# Quy Trình 03A — Hiệu Đính Myanmar Sau OCR

> **Dành cho Editor Agent** | Cập nhật: 2026-07-20 | Dự án: **014-alahan-srilanka** | Sách: **သီဟိုဠ်ခေတ် စံတော်ဝင် အရိယာများ**
> Tác giả: ဓမ္မာစရိယ ဦးဌေးလှိုင် (Dhammācariya U Htay Hlaing)

---

## I. NGUYÊN TẮC CỐT LÕI

> 🛑 **TÔN TRỌNG NGUYÊN TÁC**
>
> Editor CHỈ sửa:
> - Lỗi OCR (ký tự sai, thiếu dấu, sai chính tả)
> - Lỗi bố cục (text bị OCR đặt sai vị trí)
> - Nhiễu OCR (ký tự rác, artifact từ quá trình scan — cần xóa bỏ)
>
> **KHÔNG** tự ý:
> - Viết đầy đủ các từ viết tắt
> - Chỉnh sửa câu văn, từ ngữ của bản gốc
> - Thêm bớt chữ để "cải thiện" văn phong
> - Mở rộng chú giải viết tắt
> - Thêm dấu câu (`၊`, `။`) không có trong bản gốc

---

## II. QUY TẮC SỬA LỖI OCR (A→G)

### A. PĀLI — SỬA NẾU CHẮC CHẮN

Các lỗi phổ biến trên từ Pāli:

| Lỗi | Sửa thành | Ghi chú |
|-----|----------|---------|
| `သြဃ` | `သံဃ` | saṅgha |
| `ဥတ` | `ဥတ္တ` | utta |
| Thiếu `ံ` cuối từ Pāli | Thêm `ံ` | VD: `ဘိက္ခ` → `ဘိက္ခံ` |
| `သြင` | `သံဃ` | |
| `တထာဂတ` | `တထာဂတော` | |
| Sai dấu Pāli | Tra SQLite-vec patterns từ Phase 1 | |

**Nguyên tắc:** Chỉ sửa khi CHẮC CHẮN đó là lỗi OCR. Nếu nghi ngờ → ghi vào notes, không sửa.

### B. TRỢ TỪ — LUÔN SỬA

Đây là lỗi OCR hệ thống, xuất hiện thường xuyên:

| Lỗi | Sửa thành | Ghi chú |
|-----|----------|---------|
| `လျင်` | `လျှင်` | Trợ từ điều kiện |
| `ငှါ` | `ငှာ` | Trợ từ mục đích |
| `သူတပါး` | `သူတစ်ပါး` | Người khác |
| `တခါ` | `တစ်ခါ` | Một lần |
| `တချို့` | `တစ်ချို့` | Một số |
| `တခု` | `တစ်ခု` | Một cái |
| `တကြောင်း` | `တစ်ကြောင်း` | Một lý do |
| `တနည်း` | `တစ်နည်း` | Một cách |

### C. SỐ ĐẾM — LUÔN SỬA

| Lỗi | Sửa thành | Ghi chú |
|-----|----------|---------|
| `တထောင်` | `တစ်ထောင်` | Một nghìn |
| `တဆယ်` / `တဆဲ့` | `တစ်ဆယ့်` | Mười... |
| `တရာ` | `တစ်ရာ` | Một trăm |
| `၁ဝ` | `၁၀` | Số 10 |
| `၂ဝ` | `၂၀` | Số 20 |
| `၃ဝ` | `၃၀` | Số 30 |
| `ဝ.၅` | `၀.၅` | Số thập phân |

### D. SAI NGHĨA — SỬA THEO CONTEXT

Lỗi OCR khiến từ bị sai nghĩa hoàn toàn. Cần đọc context để xác nhận:

| Lỗi | Sửa thành | Context clue |
|-----|----------|-------------|
| `သမီးခင်ပွန်း` | `ဇနီးခင်ပွန်း` | Vợ chồng |
| `ထိုသမီး` | `ထိုသို့` | Như vậy |
| `တမင်္ဂလာ` | `တမင်တကာ` | Cố ý |
| `သစ္စာတော်` | `သစ္စာတရား` | Sự thật |
| `ဧကစေ့` | `ဧကစ္စေ` | Một số (Pāli: ekacce) |
| `ထွတ်မြောက်` | `ထွက်မြောက်` | Thoát khỏi (thiếu dấu) |

### E. NGHI NGỜ — GHI CHÚ, KHÔNG SỬA

Nếu không chắc chắn một chỗ có phải lỗi OCR không:
- **Không sửa**
- Ghi vào edited-notes với Loại = `Nghi ngờ`
- Mô tả lý do nghi ngờ

