网络黑话与隐晦词语料库

网络黑话与隐晦词语料库，包含谐音梗、抽象话、粗口、饭圈、二次元、游戏、职场暗语、平台规避写法、成人向隐晦词、英文缩写、数字梗等，共682条词条、2048个倒排键。语料文件包括core.json（145条，自建）、net.json（215条，来自junaluo-222/slang-dictionary）、eve.json（322条EVE Online中文黑话，来自yilifaer/eve-cn-slang，CC BY 4.0）、pinyin-initials.json（20924字，汉字到声母首字母，来自mozillazg/pinyin-data，MIT）。支持中文全称、拼音首字母、别名互查，本地倒排索引，不联网，可通过slang_add沉淀新词。

原始信息汇总

dsh-slang-own 数据集概述

基本信息

• 名称：dsh-slang-own — 网络黑话与隐晦词语料库
• 详情页：https://github.com/jtcjwm/dsh-slang-own
• 定位：给 DeepSeek Harness 装一套本地黑话语料库，使模型遇到 yyds / xswl / 绷不住了 / 颗粒度 / 优化（＝裁员）这类词时不再靠现场猜。
• 特点：不联网、不调用模型、零第三方依赖，全部检索在本机完成。

核心功能

1. 常驻注入一张小速查表：默认 16 条最高频词条与使用规则，约 700 字，固定文本不破 prompt 前缀缓存。
2. slang_lookup 工具：表外的词按需查询，中文全称、拼音首字母、别名任意写法都能落到同一条释义。
3. slang_add 工具：查到的新词就地沉淀到用户词库，之后自动生效，升级不丢。
4. slang_stats：自查词库规模与构成。

检索机制

• 网络隐晦词的难点不是单纯“查词义”，而是同一个词存在多种字面化身，例如：
  • yyds / 永远的神 / 永远滴神 / yyds永远的神
• 这几串在字面上毫无重叠，BM25 之类的字面相似度检索全部命不中。
• 本插件在装载期就把一条词条摊平成多个检索键，全部指向同一个 entry：
  • term
  • full
  • aliases[]
  • initials（拼音首字母）
  • homophones[]
  • variants[]
• 查询时无论用户写哪一种，都会落到同一条释义。
• 反向也成立：输入“永远的神”会先算首字母 yyds 再查一次，所以中文全称能查回首字母缩写。

安装、回滚与自检

• 安装： powershell dsh plugin --profile desktop add link:D:DSHpluginsdsh-slang-own

• 重启 DSH 生效。宿主启动是全有全无，插件加载失败会导致整个宿主起不来，装前可先跑自检。

• 回滚： powershell dsh plugin --profile desktop remove dsh-slang-own

• 自检，不依赖宿主： bash node tools/selftest.mjs

• 自检使用 loader 把 @deepseek-ai/dsh-tools 换成桩，自己造 ctx，验证：三个工具注册、钩子挂载、注入块长度、中文全称反查、首字母反查、查不到时的兜底话术、slang_add 落盘与即刻可查。

语料构成

文件	条数	内容	来源
corpus/core.json	145	谐音梗、抽象话、粗口、饭圈、二次元、游戏、职场暗语、平台规避写法、成人向隐晦词、英文缩写、数字梗	本插件自建
corpus/net.json	215	网络缩写、梗、职场/互联网黑话（带人话解释与例句）	junaluo-222/slang-dictionary（https://github.com/junaluo-222/slang-dictionary）
corpus/eve.json	322	EVE Online 中文黑话（301 条精选 + 官方术语）	yilifaer/eve-cn-slang（https://github.com/yilifaer/eve-cn-slang），CC BY 4.0
corpus/pinyin-initials.json	20924 字	汉字 → 声母首字母	mozillazg/pinyin-data（https://github.com/mozillazg/pinyin-data），MIT

