台分体空调的控制面板；3 日问过宠物在热天里狂喝水 | 生活、订阅、工作 | f01、f22、f24、f25 | wx:20260813:heat 等 3 条、qa:diy:q300671、md:336799047130945204、qa:pets:q35865 |
| 航班变更撞上最忙的工作日：8 月 6 日中午直飞改转机、换乘极紧，这天工作输入最多；前两天刚收到航空特价群发 | 生活、订阅、工作 | f03–f08、f22 | qa:travel:q321223、5 封航空营销、同时段本人的 3 条 Mastodon |
| 宠物药量弄错：8 月 11 日下午怀疑给猫喂了双倍抗生素，前后一小时有十几条工作输入在等；提问者此后没有再跟进，是内容判断与行为标注分歧的样本 | 生活、工作 | f18 | qa:pets:q16452 与同时段 14 条工作输入 |
| 周六水管开裂：8 月 15 日下午问铜水管裂口能不能补，当天上午还在批准与关闭 PR，天气仍是高温 | 生活、工作 | f25、f26 | qa:diy:q703714 与本人当天的 7 个工作动作 |
| AI 找漏洞：3 日本人在 Mastodon 上说“没有 LLM 已经找不到这些漏洞了”，同期几份 newsletter 讲 LLM 安全威胁模型与前沿模型的攻击能力 | 订阅、工作 | f01、f02、f14、f22 | md:383436635529304118、nl:360169234、nl:937646879、nl:409873652 |
| 厨房：8 日问贝壳类高汤、12 日问电磁炉锅具，同一周的美食 newsletter 写度假屋做饭与番茄 | 生活、订阅 | f02、f11、f16、f20 | qa:cooking:q784539、qa:cooking:q535395、nl:791419926、nl:397896312 |
修订
第一版发出后又修补了几处改写遗漏，输入条数、帧与流的划分不变：
- 4 条博客评论的 ID 与所在线程改为化名编号（原来保留了原始编号）。
- 论坛引用头里的话题号、链接里评论与评审的锚点、正文里裸写或百分号编码的项目编号，此前保留原值，现在化名。
- 问答的提问者此前在所有问题下都被换成本人，导致 21 条别人的回答与评论署名成本人；现在只在各自的问题下替换。
- 营销邮件发件地址与链接里的跟踪串换成化名。
家庭往来
前四条流都没有一个会等 Jonas 回话的人。家庭流补上家人、朋友、邻居与家务通知：388 条，占 12%，长度中位 39 字符，是最碎、最短、空话最多的一条流，又最常要他本人拿主意。
| 项 | 内容 |
|---|---|
| 来源 | 作者编写的原创文本，不来自任何真实的人。节拍表 family/beats.json 是事实与标注的唯一来源，BEATS.md 是中文可读版，成品 messages.json 入库 |
| 人物 | 伴侣 Kajsa（手术室护士）、女儿 Signe、儿子 Ture、猫 Smilla、母亲（通讯录里叫 Mamma）、妹妹 Ulrika、Kajsa 的父亲 Göran、朋友 Joakim、邻居 Gunnel；另有班级家长群、街坊群与派对群里的几十个人 |
| 剧情 | 六条线：猫看病与药量（要去办）、母亲九月换水管期间住哪（要决定，最后她自己定了）、和朋友骑车（不了了之）、车道下的主水管漏水（窗口结束时仍要他决定）、9 月 14 日那趟航班几点到家、小龙虾派对报人数；另有孩子发烧被接回、女儿夜里看漫画、伴侣换新车、开学要签的文件等一次性的事 |
| 方法 | 人写的消息由 Agent 逐段写成；动笔前在本机读过 Enron 私人往来的同类线程校准语气，只仿形态，不翻译、不改写任何一封。通知类用 31 种模板，噪音层另写。2026-10-15 用户决定：可以参考真实数据仿写，但不能用真实内容，形式不限于邮件 |
| 不可回溯 | 成品与参考的 5044 封邮件没有共同的专名，与整个 Enron 语料 517,401 封没有 8 词以上的重合，见 family/README.md |
| 标注 | 作者写定，依据标 authored，存为 labels.json 的 family 一节，见 LABELS.md；评测时与前四条流分开计分，见第二次自由运行 |