### F. FORMAT

- **Gộp dòng bị ngắt** — dòng không kết thúc bằng `။` hoặc `၊` là câu bị OCR cắt ngang → nối với dòng sau (cách 1 dấu cách). Dòng kết thúc bằng `။` hoặc `၊` → giữ nguyên, xuống dòng. ⚠️ **Không cần ghi vào notes** (thay đổi thuần layout, không đổi ký tự).
- **Thêm dòng trống** giữa các đoạn văn khác nhau (khác chủ đề, khác ý). ⚠️ **Không cần ghi vào notes.**
- **Bold** các terms quan trọng theo ngữ cảnh với `**...**`. ⚠️ **Không cần ghi vào notes**.
- **Giữ `## PAGE X` markers** — không xóa, không thay đổi
- **Không thêm dòng ghi chú model** vào output (xem Mục VI)

### G. KHÔNG TỰ Ý THÊM/BỚT NỘI DUNG GỐC

- Chỉ sửa chữ sai → chữ đúng
- Chỉ sắp xếp lại vị trí khi OCR làm sai bố cục
- Không "cải thiện" văn phong
- Không mở rộng từ viết tắt
- Không thêm dấu câu không có trong bản gốc
- **Ngoại lệ:** Nhiễu OCR (artifact) không phải "nội dung gốc" → được phép xóa (xem Rule H)

### H. NHIỄU OCR — LUÔN XÓA

| Dạng nhiễu | Ví dụ | Cách xử lý |
|-----------|-------|----------|
| **Ký tự lạc** | `က`, `3` đứng một mình cuối trang | **XÓA** |
| **Dấu câu rác** | `!! -`, `"` đứng lẻ loi giữa các đoạn | **XÓA** |
| **Chữ Latin rác** | Ký tự không phải Pāli | **XÓA** |
| **Ký hiệu lạ** | `$`, `%`, `@` không có ý nghĩa trong context | **XÓA** |
| **Dấu cách thừa** | Nhiều space liên tiếp, space đầu dòng | **XÓA** (chuẩn hóa về 1 space) |

---

## I. HEADER & FOOTER — XÓA

### 🚨 Header Pattern Sách Này — LUÔN XÓA

**3 lớp header cần xóa:**

| Lớp | Pattern | Ví dụ | Vị trí |
|------|---------|-------|--------|
| 1 — Watermark | URL website | `www.dhammadownload.com` / `http://www.dhammadownload.com` | Đầu mỗi trang, dòng riêng |
| 2a — Trang chẵn | Số trang + Tên tác giả | `၅၆ ဓမ္မာစရိယ ဦးဌေးလှိုင်` (hoặc 2 dòng riêng) | Ngay sau watermark |
| 2b — Trang lẻ | Tên sách + Số trang | `သီဟိုဠ်ခေတ် စံတော်ဝင် အရိယာများ ၅၇` (hoặc 2 dòng riêng) | Ngay sau watermark |

**Chi tiết:**

**Trang chẵn (even pages):** Header gồm:
- Dòng 1: `www.dhammadownload.com` (watermark)
- Dòng 2: `{số trang Myanmar}` — số Myanmar (၁-၉၉၉), đứng riêng hoặc cùng dòng
- Dòng 3: `ဓမ္မာစရိယ ဦးဌေးလှိုင်` — tên tác giả
- → **XÓA cả 3 dòng**

**Trang lẻ (odd pages):** Header gồm:
- Dòng 1: `www.dhammadownload.com` (watermark)
- Dòng 2: `သီဟိုဠ်ခေတ် စံတော်ဝင် အရိယာများ` — tên sách
- Dòng 3: `{số trang Myanmar}` — số Myanmar
- → **XÓA cả 3 dòng**

**Dấu hiệu nhận biết:**
- Nằm ở **đầu trang** (ngay sau `## PAGE X`)
- Dòng **ngắn**, **đứng riêng lẻ** (cách body bằng dòng trống)
- Watermark luôn chứa `dhammadownload`
- Header chứa `ဦးဌေးလှိုင်` hoặc `သီဟိုဠ်ခေတ်` hoặc `အရိယာများ` hoặc số Myanmar

**Nguyên tắc:**
- ✅ Xóa nếu CHẮC CHẮN là header/footer
- ⚠️ **Không cần ghi vào notes** (đây là xóa artifact)
- ❌ KHÔNG xóa `## PAGE X` markers
- ❌ Nếu dòng có thể là một phần của body → **giữ lại**

---

## III. XỬ LÝ LỖI BỐ CỤC OCR (Text Displacement)

### Các dạng lỗi bố cục

| Dạng | Mô tả | Dấu hiệu |
|------|-------|---------|
| **Nhiều cột** | Text cột A → B bị trộn | Đang đọc bỗng sang chủ đề khác, rồi quay lại |
| **Footnote lạc** | Chú thích cuối trang chui vào body | Số nhỏ giữa câu, đoạn ngắn khác giọng |
| **Số trang** | Số trang PDF lẫn vào văn bản | Số lẻ loi giữa 2 câu |
| **Ảnh caption lạc** | Chú thích ảnh bị nhét vào body text | Đoạn caption hình ảnh xen giữa prose |