• 合计：682 条词条 / 2048 个倒排键。
• 版权说明：各上游数据版权归其原作者；本项目只做格式归一与合并。若上游采用不同许可，以其仓库声明为准。

加词方式

1. 让模型记：对话里说“记住 xxxxx 是指…”，模型会调 slang_add，写进 ~/.dsh/slang-corpus/user.json。
2. 手改：直接编辑 ~/.dsh/slang-corpus/user.json（JSON 数组），重启或重载插件后生效。
3. 重跑构建：把新原料放进外部目录，改 tools/build-corpus.mjs 的解析段，再执行： bash node tools/build-corpus.mjs <原料目录>

一条词条示例： json { "term": "蚌埠住了", "full": "绷不住了", "meaning": "「绷不住了」的谐音写法，同义：忍不住笑或哭", "register": "net", "field": "谐音梗", "aliases": ["蚌埠住", "蚌住"], "homophones": [], "kind": "word", "source": "core" }

register 取值：net（网络）/ pro（行业黑话）/ vulg（粗俗）/ adult（成人向）。写小说时按语境挑，别把粗俗词用在正式场合。

配置

设置写在 ~/.dsh/dsh-slang-own.json，缺省值： json { "enabled": true, "promptEnabled": true, "topCount": 16, "maxInjectedChars": 900, "lookupLimit": 5 }

• promptEnabled: false：关掉系统提示注入，只留工具（省 token）。
• topCount: 0：只注入规则不注入词条。
• maxInjectedChars：注入正文硬上限，超了就少放几条。

已知边界

• 拼音表只到声母首字母，不做全拼检索：“yongyuandeshen”查不到 yyds。
• 单字词条不参与长文本扫命中（“乐”“典”“赢”在正常中文里出现太频繁，会误报），但精确查询能查到。
• 不做共现自动挖词：新词靠 slang_add 或重跑构建，符合“黑话寿命只有几个月、人工确认比自动猜更可靠”的取舍。
• EVE 词条占比大（322/682），速查表刻意跳过游戏术语，避免占满 token。

文件结构

text dsh-slang-own/ ├── lib/ │ ├── corpus.js 归一化 / 多键倒排 / 查询 / 渲染（零依赖） │ └── index.js 插件主体：钩子注入 + 三个工具 ├── corpus/ 语料（随包分发） ├── tools/ │ ├── build-corpus.mjs 从外部原料生成 corpus/ │ └── selftest.mjs 脱离宿主自检 ├── cordis.patch.yml └── package.json

搜集汇总

数据集介绍

构建方式

网络黑话与隐晦词语义漂移迅速，字面形态又高度离散，因而该语料库的构建围绕多源归并和装载期多键映射展开。其语料由自建 core.json 145 条、网络词典 net.json 215 条、EVE Online 中文黑话 eve.json 322 条以及 pinyin-initials.json 20924 字声母首字母表合并而成，总计 682 条词条、2048 个倒排键。构建流程将每条词条摊平为 term、full、aliases、initials、homophones 与 variants 等检索键，并统一指向同一释义条目；tools/build-corpus.mjs 可从外部原料重跑生成 corpus/，各上游版权依其声明处理。

特点

作为面向网络隐晦表达的本土化语料资源，该数据集强调同一语义的多重字面化身检索与低侵入部署。其常驻注入一张默认 16 条高频词与使用规则组成的小速查表，约 700 字固定文本，不破坏 prompt 前缀缓存；slang_lookup 支持中文全称、拼音首字母、别名、谐音与变体一致命中，反向可由“永远的神”计算首字母回查 yyds。语料覆盖谐音梗、抽象话、粗口、饭圈、二次元、游戏、职场暗语、平台规避写法、成人向隐晦词、英文缩写和数字梗，并以 register 区分 net、pro、vulg、adult。已知边界包括拼音检索仅至声母首字母、单字词条不参与长文本扫命中、不进行共现自动挖词，且 EVE 词条占比较高而速查表跳过游戏术语。

