继续搓英汉双解词典v3
内容提要
作者用AI制作英汉双解词典第三版，改用YAML格式和RDBMS存储，设计三张表（词头、义项、检索串）支持模糊搜索。利用CEFR词表按等级采集，AI递归生成词条，发现Deepseek成本低但需清洗噪音数据。未来计划实现按需查询，用户查词时AI即时生成并入库，网址为def.est.im。
延伸解读
YAML与扁平化设计：AI生成更稳定
作者从JSON转向YAML，并刻意避免嵌套结构，要求schema中不允许出现方括号。这种扁平化设计减少了AI生成时的格式错误，配合validator实现1-pass通过。经验表明，LLM对缩写不敏感，使用全称（如noun而非n）能显著提升输出一致性。
RDBMS三表结构：兼顾查询与扩展
第三版采用传统关系型数据库，设计words、senses、surfaces三张表。surfaces表存储所有可检索字符串（原形、变形、同义词等），支持模糊搜索和中文释义查询。这种设计避免了大量小文件的不可控性，同时保持查询效率。
CEFR词表与递归采集：效率与陷阱
利用CEFR词表按等级采集，并采用递归方式生成词条，但发现生僻词漂移问题。通过继承父词级别和过滤低频词（词频>100万）来优化。Deepseek成本极低，但数据需二次清洗，如混入复数、西语词汇等噪音。
未来方向：按需生成与语言学习者导向
计划实现on-demand查询：用户查词时若未命中缓存，则实时调用AI生成并入库。作者强调服务语言学习者，包括人名、地名等传统词典不覆盖的内容，并考虑纳入西语词汇以反映流行文化。
Q&A
英汉双解词典v3的数据存储格式是什么？
第三版改用YAML格式存储数据，并采用传统RDBMS（关系型数据库）来管理，设计了三张表：words（词头）、senses（义项）、surfaces（检索串）。
英汉双解词典v3如何实现模糊搜索？
通过设计三张表，其中surfaces表存储所有可检索的字符串（如原形、变形、同义词、反义词、搭配），并利用SQL的LIKE 'run%'进行前缀匹配，支持模糊搜索和子串匹配。
作者为什么从JSON转向YAML？
因为JSON在AI生成时容易出错，而YAML支持block scalar（|）多行文本且无需转义，层级更扁平，AI生成的成功率更高，基本一次通过。
作者如何利用CEFR词表来采集词汇？
作者下载了权威的CEFR词表（17万词），按等级（A1到C2）顺序遍历，并利用词频过滤（只采集词频100万以上的词）来清洗数据，避免生僻词和噪音。
英汉双解词典v3的生成过程是怎样的？
作者让AI编写了一个递归采集器，先随便想几个单词，让AI生成词典条目，然后对解释和例句进行分词和翻译，直到所有内容能自我包含，从而自动生成完整词典。
作者为什么决定在词典中包含人名、地名等专有名词？
因为作者认为对语言学习者来说，查询人名、地名时希望了解其内涵、来源和是否得体，而传统词典只提供简单的地理或身份信息，无法满足需求。
英汉双解词典v3的未来计划是什么？
未来计划实现按需查询：用户查词时，如果命中缓存直接返回；未命中则当场调用AI生成、校验并入库。