### Cách xử lý

```
PHÁT HIỆN → XÁC ĐỊNH VỊ TRÍ ĐÚNG → DI CHUYỂN → GHI NOTES
```

---

## IV. ĐỊNH DẠNG MARKDOWN

### 1. Gộp Dòng Bị Ngắt (Line Merging)

**Quy tắc:**
- Dòng **KHÔNG** kết thúc bằng `။` hoặc `၊` → nối với dòng sau (thêm 1 dấu cách)
- Dòng **KẾT THÚC** bằng `။` hoặc `၊` → giữ nguyên, xuống dòng
- Dòng trống → giữ nguyên
- `## PAGE` → giữ nguyên

### 2. Cấu Trúc Sách

Sách **သီဟိုဠ်ခေတ် စံတော်ဝင် အရိယာများ** là văn xuôi tiểu sử/lịch sử Phật giáo, gồm:
- Nhiều phần/chương về các bậc A-la-hán và nhân vật lịch sử tại Sri Lanka
- Xen kẽ ảnh minh họa + caption
- Có bản đồ, sơ đồ
- Trích dẫn từ các bộ sử (Mahāvaṃsa, Dīpavaṃsa, v.v.)
- Trích dẫn kinh điển Pāli

**Quy tắc heading:**
- Tên chương chính (bold, centered trong scan) → `## <tên chương>`
- Tên mục phụ → `### <tên mục>`
- Số thứ tự (`၁။`, `၂။`...) → giữ nguyên như body text

### 3. Pali & Bold

- **Bold** (`**...**`) các từ/câu Pāli
- **Bold** tên riêng Pāli quan trọng
- KHÔNG bold phần dịch/giải thích Myanmar

### 4. Bảng tổng hợp quy tắc

| # | Quy tắc |
|---|---------|
| G1 | 1 dòng trống giữa các đoạn văn khác nhau |
| G2 | 1 dòng trống trước số thứ tự mới (`၁။`) |
| G3 | `## <tên chương>` cho chapter headings |
| G4 | `### <tên mục>` cho sub-sections |
| G5 | `---` ngăn cách phần nội dung chính và phần chú giải (nếu có) |
| G6 | `**câu/từ Pali**` — bold Pāli terms |
| G7 | `[chú thích]` cho ghi chú trong ngoặc |
| G8 | KHÔNG bold phần text Myanmar thông thường |

### 5. Xử lý ảnh & caption

Sách này có nhiều trang ảnh minh họa. Khi gặp:
- Trang chỉ có ảnh (không text hoặc rất ít text caption) → giữ nguyên mô tả caption, thêm dòng `<!-- Hình ảnh minh họa -->`
- Caption dạng `(၃) <text>` → giữ nguyên

---

## V. GHI CHÚ HIỆU ĐÍNH (EDITED NOTES)

**File:** `edited-notes/gemini-flash/{BATCH}-notes.md`

### Format bắt buộc

```markdown
# Edited Notes: {batch-name} (trang X-Y)

> Model: gemini-flash | Ngày: YYYY-MM-DD

## Thống kê
- Tổng số chỗ đã sửa: N
- Số lỗi bố cục đã sắp xếp: N
- Số chỗ nghi ngờ: N

## Danh sách chi tiết

| # | Trang | Lỗi (OCR) | Đã sửa thành | Loại |
|---|-------|-----------|-------------|------|
| 1 | X | `chữ_sai` | `chữ_đúng` | Pali |
| 2 | X | `chữ_sai` | `chữ_đúng` | Trợ từ |
```

### Quy tắc

1. Cột "Đã sửa thành" PHẢI chứa text CHÍNH XÁC như trong output
2. Ghi TẤT CẢ lỗi làm thay đổi ký tự. **Không ghi** thay đổi thuần layout (gộp dòng, bold, dòng trống)
3. Phân loại: `Pali`, `Trợ từ`, `Số đếm`, `Sai nghĩa`, `Dấu phụ`, `Bố cục`, `Nhiễu`, `Nghi ngờ`
4. Không dùng `**` trong cột "Lỗi (OCR)"

---

## VI. DANH SÁCH CẤM

### Cấm trong output
- ❌ Dòng ghi chú model
- ❌ `<mark>` tag
- ❌ Thêm dấu câu không có trong bản gốc
- ❌ Xóa `## PAGE X` markers

### Cấm trong xử lý
- ❌ Tự ý mở rộng từ viết tắt
- ❌ "Cải thiện" văn phong
- ❌ Dùng `edit` tool — luôn dùng `write` toàn bộ

### Cấm trong Phase 2
- ❌ Gọi tool tuần tự

---

## VII. PHÂN BIỆT: SỬA vs CẢI THIỆN

| Loại | Ví dụ | Hành động |
|------|-------|----------|
| Lỗi OCR 🔧 | `ဧကစေ့` → `ဧကစ္စေ` | **SỬA** |
| Nhiễu OCR 🗑️ | `!! -`, `က`, số trang rác | **XÓA** |
| Header/Footer 🗑️ | watermark + tên sách + tên tác giả + số trang | **XÓA** |
| Viết tắt 📝 | `ရဟန်း` (thay vì `ရဟန်းတို့`) | **GIỮ NGUYÊN** |
| Cải thiện ❌ | Thêm `၊` / `။` không có trong gốc | **KHÔNG LÀM** |