Stage-1 खाली लौटा: कबड्डी कंटेंट पाइपलाइन में 'वैध दिखने वाला खाली रिकॉर्ड'

1. स्थिति का एक-पंक्ति विवरण

Stage-1 का आउटपुट पूरी तरह खाली है — केवल Domain Label: kabaddi भरा हुआ है — इसलिए इस इनपुट से कोई तथ्यपरक खेल समाचार रिपोर्ट नहीं लिखी जा सकती। जो नीचे है वह उस विफलता का विश्लेषण है जिसने रिपोर्ट को असंभव बनाया।

1. इनपुट में वास्तव में क्या था

| फ़ील्ड | स्थिति | |---|---| | Article Title / Source / Type | N/A / N/A / Unclassified | | One-sentence Summary | खाली | | Author Stance / Purpose | N/A | | Information Points | खाली सूची | | Entities / Time Sensitivity / Source Quality | मूल्यांकन नहीं हुआ |

कुल उपलब्ध संकेत: एक शब्द — kabaddi। यह इतना ही बताता है कि अपस्ट्रीम सिस्टम ने सामग्री को कबड्डी से संबंधित माना। इससे आगे कुछ नहीं।

यहाँ एक अंतर साफ़ रखना ज़रूरी है: "जानकारी कम थी" और "जानकारी आई ही नहीं" दो अलग स्थितियाँ हैं। पहली में विश्लेषण सीमित होता है, दूसरी में असंभव। यह दूसरी स्थिति है।

1. विश्लेषण असंभव क्यों है — चार स्तंभ और उनकी शर्तें

गहन विश्लेषण चार चीज़ों पर खड़ा होता है, और चारों के लिए ठोस वाक्य चाहिए:

तर्क विच्छेदन (argument decomposition): लेख का मुख्य दावा क्या है, उसके समर्थन में क्या कहा गया, क्या छोड़ा गया। दावा मौजूद न हो तो विच्छेदन का कोई विषय नहीं बचता।

साक्ष्य-श्रृंखला का मूल्यांकन: कौन-सा आँकड़ा किस स्रोत से आया, वह प्राथमिक है या द्वितीयक, साक्षात् उद्धरण है या पैराफ़्रेज़। बिना वाक्यों के साक्ष्य नहीं, बिना साक्ष्य के श्रृंखला नहीं।

रुख और उद्देश्य की पहचान: लेखक सूचित कर रहा है, बचाव कर रहा है, आरोप लगा रहा है, या मनोरंजन कर रहा है — यह भाषा-चयन, विशेषणों की तीव्रता, और किसे उद्धृत किया गया, इनसे तय होता है। भाषा ही न हो तो रुख कहाँ से निकलेगा।

समय-संवेदनशीलता: कोई दावा आज मान्य है या छह महीने पहले का, यह तिथि और घटना-क्रम से तय होता है। तिथि अनुपस्थित है।

इन चारों के बिना जो बचता है वह अनुमान है, और अनुमान को समाचार कहना गलत है। इसीलिए इस रिपोर्ट में कोई स्कोर, कोई उद्धरण, कोई खिलाड़ी का नाम, कोई तिथि नहीं गढ़ी गई।

1. चार संभावित विफलता-बिंदु

(क) अपस्ट्रीम फ़ेच विफलता। इनपुट बॉडी खाली आई, या केवल नेविगेशन/टेम्पलेट टेक्स्ट आया। पहचान: raw snapshot में character count बहुत कम, या HTML में केवल header, footer, menu। सत्यापन: उसी URL को दोबारा फ़ेच कर status code, content-length और content-type देखें।

(ख) बॉडी एक्सट्रैक्टर ने पूरे लेख को शोर मान लिया। यह JS-रेंडर्ड पेज, पे-वॉल और PDF पर आम है। पहचान: HTML में लेख मौजूद है पर extracted text शून्य या नगण्य। सत्यापन: उसी पेज पर boilerplate रिमूवर अलग कॉन्फ़िग में चलाएँ, और headless ब्राउज़र से render कराकर देखें।

(ग) क्लासिफायर चला, एक्सट्रैक्शन चरण क्रैश हुआ, और फ़ॉलबैक ने खाली मान लिख दिए। यह सबसे संभावित व्याख्या है, क्योंकि domain label भरा है जबकि बाकी सब खाली। पहचान: logs में उसी request-id के आगे exception या timeout। सत्यापन: उस run की trace निकालें और stage boundaries पर समय व त्रुटि देखें।

(घ) स्कीमा कन्वर्ज़न में फ़ील्ड गिर गए। LLM ने अमान्य JSON लौटाया और validator ने साइलेंट रूप से डिफ़ॉल्ट मान लिख दिए। पहचान: raw LLM response उपलब्ध हो और उसमें सामग्री हो, पर parsed ऑब्जेक्ट खाली हो। सत्यापन: raw response सुरक्षित रखें और दोबारा parse करें।

इन चारों में अंतर करने का एक ही भरोसेमंद तरीका है: हर चरण पर कच्चा इनपुट और कच्चा आउटपुट सुरक्षित रखा जाए।

1. 'वैध दिखने वाला खाली रिकॉर्ड' सबसे खतरनाक आउटपुट क्यों है

एक स्पष्ट त्रुटि (exception, 500, null) सिस्टम को रोक देती है। खाली लेकिन स्कीमा-वैध रिकॉर्ड कुछ नहीं रोकता — वह डेटाबेस में चला जाता है, downstream में फैलता है, और वहाँ 'सामान्य' दिखता है। कोई अलर्ट नहीं बजता, कोई डैशबोर्ड लाल नहीं होता, और कुछ समय बाद आपके पास हज़ारों ऐसे रिकॉर्ड होते हैं जिन्हें देखकर यह बताना असंभव है कि कौन-सा वास्तव में खाली था और कौन-सा आंशिक रूप से भरा था।

