v2.2: 桌面版同步 DESTACO 风格选型 + 网页预览后台启动

桌面版 (仅网页版 v2.1 已做的部分, 本次补齐桌面端, 两端语义一致)
- 新增 OptionTile 控件类: 三态选项块 (可选/已选/不可选), 替代 ComboBox 下拉
  不可选取值置灰+删除线但保留占位 (让用户看到选项存在, 而非从列表消失);
  悬停青色高亮, 再点一次取消选择
- 新增零件号实时条: 复用与网页版同一套「候选型号最长公共前缀」算法,
  已确定片段深青实心 + 待定位数虚化 + 进度条, 选满唯一命中时整块转青色实心
- 维度标题后回显当前已选值
- range 参数 (连续域) 保留可编辑下拉, 无法枚举成卡片
- 参数联动仍复用 Configurator.AllowedOptions, 规则引擎未改动

网页预览后台启动 (无 PowerShell 窗口)
- 新增 tools/serve-web-bg.ps1: Start-Process -WindowStyle Hidden 启动,
  带 -Stop / -Status; 用命令行匹配定位进程 (比只看 PID 文件可靠)
- _start_web.bat / _start_all.bat 改用之, 不再弹窗口

工具
- ui-diagnose.ps1 增强: 原只检查 _boxes (下拉), 现同时检查选项块数量、
  每维度是否有可选值、零件号条输出 —— 可自动发现"某维度全被置灰无从下手"
- 新增 assess-combo-risk.py: 用量化口径评估生成候选的风险
  (以同缸径真实数据值域为官方值域的代理)
- 新增 make-pending-list.py: 重写待补清单, 增加 nearest_real / diff_from_nearest
  列, 每个候选与其最近的真实型号并列, 便于逐个核实

文档
- 新增 工作总结-2026-09.md: 两阶段工作回顾、发现的问题、踩坑经验

验证
- 编译首次通过; UI 诊断 40/40 系列 0 问题
- 零件号条实测: KC0032-10 / ULP32020AEK0 / UAGP075OK120WS0 / LAE140NN31 均完整;
  UCBP 正确提示"该组合对应 2 个型号" (暴露已知数据问题)

踩坑记录
- PowerShell 变量名大小写不敏感: $root 与 $Root 是同一变量, 互相覆盖导致
  启动脚本指向错误目录 (改用 $projRoot)
- .ps1 必须带 UTF-8 BOM, 否则 PS 5.1 按 ANSI 读, 中文注释破坏解析

