A Word-Level Digital Reader of the Prasthanatrayi with Sankara's Bhasya: Corpus, Method, and an Open, Offline Reading Aid for the Advaita Vedanta Canon

背景

《Prasthanatrayi》——包括十部主要《奥义书》（Upanisads）、《梵经》（Brahmasutra）和《薄伽梵歌》（Bhagavadgita），以及商羯罗（Sankara）的注释（bhasya）——是Advaita Vedanta（不二论）的 foundational corpus（基础语料库）。由于连续的元音连读（sandhi）、长复合词（samasa）以及密集的学术散文风格，该文本在词语级别上难以阅读：一个单词在哪里结束，以及每个单词的语法意义是什么，都被掩盖了。此前缺乏一个开放、离线、可逐词解析的数字阅读工具，能够同时处理原文（mula）和注释层，并支持词形分割、形态分析和检索。

核心内容

本文介绍了一个完全离线、开放、词语级别的数字阅读器，覆盖整个《Prasthanatrayi》及其商羯罗注释。该阅读器的所有词（包括原文和注释）均可点击，弹窗显示其拆分（padaccheda）、形态分析和释义（gloss）。由于每个词都关联一个词元（lemma），该阅读器也能作为索引（concordance）使用：搜索某个词典词头可检索到该词的所有屈折变化形式、被sandhi隐藏的出现位置，以及它在复合词中的出现，跨越原文和注释两层。

该资源覆盖了13个注释单元（共2,971节颂文、经文和散文段落；原文分析得到36,881个词出现），并构建了一个包含95,587个独特注释表层形式的全局词典。文章描述了语料库的构建方法、混合处理流水线——基于规则（结合屈折形式词典和已确认语料库查询的sandhi解析器）搭配LLM辅助分析（采用对抗性两轮验证协议），以及一个可持久化的人工审查循环（其修正能够保留到每次重新生成）。内在评估（intrinsic evaluation）显示，针对独立梵语资源，高置信度的分析与权威屈折形式词典的匹配率超过99%；盲审（band-blind adjudication）确认，质量随置信度区间可预测地下降，错误集中在低置信度层级——这正是审查循环所针对的目标。该阅读器是一个自包含的单个HTML文件，无需服务器或网络，可作为自由分发的教学和阅读辅助工具。

关键要点

• 语料范围：覆盖《Prasthanatrayi》（十部主要奥义书、梵经、薄伽梵歌）及其商羯罗注释。
• 逐词解析：每个词均可点击，弹窗显示词拆分（padaccheda）、形态分析、释义。
• 词元索引：基于词元（lemma）可检索所有屈折、sandhi隐藏、复合词内的出现，跨越原文和注释。
• 数据规模：13个注释单元，2,971节，36,881个原文词出现，95,587个独特注释表层形式。
• 混合方法：规则基础sandhi解析器（搭配屈折形式词典和语料库查表）+ LLM辅助分析（对抗性两轮验证）。
• 人工审查循环：人工修正可持久化，每次重新生成时保留。
• 评估结果：高置信度匹配权威词典>99%；质量随置信度下降，错误集中在低置信度区间。
• 交付形式：单个自包含HTML文件，完全离线可用，无需服务器或网络。
• 授权：自由分发，作为教学和阅读辅助工具。

意义与影响

该工作为Advaita Vedanta经典文献的数字化研究提供了前所未有的工具。它首次实现了《Prasthanatrayi》全文（包括原文和注释）的词语级别解析和索引，填补了梵文计算语言学中缺乏高质量、开源、离线阅读器的空白。其混合流水线结合了规则和LLM，并引入了对抗性验证协议，为处理sandhi和复合词复杂的古典语言提供了可复现的方法。人工审查循环的设计保证了长期可持续的质量改进。最终产品是一个简易的HTML文件，无需技术门槛即可用于教学、研究和个人阅读，有望推动梵文经典在数字人文领域的广泛使用。此外，该框架可推广至其他具有类似语言特征的古典语料。