用途
Decompose 是一个面向 AI 智能体的确定性文本分类与语义分解工具。其核心理念是：让分类发生在推理之前，而不是让 LLM 直接面对未经处理的原始文本。它把任意文本转换成被分类、结构化的语义单元，每个单元附带权威性（authority）、风险（risk）、注意力（attention）评分以及实体（entities）信息。整个过程不依赖 LLM，因此具备确定性、快速和离线的特点。
主要能力
- 语义单元分解：将文本拆解为带分类标签的结构化单元。资料描述为“Every unit classified. Every standard extracted. Every risk scored.”
- 多维评分与实体抽取：每个单元带有 authority、risk、attention 评分以及实体提取结果。
- LLM 预过滤：内置
filter_for_llm()，保留强制性、安全关键、财务和合规类单元，在内容到达 LLM 或向量库之前丢弃样板文本。 - 风险路由：安全关键内容进入一条处理链，财务内容进入另一条，样板文本直接跳过。
- token 成本衡量：可通过
examples/中的可运行脚本观察 token 成本降低情况。 - MCP 服务器支持：可加入 Claude Code、Cursor、Windsurf 等智能体的 MCP 配置，提供两个工具——
decompose_text（分解任意文本）与decompose_url（抓取 URL 并分解其内容）。 - 技能安装：支持从 ClawHub 安装技能，或直接配置；也可执行
clawdhub install decompose-mcp。
技术原理与特性
Decompose 完全运行于纯正则表达式与启发式规则之上，不使用 Ollama、不需要 API key、不需要 GPU、没有推理成本。资料明确列出其设计取舍：
- 快速：处理 50 页规格文档耗时低于 500ms。
- 确定性：相同输入始终产生相同输出。
- 离线：可在气隙环境、飞机上或 CI 中使用。
- 可组合：智能体的 LLM 对结构化输出进行推理，Decompose 负责预处理。
其定位是“LLM 是你智能体使用的东西，而 Decompose 让你正在运行的任何模型工作得更好”。
使用方式
资料给出两种接入路径：
- 作为 MCP 服务器加入智能体的 MCP 配置（Claude Code、Cursor、Windsurf 等），随后智能体获得
decompose_text与decompose_url两个工具。 - 从 ClawHub 安装技能，或执行安装命令：
clawdhub install decompose-mcp。
更多可运行示例见仓库 examples/ 目录。
适用场景
资料提及它源于 Echology 的 AECai——一个面向建筑、工程和施工公司的文档智能平台，其分类模式、实体抽取和不可约性检测已在成千上万份真实 AEC 文档（规格书、合同、RFI、检查报告、付款申请）中经过实战检验。Decompose 从 AECai 的文本分类模块独立出来，并被证明具有跨领域通用性（保险、交易、监管）。
案例研究方面，Open Scripture Intelligence 使用 Decompose 的 Markdown 感知分块器和正则实体抽取，将 31,100 节经文转换为包含 344,799 条交叉引用边和语义嵌入的知识图谱，说明该方法论与领域无关。
限制与授权
资料强调 Decompose 不是终点，而是大多数开发者跳过的“LLM 之前的一步”：文档具有结构，该结构可被分类，分类应发生在推理之前。它基于正则与启发式，因此不依赖语义理解模型；若需要更深层语义推理，仍需由智能体的 LLM 在结构化输出上完成。
项目采用 MIT 许可证，版权为 Copyright (c) 2025-2026 Echology, Inc.，免费提供。