使用方法

在 DeepSeek Harness 等宿主环境中，该语料库以本地插件形式提供服务，适用于不联网、不调用模型且零第三方依赖的黑话检索场景。安装时可执行 dsh plugin --profile desktop add link:D:\DSH\plugins\dsh-slang-own，重启宿主后生效，卸载使用 remove 命令；node tools/selftest.mjs 可脱离宿主完成工具注册、注入块长度、中文全称反查、首字母反查与 slang_add 落盘自检。运行配置位于 ~/.dsh/dsh-slang-own.json，可调整 enabled、promptEnabled、topCount、maxInjectedChars 与 lookupLimit。对话中模型可借 slang_lookup 查询表外词，借 slang_add 将新词写入 ~/.dsh/slang-corpus/user.json；亦可手工编辑该 JSON 数组，或经由 tools/build-corpus.mjs 重跑构建。词条字段含 term、full、meaning、register、field、aliases、homophones、kind 与 source，register 取值 net、pro、vulg、adult。

背景与挑战

背景概述

在数字社交语境中，网络黑话与隐晦词构成中文在线交流的重要亚文化层。该语料库以本地插件形式服务于DeepSeek Harness，公开README未载明确切创建时间与独立研究机构；语料由自建核心库、junaluo-222/slang-dictionary、yilifaer/eve-cn-slang及mozillazg/pinyin-data归一合并，含682条词条与2048个倒排键。其核心研究问题在于同一词语的缩写、谐音、拼音首字母、别名与变体等字面化身难以被传统字面检索命中。项目以零联网、零依赖方式提供速查注入、按需查询与动态沉淀，对DSH生态内中文网络语义理解、审核辅助与文学创作具有工具价值。

当前挑战

网络隐晦语料的构建与应用面临多重张力。领域问题层面，黑话更新迅速、寿命短暂、语境依赖强，缩写、谐音、首字母与平台规避写法形成碎片化能指，传统BM25等字面检索难以召回，粗俗与成人向词条还需分级。构建过程层面，多源语料授权与格式各异，需归一合并；拼音表仅覆盖声母首字母，无法支持全拼；单字词条在长文本扫命中易误报；共现自动挖词与人工确认存在可靠性取舍；EVE词条占比较高，速查表需控制token占用；宿主插件加载全有全无，失败可致宿主无法启动，用户词库落盘与升级兼容亦需保障。

常用场景

经典使用场景

网络亚文化语境中，黑话与隐晦表达以高度压缩、谐音、缩写、圈层化等形态持续演化，给自然语言处理带来字面歧义与检索失配。该语料库最经典使用场景在于面向本地部署语言模型，在对话推理前注入高频黑话速查表，并借 slang_lookup 支持按需查询。无论输入 yyds、永远的神、永远滴神还是拼音首字母，均能归一至同一释义。它不依赖外部搜索或模型调用，适合私域聊天理解、弹幕评论解析与虚构写作中的语域适配，旨在缓解模型对网络新词、行业暗语与规避写法现场猜测的问题。

解决学术问题

学术研究中，网络隐晦词处理长期受制于一词多形、异形同义、拼音缩写与谐音变体造成的检索断裂，传统 BM25 等字面相似度方法难以召回语义等价表达。该语料库通过装载期多键倒排，将 term、full、aliases、initials、homophones、variants 映射至统一词条，并支持中文全称反查首字母，为黑话规范化、词义消歧、语域识别和社会语言学计量提供可复现资源。其意义在于把高度流动、圈层化的非标准语言转为可检索、可审计的本地知识，降低模型因词表外推产生的误解，并提升相关学术任务在真实网络语料上的鲁棒性。

衍生相关工作

围绕该语料库形成的衍生工作，体现为语料归一、检索增强与插件工具链的协同。其整合 core.json、net.json、eve.json 与 pinyin-initials.json，分别承接自建词条、网络缩写词典、EVE Online 中文黑话及拼音数据，并经由 build-corpus.mjs 生成多键倒排结构；selftest.mjs 以桩宿主验证工具注册、钩子挂载、反查与落盘。DeepSeek Harness 插件生态中的 slang_lookup、slang_add、slang_stats 构成可扩展接口，用户词库支持持续沉淀。相关经典工作还包括基于上游词典的格式统一与许可继承，为后续黑话挖掘、动态词库维护和本地化语言理解提供工程范式。