Как найти невидимые символы в AI-тексте перед публикацией

Перед запуском запишите, какие данные считаются входом, что является ожидаемым результатом, что именно означает отказ и кому предстоит разбирать расхождение. Для такой проверки храните тестовый вход, ожидаемый результат и фактический исход раздельно: если они смешаны, тест может подтверждать сам себя. Используйте стабильные синтетические ID, чтобы видеть ошибку в журнале, не раскрывая содержимое клиентских обращений.

Сначала прогоните тест на маленьком входе, где правильное поведение известно вручную. Затем внесите одну контролируемую ошибку и убедитесь, что код её замечает. После этого верните корректный набор и только тогда расширяйте проверку до реальных данных. Не переносите демонстрационные численные значения или пороги в производство без отдельного обоснования: они выбраны для наглядности, а не рассчитаны по вашей аудитории.

Вход и ожидаемый результат

Обычный текст «Срок оплаты» проходит; «Срок​ оплаты» отмечается как U+200B в позиции 4. Скрипт печатает Review points: [(4, "U+200B")]. Индекс означает позицию символа Python, а не номер байта UTF-8. Перед тем как применять правило к закрытым данным, обсудите пограничные случаи, которые могут поменять интерпретацию входа. Запись в документации о границах теста не менее важна, чем зелёный check.

Пошаговые действия

1. Создайте scripts/check.py в корне репозитория и вставьте код из блока ниже. Он использует названия функций стандартной библиотеки, указанные в официальных ссылках в конце статьи.
2. Выполните python scripts/check.py локально. Не продолжайте, если уже демонстрационная фикстура даёт иной результат: сначала проверьте копирование кода и кодировку файла.
3. Запустите оба assert и проверьте значение индекса. В CMS показывайте редактору безопасный фрагмент контекста и кодовую точку; решение об удалении принимайте после проверки языка документа и назначения символа. Добавьте собственные фикстуры с табуляцией и переводом строки. После исправления текста проверьте копирование в поиск и публичное отображение. Не смешивайте этот контроль с экранированием HTML или проверкой URL — это независимые границы.
4. Создайте .github/workflows/ai-corpus-check.yml из YAML-шаблона. Событие pull_request полезно для проверки данных до слияния; чтение репозитория ограничено permissions: contents: read. Скрипт не должен получать ключ внешней модели или реальные секреты.
5. В разделе Actions откройте job check, сопоставьте его код завершения с локальным прогоном и зафиксируйте ссылку на проверенный коммит в PR. Не принимайте зелёный результат на старой ревизии за проверку последнего изменения.

# scripts/check.py
import unicodedata
def suspicious(text):
    if not isinstance(text,str): raise TypeError("string expected")
    allowed={"\n","\r","\t"}
    return [(i,f"U+{ord(ch):04X}") for i,ch in enumerate(text)
            if unicodedata.category(ch) in {"Cc","Cf"} and ch not in allowed]
assert suspicious("Срок оплаты")==[]
problems=suspicious("Срок\u200B оплаты")
assert problems==[(4,"U+200B")]
print("Review points:",problems)

name: AI corpus checks
on:
  pull_request:
permissions:
  contents: read
jobs:
  check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
      - run: python scripts/check.py

Ошибки интерпретации и границы

Не каждый символ Cf вреден и не каждый визуально опасный символ входит в Cc/Cf. Автоматическое удаление может повредить другое письмо. Требуется локальная редакционная политика. Если вы расширяете набор случаев, добавляйте не только новые примеры, но и отрицательные случаи, на которых тест обязан упасть. Проверяйте, что изменение expected прошло ревью отдельно от изменения кода: иначе можно незаметно изменить правило под текущий ответ системы. Избегайте вывода полного приватного набора в CI и не сохраняйте в артефактах ответ закрытой модели без решения о доступе и хранении.

Ошибка выполнения самого Python, нераспознанный формат входа и обнаруженный бизнес-дефект — разные ситуации. В сообщении теста указывайте тип проблемы и безопасный ID. Если тест требует внешний сервис, вынесите его из PR с недоверенным кодом и явно ограничьте доступ к токенам; этот пример намеренно работает локально. Перед публикацией каких-либо результатов опишите методику, область применения и происхождение примеров, иначе читатель воспримет демонстрационную арифметику как характеристику продукта.

Практический разбор именно этого контроля

Увидеть невидимый символ в тексте модели, который осложняет копирование и поиск. Для самостоятельной проверки сначала выпишите три наблюдаемых состояния: допустимый вход, намеренно недопустимый вход и видимый сигнал отказа. В данной фикстуре это выглядит так: Обычный текст «Срок оплаты» проходит; «Срок​ оплаты» отмечается как U+200B в позиции 4. При успешном тесте ожидается: Скрипт печатает Review points: [(4, "U+200B")]. Индекс означает позицию символа Python, а не номер байта UTF-8. Не превращайте это в числовой KPI: здесь проверяется контракт на конкретных примерах, а не поведение модели на пользовательском трафике.

Не каждый символ Cf вреден и не каждый визуально опасный символ входит в Cc/Cf. Автоматическое удаление может повредить другое письмо. Требуется локальная редакционная политика. Подключая проверку к продукту, расположите её до той операции, ради которой она написана: парсинга, сохранения, отображения или экспорта. Для каждого нового формата добавляйте отдельный негативный пример и письменное решение, почему он отклоняется. Отдельно просмотрите обработку ошибок: система должна отличать невалидный ответ AI от сбоя тестовой инфраструктуры, а пользователь не должен видеть сырой стек или приватное содержимое.