前三篇讲的都是"引擎答得对不对"。但客户拿到的不是引擎，是一份 CSV 和一批码。
所以我又做了一件事：造 2000 行"像真实客户导出"的脏地址，三列客户编号 / 地址 / 备注，覆盖 16 种形态（完整五级、缺省、缺市、只有县名、同音错字、旧名、全角括号、空格分隔、邮编噪声、写到村级、占位符、大区泛称、地标、合称、重复省名、开发区），端到端跑一遍交付脚本，看交付件本身会不会出问题。
2000 行 3.9 秒跑完，大约 516 行/秒，人工介入 0 次。这一轮又逼出 4 个评测集永远测不到的问题。
第 16 关：6 位邮编被当成了区划码
邮编341226四川省理塘县，解析成了安徽阜阳颍上县。
因为 341226 恰好是颍上县的区划码，而入口逻辑是"文本里出现 6 位数字就优先按编码解读"。问题是邮编也是 6 位，这个长度是撞的。
改了两条。紧跟"邮"字的数字明确跳过；文本本身能解析到县级时以地址为准，只有地址解析不出东西时才回退去解读编码。510124是哪里 这种纯编码查询照旧。
第 17 关：只答到省，就以为答完了
云南省五定县 只返回了"云南省"。
"五定"是"武定"的同音错字，本该能纠。但原来纠错只在完全没解析出来、或者结果是歧义时才触发，而这里"成功解析到省级"被当成了完成态，纠错根本没机会跑。
改法是，把"只到省级、或者只给出特殊口径但没有区县码"也算作浅解析，照样触发纠错。但只接受层级更深的结果，省级以外还得真往下走一层才改口，避免把本来正确的省级答案纠坏。
第 18 关：市名不看位置
广东省揭阳市榕城区中山路97号，解析成了广东省中山市。
"中山路"里有"中山"，命中了中山市，而它比句首的揭阳市先被遍历到，就赢了。
改法：地级市候选按出现位置取最早，全名命中优先于短形式。
同一批还有个更隐蔽的输入，峨眉山市 变成了四川省眉山市。因为"眉山市"是"峨眉山市"的子串，一个纯子串判断把县级市认成了地级市，还丢了区县码。改成边界感知匹配，并且要求匹配窗口的前一个字不能把名字"扩展"成更长的已知名。
第 19 关：别名替换越界
陕西省商洛市镇安县，被替换成"陕西省商洛市镇"加上四川绵阳安州区。因为别名表里有"安县"（四川安县 2016 年改安州区），它在"镇安县"里被命中了。
边界判断本该拦住它，为什么没拦住？查下去发现，边界判断里有一条"前缀是不是以已知区划名结尾"，而那个名字集包含 3.8 万个乡镇名，而"洛市镇"恰好是江西丰城的一个镇，跨着"商洛市镇"这个词尾命中，就把该位置判成了合法边界。
改法是让边界判断只用省 / 市 / 县三级名字。乡镇名太多太短，跨词巧合的概率太高。
同一批还有两处同类问题。别名键是更长全名的前缀时不再替换，否则"广西"会在"广西壮族自治区"里再替换一次，拼成"广西壮族自治区壮族自治区"；拼音纠错跳过别名词典里的合法写法，否则"新疆维吾尔自治区"里的"新疆"会被当成错字，纠成山西新绛县。
顺带一关：事件库里 623 条"假更名"
这关不是引擎的错，是数据的错，而且藏得很深。
阿城县 一直解析成"黑龙江省-大庆市-杜尔伯特蒙古族自治县"。查下去，发现事件库里有这样一对记录：
1982 更名 海伦县(232121) → 阿城县(232121)
1982 更名 阿城县(232226) → 杜尔伯特蒙古族自治县(232226)
同一个码在不同年份指向了不同的县。这不是更名，是码位改派，也就是同一个码被分配给了另一个县。我的事件库是拿 GB/T 2260 逐年快照做集合差分生成的，差分看不出"码被改派"，就把它当成了更名。这样的假记录一共 623 条，其中 26 对是 A→B 与 B→A 互指的互换码，并且已经污染出错误别名，比如 芳村区 → 广州市天河区。
改法选的是改标签，而不是删记录。这些记录事实层面是真的，该码当年确实从 A 转到了 B，只是类型不该叫"更名"。改判为"码位改派"之后，引擎不再据此生成别名，事件总量 5,276 条不变，自动生成的历史别名从 915 条降到 843 条（事件库后续扩充至 5,276 条，派生别名同步增至 1,214 条），挤掉了 72 条错误别名。阿城县 也回到正确的哈尔滨市阿城区。
判据是：真更名意味着新名首次出现，所以"新名在该事件前一年的快照里已经存在"就是伪更名。用这个判据，市中区、双桥区 这类"同名存在于别的城市"的真更名不会被误伤。
现在的账
| 项 | 数（截至 2026-09-18） |
|---|---|
| 本篇这 4 关 | 各补 3 条以上回归，共 19 条 |
| 累计登记修复（台账） | 43 条 |
| 累计新增回归用例 | 138 条，回归集从 110 条扩到 259 条，全绿 |
| 四轮评测集 | 128 → 295 → 1,170 条 |
| 交付演练 | 2,000 行 / 4–10 秒 / 人工介入 0 次 / 复核率 12.7–13.0% / 判错 0 条 |
| 自动生成的历史别名 | 1,214 条，已剔除伪记录 |
| 旧码到现行码的映射 | 2,910 条 |
本系列写作期间引擎持续迭代：上表为发布时的当前值；前几篇的表格是各自阶段的快照，数字小于此处。
评测集（对抗集加回归集）都是我们自己出的题，用途是压缺陷和防回归，不作为准确率承诺。
关于那个"48 小时"
我把交付能力说成"≤48 小时"，这里讲清楚它的含义。机器解析是秒级的，2000 行 3.9 秒，48 小时约束的是批量排期加上人工复核。真正决定交付工时的是复核率 13%，也就是有多少行需要人眼过一遍。
这也是为什么每行输出都带状态、复核标记和匹配依据。把人工时间花在刀刃上，比把准确率数字做漂亮更省钱。
我明确不做的那些事
一个诚实的能力清单，比一个漂亮的准确率数字有用得多。
- 近音、多音字不纠：
重亲到重庆、城都到成都，一律拒绝。只纠同音，对应拼音输入法的错误形态。近音纠错会撞上大量真实地名，误伤率大于收益。 - 大区、方位泛称不猜：
华北、苏北、长三角如实拒绝。它们没有行政区划定义，猜一个省等于编数据。 - 同名不给唯一答案：同名区县一律输出候选集，不赌。
- 开发区不编码：
苏州工业园区落到苏州市并标注"非正式建制"，绝不虚构一个区划码。 龙潭街道这种只给街道名、且以某区县短名开头的，按前缀归到该区县。这是取舍，不是遗漏。
这些边界都写在仓库文档里。
开源
引擎和数据在 GitHub：github.com/nbsetsail/r…
代码 MIT，数据 CC-BY-4.0，署名即可使用。四级带官方 12 位码，村级 604,626 条，变更事件库带出处，脏地址解析可离线跑，有 CLI。
如果你手上有被解析错、而你又确信正确答案的地址，请告诉我。
