英语不是一门垃圾语言，而是被塞满了垃圾。
Clear English 项目计划书
版本 0.1 | 2026-02-28
1. 项目概述
1.1 背景
英语经过千年演变，吸纳了大量拉丁语、希腊语、法语等外来词汇，导致词汇体系庞大且缺乏逻辑关联（如“猪”是 pig，“猪肉”却是 pork）。这种“一词一形”的模式给非母语学习者带来巨大负担，也造成了专业领域（医学、法律等）的认知壁垒。反观汉语，用 2500 个常用字即可组合出几乎一切概念，语义透明，易学易用。
1.2 目标
借鉴汉语的构词智慧，对英语词汇进行系统性重构，形成一套语义透明、易于理解的“Clear English”词汇体系，并生成可供第三方应用使用的标准数据文件（Clear English Book）。该体系保留核心高频词与全球通用借词，其余词汇均采用“核心词 + 组合规则”的方式透明化表达。
1.3 核心理念
- 保留骨架：约 5000 个核心词（语法词、高频动词、基础名词等）不重构。
- 全球借词保留：如 coffee, internet, iPhone 等已国际通用的词保留原样。
- 透明化重构：其余 99% 的词汇采用“修饰语 + 中心语”等规则组合生成透明词。
- 动态权重：通过多维度评分模型（透明度、惯性、通用性、简洁性、准确性）和可调场景权重，智能选择最优表达。
- 持续进化：Clear English Book 作为数据产品，可随使用反馈和 AI 分析不断迭代升级。
2. 系统架构
2.1 整体流程
输入单词/短语 → 核心词表判断 → 候选透明词生成 → AI辅助多维度评分 → 决策输出 → 更新Book
系统以离线批处理为主，亦可支持实时 API 调用。
2.2 模块划分
- 数据管理模块：管理核心词表、汉语映射表、构词规则、术语映射表，以及最终的 Clear English Book。
- 候选生成模块：根据输入词，通过词根拆解、汉语映射、预定义术语表等方式生成候选透明词列表。
- 评分模块：调用 AI（如 GPT 或本地语言模型）对原词及各候选词进行多维度评分，并支持场景权重调节。
- 决策与更新模块：比较得分，决定输出原词还是透明词；若透明词得分显著高于原词且稳定，则将其加入核心词表或术语映射表。
- Book 生成与版本管理模块：将最终决策结果按版本固化，生成标准格式的 Clear English Book 文件。
3. 数据模型
3.1 核心词表 T (Core Vocabulary)
| 字段 | 类型 | 说明 |
|---|---|---|
| word_id | INTEGER PRIMARY KEY | 自增ID |
| word | TEXT UNIQUE | 英语单词 |
| pos | TEXT | 词性（可选） |
| freq_rank | INTEGER | 词频排名（来自外部语料） |
| is_retain | BOOLEAN | 强制保留标志（如语法词） |
| added_date | DATETIME | 加入时间 |
3.2 汉语常用字映射表 (Hanzi Mapping)
| 字段 | 类型 | 说明 |
|---|---|---|
| hanzi_id | INTEGER PRIMARY KEY | 自增ID |
| hanzi | TEXT UNIQUE | 汉字 |
| pinyin | TEXT | 拼音 |
| meaning_core | TEXT | 核心义项描述 |
| english_eq | TEXT | 最匹配的英语核心词（多个用逗号分隔） |
| notes | TEXT | 备注 |
3.3 透明词构词规则表 (Composition Rules)
| 字段 | 类型 | 说明 |
|---|---|---|
| rule_id | INTEGER PRIMARY KEY | 规则ID |
| pattern | TEXT | 模式描述（如 “modifier + head”） |
| example_hanzi | TEXT | 对应汉语示例 |
| example_en | TEXT | 生成示例 |
| priority | INTEGER | 优先级（数字越小越优先） |
3.4 术语映射表 (Term Mapping)
