出于测试目的的文本故意损坏与词句变形

故意弄坏，而不是碰巧弄坏

脏文本从不缺席。从表格粘贴后仍然活着的表单、每第三个词丢一个字母的 OCR 输出、行序错乱的支持工单——管线迟早要面对这一切。本工作流反其道而行：拿一份你可控的干净文本，按你选定的方式损坏它，让解析器、校对器或阅读实验在有名有据的损伤面前接受检验，而不是在事故面前碰运气。它与在编辑器里随手搅烂一个文件的区别在于可复现性——能重新生成的损坏才是测试资产，不能重新生成的只是一个坏文件。

先动句，再动词，最后动字符

从粗粒度往细粒度走。句级工具重塑结构——把语料过滤到实验真正需要的句子，删除那些把干扰带进素材的句子，复制句子让前后对照并排可见，反转句子构造镜像测试材料。词级工具随后扰乱词汇与顺序而不动结构——筛出解析器必须承受的词，复制单词以锻炼重复处理，反转单词构造回文式素材，交换相邻词对让句法弯曲而词汇分毫未损。字符级噪声最后登场，负责模仿物理世界——插入的字母顶替误触打字，删除的字母顶替丢笔，清除的杂散符号顶替扫描残渣。跳层操作只会制造响亮而无意义的损伤：一份同时被乱序两遍又撒满随机符号的素材，什么也检验不了。

随机不等于无法交代

随机工具每次运行都有差异，这正是它的用意——但幅度必须始终可描述。插入工具应让字符数或词数增长你事先报出的量，删除工具应让它相应缩减，乱序工具只改顺序、不改其他。每一轮参数都要记下；当测试需要稳定素材时，把损坏副本生成一次并与原件一起存档，而不是每次运行重新生成。这一切的搭档是差异对照——把损坏输出与完好存档一比，“我把它弄坏了”就变成了“这里精确地坏了我计划的这些，强度是这一档”。

这个工作流到哪里为止

这里的操作改变内容与顺序，从不负责整洁——删空行、排序、给值加引号属于列表清理与前后缀包裹工作流，它们是在准备文本而不是损坏文本。描述结果的统计量——词数、字符数、模式频次——来自文本分析工作流，差异对照本身来自文件与数据比较工作流。可疑 Unicode 的字符级取证则属于 emoji 与字符调试工作流。守住这些边界，本页就始终是一件事：把本来干净的文本，有计划、有记录地损坏掉。