真实数据集扩产与被动语料接入

- scripts/expand_real_dataset.py：AutoWeakS 全量 2215 条 + 500 条分层评测集 + 简历扩量（seed=2026 可复现）
- pipeline 被动语料机制（passive_sources）：真实无日期 JD 参与接入/清洗/抽取验证（2915 条命中率 99.8%），不进图谱/演化/发现
- 新岗位发现第四指标'差异度'与双年窗口增长率口径
- 评测新增 real_jd_500 维度（99.91%）；测试会话隔离 jd_extra_dirs 防止本机配置拖慢套件

app/services/pipeline.py

@@ -129,6 +129,25 @@ def run_pipeline(config: dict | None = None) -> dict:
     stats["stages"]["extract"] = {"extracted": len(extractions),
                                   "extractor": extractor.name}
 
+    # 3.5 被动语料分流：真实但未标日期的数据集（如 autoweaks，统一标记 2019-06-01），
+    # 参与接入/清洗/抽取验证（检验真实语料上的抽取鲁棒性与词表命中率），
+    # 但不进图谱/演化/新岗位发现——避免统一日期造成 2019 虚假演化尖峰、
+    # 以及"单年份→增长率视为达标"导致的待审核候选洪泛。
+    passive = {s.strip() for s in str(cfg.get("passive_sources") or "").split(",") if s.strip()}
+    if passive:
+        passive_records = [r for r in records if r.source in passive]
+        if passive_records:
+            hit = sum(1 for r in passive_records
+                      if extractions.get(r.jid) and extractions[r.jid].required_skills)
+            stats["stages"]["real_corpus"] = {
+                "records": len(passive_records), "sources": sorted(passive),
+                "skill_hit_rate": round(hit / max(1, len(passive_records)), 4),
+            }
+            logger.info("被动语料 %d 条（%s）：词表技能命中率 %.1f%%，不进图谱/演化/发现",
+                        len(passive_records), "/".join(sorted(passive)),
+                        100 * hit / max(1, len(passive_records)))
+            records = [r for r in records if r.source not in passive]
+
     # 4. 图谱写入：既有岗位定义 + 观察流
     first_years: dict[str, int] = {}
     for r in records: