fix(parser): PDF/DOCX 切片层级结构修复与 MinerU V2 解析增强

核心修复：
- _post_process_chunks: 用 _buffer_has_body 标志替代 buffer.text_level=0，
  标题+正文合并后保留 text_level 不置零，修复层级信息丢失
- heading_rules numeric_level2: 正则从 ^\d+\.\d+[\.、\s] 改为
  ^\d+\.\d+(?!\.\d)，修复无空格标题如"2.1运行调度"无法匹配
- V2 title handler: heading_rules 优先（模式匹配可靠），VLM 仅兜底
  （VLM 常给所有标题 level=1）

MinerU V2 解析增强：
- 两轮 TOC 过滤：多行目录块检测 + 孤立标题/单字符残留清理
- 封面 logo 过滤、重复标题去重
- chart VLM 描述和 Markdown 数据表提取
- ChromaDB metadata 新增 text_level/bbox/table_type/sub_type 字段

配置调整：
- CLUSTER_SECTION_PREFIX_LEVELS 1→2（两级 section 聚类更精确）
- MINERU_LOCAL_BACKEND 默认改为 pipeline

文档：
- RAG检索流程逻辑.md 更新 MinerUChunk 字段、ChromaDB metadata、
  MinerU 解析策略等章节
- 新增 RAG引用跳转-优化计划.md、云端MinerU输出分析与优化方案.md

parsers/heading_rules.py

@@ -106,11 +106,12 @@ DEFAULT_HEADING_RULES: List[HeadingRule] = [
         name="chinese_chapter",
     ),
     # 2. 中文条款编号 -> h2
-    #    匹配：第一条、第三款 等
+    #    匹配：第一条、第三款 等（仅短标题，长正文段落不算标题）
     HeadingRule(
         pattern=re.compile(r'^第[一二三四五六七八九十百千万]+[条款]'),
         level=2,
         name="chinese_article",
+        max_length=30,
     ),
     # 3. 数字三级标题 -> h3（必须在二级之前匹配）
     #    匹配：1.1.1 背景、2.3.4 方案 等
@@ -121,20 +122,23 @@ DEFAULT_HEADING_RULES: List[HeadingRule] = [
         max_length=100,
     ),
     # 4. 数字二级标题 -> h2（必须在一级之前匹配）
-    #    匹配：1.1 背景、2.3 方案 等
+    #    匹配：1.1 背景、2.3 方案、2.1运行调度（无空格） 等
+    #    使用负向前瞻排除三级标题（由 numeric_level3 处理）
     HeadingRule(
-        pattern=re.compile(r'^\d+\.\d+[\.、\s]'),
+        pattern=re.compile(r'^\d+\.\d+(?!\.\d)'),
         level=2,
         name="numeric_level2",
         max_length=80,
     ),
     # 5. 数字一级标题 -> h1
     #    匹配：1. 概述、2、背景 等
+    #    排除：以 ；;。，、： 结尾的文本（这些是编号列表项/子条目，不是独立标题）
     HeadingRule(
         pattern=re.compile(r'^\d+[\.、\s]'),
         level=1,
         name="numeric_level1",
         max_length=50,
+        exclude_pattern=re.compile(r'[；;。，、：:]$'),
     ),
     # 6. 英文章节标题 -> h1
     #    匹配：Chapter 1、Section 2、Part 3 等
@@ -201,6 +205,22 @@ class HeadingRuleEngine:
             import copy
             self.rules = copy.deepcopy(DEFAULT_HEADING_RULES)
 
+    def _validate_level(self, level: int, text: str, rule_name=None):
+        """各级别标题长度防护：超长文本不应作为标题，降为正文。
+        H1 > 40字, H2 > 60字, H3 > 50字 → 降为正文。
+        统一覆盖 v1 常规匹配、v2 style 匹配、bold_short_text 兜底所有返回路径。"""
+        text_len = len(text)
+        if level == 1 and text_len > 40:
+            logger.debug(f"标题识别: '{text[:30]}...' H1 但超长({text_len}字)，降为正文")
+            return 0, None
+        if level == 2 and text_len > 60:
+            logger.debug(f"标题识别: '{text[:30]}...' H2 但超长({text_len}字)，降为正文")
+            return 0, None
+        if level == 3 and text_len > 50:
+            logger.debug(f"标题识别: '{text[:30]}...' H3 但超长({text_len}字)，降为正文")
+            return 0, None
+        return level, rule_name
+
     def detect(self, text: str, style: Optional[List[str]] = None) -> Tuple[int, Optional[str]]:
         """
         检测文本的标题级别
@@ -227,7 +247,7 @@ class HeadingRuleEngine:
                     level = rule.match(text)
                     if level > 0:
                         logger.debug(f"标题识别(v2 style): '{text[:30]}' -> h{level} (规则: {rule.name})")
-                        return level, rule.name
+                        return self._validate_level(level, text, rule.name)
 
             # 再检查是否匹配中文章节/条款等高优先级规则
             for rule in self.rules:
@@ -236,9 +256,16 @@ class HeadingRuleEngine:
                     level = rule.match(text)
                     if level > 0:
                         logger.debug(f"标题识别(v2 style): '{text[:30]}' -> h{level} (规则: {rule.name})")
-                        return level, rule.name
+                        return self._validate_level(level, text, rule.name)
+
+            # 最后兜底：加粗短文本 → h2
+            # 但需先检查所有规则的 exclude_pattern，防止编号列表项被误判为标题
+            # 例如 "3.完全满足品规。指..." 虽有 bold 样式，但属于列表项而非标题
+            for rule in self.rules:
+                if rule.enabled and rule.exclude_pattern and rule.exclude_pattern.search(text):
+                    logger.debug(f"标题识别(v2 style): '{text[:30]}' 被 {rule.name} 的 exclude_pattern 排除")
+                    return 0, None
 
-            # 否则作为加粗短文本 → h2（与 bold_short_text 规则对齐，但不依赖 **...** 标记）
             logger.debug(f"标题识别(v2 style): '{text[:30]}' -> h2 (规则: bold_short_text_via_style)")
             return 2, 'bold_short_text'
 
@@ -247,7 +274,7 @@ class HeadingRuleEngine:
             level = rule.match(text)
             if level > 0:
                 logger.debug(f"标题识别: '{text[:30]}' -> h{level} (规则: {rule.name})")
-                return level, rule.name
+                return self._validate_level(level, text, rule.name)
 
         return 0, None