| 字段 | 类型 | 说明 |
|---|---|---|
| term_id | INTEGER PRIMARY KEY | 自增ID |
| original_word | TEXT UNIQUE | 原术语 |
| transparent_word | TEXT | 透明词 |
| domain | TEXT | 领域（医学、法律等） |
| confidence | REAL | 置信度（0~1） |
| source | TEXT | 来源（人工/自动/AI） |
3.5 Clear English Book 输出结构
可采用 SQLite 数据库或 JSON 文件格式。推荐 SQLite，便于查询和版本管理。
Book 表结构：
| 字段 | 类型 | 说明 |
|---|---|---|
| entry_id | INTEGER PRIMARY KEY | 自增ID |
| original_word | TEXT | 原词 |
| clear_word | TEXT | 透明词（可能为原词） |
| is_retained | BOOLEAN | 是否直接保留原词 |
| score_original | REAL | 原词综合得分（可选） |
| score_clear | REAL | 透明词综合得分（可选） |
| version | TEXT | Book 版本号 |
| updated_at | DATETIME | 更新时间 |
4. 核心算法
4.1 评分模型设计
评分模型从五个维度评估一个词汇表达的质量，每个维度得分范围 0~10。
| 维度 | 说明 | 计算方式（示例） |
|---|---|---|
| 透明度 | 看词是否能猜出意思 | 在核心词表中得 10；由核心词按规则组合得 8 |
| 历史惯性 | 词汇在真实语料中的使用频率 | 根据词频排名映射得分，如 top1000 得 10，top10000 得 5，低于 50000 得 0。 |
| 全球通用度 | 是否为国际通用词 | 预定义列表（如 internet, coffee），是则 10，否则 0。 |
| 简洁性 | 字符数或音节数 | 字符数越少得分越高，例如 score = 10 * exp(-length/20)。 |
| 准确性 | 有无歧义 | 基于 AI 或人工判断，初始可设为固定值 8，后续通过反馈校准。 |
场景权重：不同应用场景可调节各维度的权重，甚至可以为历史惯性设置负权重（如用户倾向淘汰旧词）。
4.2 AI 辅助评分机制
由于部分维度（透明度、准确性）难以通过简单规则计算，引入 AI（如 GPT-4）进行辅助评分。
调用 AI 时，提供提示词，要求 AI 对给定词按 0~10 打分并给出理由。例如：
“请评估英语单词 ‘beef’ 的语义透明度（能否直接看出与牛和肉的关系），按 0~10 打分，0 表示完全看不出，10 表示一眼就懂。并简要说明理由。”
为确保稳定性，可对同一词汇多次调用 AI 取平均，或使用开源本地模型降低成本。
4.3 候选透明词生成
对于输入词 w，生成候选列表：
- 查术语映射表：若 w 在表中，直接加入透明词。
- 词根拆解：利用词根词典（如
word-roots.json），将 w 拆解为词根序列，将词根映射为核心词，然后按构词规则组合。 - 汉语映射：通过汉英词典（如有道 API）获取 w 的汉语翻译，对汉语短语分词，将每个汉字映射为英语核心词，再组合。
- 语义分解：利用 WordNet 或 AI 提取 w 的定义，从中提取核心词组合。
- 人工预置：对常见专业词汇，预先在术语映射表中定义。
4.4 决策与更新
- 对原词和所有候选透明词，按当前场景权重计算综合得分。
- 若最高得分候选是透明词，且得分超过原词一定阈值（如 2 分），则输出该透明词，并考虑将其加入术语映射表或核心词表。
- 定期运行批处理任务，对大量词汇进行上述流程，生成新版 Clear English Book。
5. 实现计划
5.1 第一阶段：基础框架与核心词表（1个月）
- 搭建 Python + SQLite 环境。
- 收集并清洗核心词表：
- 从 BNC/COCA 获取最常用 5000 词。