Co-Authored-By: Claude Code <noreply@anthropic.com>

onebot-data/tools/make-pending-list.py

@@ -0,0 +1,109 @@
+# -*- coding: utf-8 -*-
+"""
+重写待补数模清单, 增加「核对」相关列, 便于 AI 逐个核实后补真实数模。
+
+背景: v2.1 按编码模板外推生成了 3157 个组合, 但它们是【候选代号】而非已确认的产品 ——
+      规律在已有型号上 100% 成立, 外推区域是否有真实产品未经核实。
+      本清单把每个候选与其"最近的真实型号"并列, 便于逐个比对核实。
+
+输出列:
+  series        系列码
+  model_code    候选零件号 (已进目录, 选型可选)
+  params        完整参数
+  nearest_real  同系列中最接近的【真实数模】型号 (按参数相同个数最多, 平手取编码最近)
+  diff          与 nearest_real 不同的参数 (供人工/AI 判断该差异是否真实存在)
+  step_file     当前指向 PLACEHOLDER.step; 补完真实数模后改为 <候选型号>.step
+  status        固定为 pending (待核对+待补数模)
+
+用法: PYTHONUTF8=1 python make-pending-list.py
+"""
+import csv, io, os, json, glob, collections
+
+CAT = r'D:/开发/OnebotCatalog/onebot-data/catalog'
+OUT = os.path.join(CAT, '_pending_models.csv')
+PLACEHOLDER = 'PLACEHOLDER.step'
+
+
+def load_real_models():
+    """返回 {系列: [(model_code, {参数})]} —— 只含指向真实数模的型号。"""
+    real = {}
+    for f in glob.glob(os.path.join(CAT, 'csv', '*.csv')):
+        code = os.path.basename(f)[:-4]
+        rows = []
+        for r in csv.DictReader(io.open(f, encoding='utf-8-sig')):
+            if r.get('step_file') == PLACEHOLDER:
+                continue                     # 跳过占位行
+            prm = {k: v for k, v in r.items() if k not in ('model_code', 'step_file')}
+            rows.append((r['model_code'], prm))
+        if rows:
+            real[code] = rows
+    return real
+
+
+def dist(params_a, params_b):
+    """参数相同个数 (越大越接近)。"""
+    keys = set(params_a) | set(params_b)
+    return sum(1 for k in keys if str(params_a.get(k, '')) == str(params_b.get(k, '')))
+
+
+def main():
+    real = load_real_models()
+    total_real = sum(len(v) for v in real.values())
+    print(f'真实数模型号: {total_real} 个, 覆盖 {len(real)} 个系列')
+
+    # 收集候选项
+    pending = []
+    for f in sorted(glob.glob(os.path.join(CAT, 'csv', '*.csv'))):
+        code = os.path.basename(f)[:-4]
+        for r in csv.DictReader(io.open(f, encoding='utf-8-sig')):
+            if r.get('step_file') != PLACEHOLDER:
+                continue
+            prm = {k: v for k, v in r.items() if k not in ('model_code', 'step_file')}
+            pending.append((code, r['model_code'], prm))
+
+    print(f'待补候选: {len(pending)} 个')
+
+    rows = []
+    for code, mc, prm in pending:
+        cands = real.get(code) or []
+        near, ndiff = '', ''
+        if cands:
+            # 最接近的真实型号: 参数相同个数最多; 平手取编码字典序 (稳定)
+            best = max(cands, key=lambda x: (dist(prm, x[1]), -len(x[0])))
+            near = best[0]
+            diffs = [f'{k}={prm.get(k, "")}≠{best[1].get(k, "")}'
+                     for k in sorted(set(prm) | set(best[1]))
+                     if str(prm.get(k, '')) != str(best[1].get(k, ''))]
+            ndiff = '; '.join(diffs)
+        rows.append([code, mc,
+                     ' '.join(f'{k}={v}' for k, v in prm.items()),
+                     near, ndiff, PLACEHOLDER, 'pending'])
+
+    with io.open(OUT, 'w', encoding='utf-8-sig', newline='') as fp:
+        w = csv.writer(fp)
+        w.writerow(['series', 'model_code', 'params', 'nearest_real',
+                    'diff_from_nearest', 'step_file', 'status'])
+        w.writerows(rows)
+    print(f'\n写入 {OUT}  ({len(rows)} 行)')
+
+    # 覆盖度: 多少候选能找到同系列真实型号作参照
+    withref = sum(1 for r in rows if r[3])
+    print(f'  有同系列真实型号可参照: {withref}/{len(rows)}')
+    nop = [r[0] for r in rows if not r[3]]
+    if nop:
+        print(f'  无参照的系列: {sorted(set(nop))}')
+
+    # 按系列 + 缺失维度统计
+    print('\n各系列待补 (按"与最近真实型号差异的维度数"分布):')
+    bycat = collections.defaultdict(collections.Counter)
+    for r in rows:
+        n = len([x for x in r[4].split('; ') if x]) if r[4] else -1
+        bycat[r[0]][n] += 1
+    for code in sorted(bycat):
+        dists = bycat[code]
+        parts = ', '.join(f'{k}维差:{v}' for k, v in sorted(dists.items()) if k >= 0)
+        print(f'  {code:6s} 共{sum(dists.values()):5d}   {parts}')
+
+
+if __name__ == '__main__':
+    main()