扫描与归档规格说明
本文档定义 archive/scan-log.json 的结构规范和扫描行为，供定时任务和未来 Agent 理解。
一、watch_paths 配置
"watch_paths": [
{
"path": "~/Documents/legal-consultations",
"last_scanned": "2026-05-10T23:00:00+08:00",
"status": "active"
}
]- 每次全量扫描后更新
last_scanned status:active|archived
二、文件夹类型判断
| 命名模式 | 示例 | 类型 | 扫描方式 |
|---|---|---|---|
| 纯数字 | 24 |
归档容器 | 深度扫描内部每个子文件夹 |
| 日期区间 | 25 01-06、26 01-06 |
归档容器 | 深度扫描内部每个子文件夹 |
| 日期+姓名/公司 | 260323 张美金 浙江腾宇包装公司 咨询 |
直接项目 | 直接扫描内容文件 |
| 其他 | 240428 薛心澄房屋买卖转移登记 |
直接项目 | 直接扫描内容文件 |
关键原则：归档容器本身不输出 QA，其内部的每个子文件夹才是独立项目。
三、files 记录
"files": {
"path/to/file.md": {
"content_hash": "sha256:abc123...",
"last_modified": "2026-05-09",
"last_extracted": "2026-05-10",
"qa_count": 5,
"status": "active"
}
}content_hash：文件内容 SHA-256，仅计算文件内容，不含路径/mtime- 增量判断：hash 一致 → 跳过；hash 变化或文件新增 → 触发提取
status：active|archived（文件被移走后从files移到archived）
四、projects 聚合
"projects": {
"240428 薛心澄房屋买卖转移登记": {
"source_files": ["240428 薛心澄.../沟通记录1.md", "240428 薛心澄.../沟通记录2.md"],
"last_extracted": "2026-05-10",
"qa_count": 8,
"output_file": "archive/extractions/2026-05-10_240428 薛心澄..._qa.md",
"status": "active"
}
}- 一个项目 = 一个直接子文件夹（不含归档容器内的子项目）
- 多轮咨询合并：同一项目下所有
.md/.txt文件合并为单份 QA 输出 - 去重：相同问题保留最新解答
- 输出文件命名：
{日期}_{项目名}_qa.md
五、archived 记录
"archived": {
"011 - 潜在项目/24/240428 薛心澄": {
"archived_at": "2026-05-01",
"reason": "moved_to_archived_folder",
"last_known_qa_count": 3
}
}- 用户归档操作后，将对应路径及其下文件标记为
archived - 扫描时跳过所有
status: archived的路径 - 定期清理
archived记录（超过 6 个月的可删除）
六、扫描流程摘要
1. 加载 scan-log.json
2. 遍历 watch_paths 下的直接子文件夹
3. 判断每个文件夹类型（归档容器 / 直接项目）
4. 归档容器 → 递归获取所有子文件夹 → 每个子文件夹视为一个项目
5. 直接项目 → 直接作为项目处理
6. 对每个项目的文件计算 content_hash
7. 对比 scan-log：hash 变化或文件新增 → 触发提取
8. 提取完成 → 更新 files 和 projects 记录
9. 保存 scan-log.json