- 加入语法功能词（约 300 个）。
- 手动添加全球通用借词（初步列表 200 个）。
- 设计数据库表结构，导入核心词表。
5.2 第二阶段：汉语映射与规则构建（2个月）
- 获取《现代汉语常用字表》（3500 字），为每个汉字分配最匹配的英语核心词（借助汉英词典及人工审核）。
- 定义 10~20 条基本构词规则（如定中、动宾、并列等），并录入规则表。
- 构建术语映射表初版（医学/法律各 500 个常用术语的人工映射）。
5.3 第三阶段：评分模型与 AI 集成（2个月）
- 开发评分模块，实现各维度的基础评分函数（历史惯性、简洁性、全球通用度可通过规则计算）。
- 封装 AI 调用接口（先接入 OpenAI API，后续可替换为本地模型如 LLaMA）。
- 设计提示词模板，测试 AI 评分稳定性。
- 实现场景权重配置，支持用户自定义。
5.4 第四阶段：Book 生成与验证（1个月）
- 集成候选生成、评分、决策模块，形成完整处理管道。
- 对英语中高频的 10 万词汇进行批处理，生成 Clear English Book 初版（V0.1）。
- 抽样验证质量（邀请双语用户对比原词与透明词的可理解性）。
- 根据反馈优化映射表、规则和评分权重。
5.5 第五阶段：应用生态与版本迭代（长期）
- 发布 Clear English Book 文件（SQLite 格式）及使用文档。
- 开发示例应用：浏览器插件（实时替换网页生僻词）、写作助手、语言学习工具。
- 建立反馈渠道，收集用户偏好，定期更新 Book 版本（如 V0.2, V1.0）。
- 考虑开放众包编辑，完善术语映射。
6. 技术选型
- 编程语言：Python 3.10+
- 数据库：SQLite（轻量、单文件，便于分发）
- NLP 工具：
spaCy/nltk：分词、词性标注wordfreq：获取词频数据PyDictionary/WordNet：词汇定义
- AI 接口：OpenAI API（或 Azure OpenAI），备用方案为 HuggingFace 模型（如 GPT-NeoX）。
- Web 框架：FastAPI（用于搭建演示 API）
- 前端：React（可选，用于用户反馈面板）
7. 输出成果
7.1 Clear English Book
- 格式：SQLite 数据库文件（
clear_english_book_v{version}.db） - 内容：包含原词与透明词映射、评分信息、版本号等
- 更新策略：每季度发布新版本，支持增量升级
7.2 使用文档与 API 示例
- 开发者指南：如何在自己的应用中加载并使用 Book 文件
- Python 示例代码：查询某个词的透明版本
- 浏览器插件示例：替换网页文本的脚本
8. 风险与对策
| 风险 | 影响 | 对策 |
|---|---|---|
| AI 评分不稳定 | 导致决策质量波动 | 多次采样取平均；引入人工审核关键词汇；建立评分缓存库 |
| 透明词过长，影响交流 | 用户可能不接受 | 优化简洁性权重；允许保留常用缩写（如 MRI）；通过用户测试调整 |
| 汉语映射不准确 | 生成错误透明词 | 构建高质量汉字映射表；人工校对；开放众包修正 |
| 项目范围过大 | 开发周期失控 | 分阶段交付，MVP 只处理前 10 万词；优先聚焦医学/法律领域 |
| 用户接受度低 | 推广困难 | 先从语言学习工具切入，证明透明词的学习效率优势；提供可调权重满足不同偏好 |
9. 未来展望
- 多语言扩展：将透明化思想推广到其他语言（如法语、德语），只需替换汉语映射表为相应语言的“最小语义单位”。
- 实时翻译引擎：基于 Clear English Book，开发可解释性强的翻译工具，让机器翻译结果更易懂。
- 教育产品：出版《Clear English 分级词典》，与在线课程结合，革新英语教学方式。
- 社区共建：建立类似 Wikipedia 的社区，让全球用户共同完善透明词映射，推动英语向更易用的方向演化。
Clear English 不仅是一套词汇表，更是一种语言民主化的尝试——让知识不再被晦涩的术语所垄断。 让我们从这份计划书开始，一步步将它变为现实。
项目发起人：Kicer & DeepSeek
日期：2026-02-28