家庭流与生活流有 15 处话题咬合（猫的药量、航班改经停、退单、铜水管、两次刹车等），由节拍表写明，不靠时间偶合挑选；它们列在 labels.json 的 family.cross_stream，不改上面六件跨流的事。
接缝
拼接人物必然有对不上的地方，评测时应当知道它们来自拼接而不是 Agent 的误读：
- 生活问答来自 34 位不同的人：有人说住公寓、有人有车道和棚屋，有人提到住在法国，房屋问题多按北美的电气与建材习惯。
- 营销邮件的正文是 2001 年的：CD 商店、父亲节礼物、按美元计价的航线。
- 论坛上的“本人”与工作中的本人是不同的真实的人，写作风格不同。
- 天气提醒是用当天的观测值生成的模板，不是当时发布的预报；这两周斯德哥尔摩几乎没有降水。
- 常见人名规则会误伤专有名词（例如某个奖项名里的名字被换掉）。
- 家庭流按“女儿 11 岁、儿子 4 岁、养一只猫、住独栋”写，与生活流里问狗、两个十几岁儿子、四只猫、住公寓的提问冲突更明显；这一版不挪这些提问。
- 家庭流的时间与话题是按其余四条流编写的，彼此有真实的因果；前四条流之间只有时间重合。
许可与入库
| 来源 | 许可或条款 | 本仓库保存什么 |
|---|---|---|
| GitHub、Mastodon、curl 邮件列表与博客 | 作者保留版权 | 只在本机 |
| iNaturalist 论坛 | 作者保留版权 | 只在本机 |
| Stack Exchange | CC BY-SA 4.0，需署名并以相同方式共享 | 只在本机 |
| Substack newsletter | 作者保留版权 | 只在本机 |
| Enron 邮件 | FERC 调查公开，CMU 发布供研究 | 只在本机 |
| SMHI 观测 | CC BY 4.0 | 只在本机 |
| 家庭流 | 作者原创，无第三方版权 | 节拍表、成品与检查结果入库（family/） |
入库的只有 ids.json（化名 ID、帧、流、类型、时间、作者类别、线程、原文长度与哈希、origin；家庭流的 origin 是 authored: 加拍号）、noise.json、labels.json、说明文档，以及家庭流的原创文本（family/）。frames.json 与 raw/ 被 .gitignore 忽略。原型演示数据 scenario.mjs 是例外：它收入了截到 500 字的改写正文，随本分支入库（见 SOURCES.md）。改写后的文本能否随演示数据公开，取决于各来源的条款，需要用户决定。
重建
需要 curl-bagder 的 raw/ 已抓好、Enron 压缩包已缓存，并持有本机化名表：
sh
.venv/bin/python scripts/fetch_corpus.py composite # 论坛、问答、newsletter、天气
.venv/bin/python scripts/compose_corpus.py build # frames.json；与入库的 ids.json 对照
.venv/bin/python scripts/compose_corpus.py labels # labels.json：各流的弱标注与跨流的事
.venv/bin/python scripts/compose_corpus.py noise # noise.json：与 curl-bagder、手写情境并排
.venv/bin/python scripts/compose_corpus.py audit --sample 30 # 抽样核对，并扫描残留的真实名字
.venv/bin/python scripts/compose_corpus.py family # 追加家庭流（只需要现有 frames.json 与入库的节拍表）
.venv/bin/python scripts/family_stream.py check # 家庭流的不可回溯检查（需要 Enron 压缩包）没有化名表时，第一次运行会生成一张新的（新的盐、新的化名），各流的挑选需要重新填写，ID 会与入库的清单不同。2026-10-15 本机的化名表与各流 raw/ 随一个误删的工作区丢失（Enron 压缩包已重新下载），前四条流目前无法按原来的化名从 raw 重建；现有的 frames.json 仍可用，家庭流只在它上面追加。