यह विफलता का सबसे महँगा रूप है, क्योंकि यह चुपचाप फैलती है और बाद में 'डेटा की गुणवत्ता' जैसी धुँधली समस्या बनकर सामने आती है — जबकि मूल कारण एक भी असर्शन से पकड़ा जा सकता था।

1. प्रस्तावित अनुबंध (contract)

Stage-1 के आउटपुट पर स्पष्ट असर्शन लगे:

information_points.length > 0 AND summary!= ""

असफल होने पर रिकॉर्ड को status = extraction_failed के साथ चिह्नित करें, raw_input_snapshot सहेजें, और उसे downstream को न भेजें। साथ ही record_status को एक enum बनाएँ — ok, partial, extraction_failed — ताकि 'खाली' और 'अपूर्ण' दोनों दिखें, केवल 'कुछ नहीं' न दिखे।

1. ऑब्ज़र्वेबिलिटी जो यह विफलता दोबारा होने पर तुरंत पकड़ ले

हर रिकॉर्ड के साथ ये फ़ील्ड रखें: schema_version, extractor_version, fetch_status, content_length, parse_path, और stage-वार अवधि। खाली आउटपुट की दर पर अलर्ट लगाएँ। डोमेन-वार विफलता दर मापें, ताकि पता चले कि समस्या सामान्य है या कुछ विशिष्ट साइटों तक सीमित है। और सबसे ज़रूरी: हर विफलता के साथ कच्चा इनपुट स्नैपशॉट रखें, वरना बाद में कारण-निर्धारण असंभव हो जाएगा।

1. डाउनस्ट्रीम (यह लेखन चरण) का सही व्यवहार

fail closed। खाली इनपुट पर लेख न लिखें; extraction_failed दर्ज करें और re-fetch माँगें। जो सिस्टम खाली इनपुट पर भी 'कुछ' लिख देता है, वह अपनी विफलता को अदृश्य बना देता है — और तब upstream की गलती, downstream की गलती से छिप जाती है।

1. इस रिपोर्ट में क्या नहीं है, और क्यों

कोई मैच परिणाम नहीं, कोई स्कोर नहीं, कोई खिलाड़ी का नाम नहीं, कोई उद्धरण नहीं, कोई तिथि नहीं, कोई टूर्नामेंट-विवरण नहीं। कारण सीधा है: इनमें से कोई भी तत्व इनपुट में नहीं था। खेल पत्रकारिता में गढ़ा हुआ उद्धरण या गलत स्कोर सिर्फ़ त्रुटि नहीं, भरोसे का स्थायी नुकसान है।

1. वास्तविक रिपोर्ट लिखने के लिए क्या चाहिए

प्राथमिकता क्रम में: (क) मूल लेख का — इससे पूर्ण विश्लेषण संभव; (ख) Stage-1 का raw JSON या run logs — इससे यह तय होगा कि विफलता extraction की थी या schema की; (ग) यदि उपलब्ध नहीं, तो केवल पुष्टि-योग्य मेटा: शीर्षक, प्रकाशक, प्रकाशन तिथि, URL — इससे स्रोत-गुणवत्ता और समय-संवेदनशीलता का आकलन हो सकता है, बाकी निष्कर्ष स्पष्ट रूप से 'कवर नहीं' के रूप में चिह्नित रहेंगे।

1. पृष्ठभूमि — सामान्य जानकारी, समाचार नहीं

यह अनुभाग पाठक के संदर्भ के लिए है और किसी विशिष्ट घटना, मैच या व्यक्ति से जुड़ा नहीं है। कबड्डी एक संपर्क खेल है जिसमें दो टीमें होती हैं और मैदान पर एक समय में सात खिलाड़ी होते हैं। रेडर विपक्षी आधे हिस्से में जाता है, साँस रोककर 'कबड्डी' बोलता रहता है, रक्षकों को टैग करके लौटता है। सफल टैग पर विपक्षी खिलाड़ी आउट होता है और रेडिंग टीम का एक खिलाड़ी वापस (revival) आता है; रेडर को रोक लिया जाए तो वह आउट होता है। नियमों का ब्यौरा संस्करण-दर-संस्करण बदलता है, इसलिए किसी विशिष्ट प्रतियोगिता के नियम उसकी आधिकारिक नियमावली से ही देखे जाने चाहिए। भारत में पेशेवर लीग का आरंभ 2026 में हुआ, और कबड्डी एशियाई खेलों के कार्यक्रम में लंबे समय से शामिल रहा है। इन्हें पृष्ठभूमि के रूप में पढ़ें — ये इस इनपुट से निकले तथ्य नहीं हैं।

1. निष्कर्ष

समस्या का मूल एक वाक्य में: पाइपलाइन ने 'कुछ नहीं मिला' को 'खाली लेकिन वैध' के रूप में लिख दिया। इसे ठीक करने के लिए बड़ा रीफ़ैक्टर नहीं चाहिए — एक असर्शन, एक स्टेटस फ़ील्ड, एक raw snapshot और एक अलर्ट काफ़ी है। जब तक यह नहीं होता, downstream हर बार इसी दुविधा में फँसेगा: या तो खाली डेटा पर सामग्री गढ़े, या काम रोक दे। दूसरा विकल्प सही है, पर वह तभी टिकता है जब upstream पहली बार में साफ़ बताए कि वह विफल हुआ है।