标签 · 数据

检索里的版本与变更：别让旧版和新版混在一起

旧版与新版并存会让模型把旧规则当现行规则。本文给出索引该带的版本字段、检索的默认行为（只取 current）、迁移与失效处理、三个常见坑与验证方法。

从日志到洞察：每周该看的三张表

AI 系统通常日志很多但洞察很少。本文给出每周固定要看的三张表（质量/成本/失败）、每张该看什么、三条纪律，以及不等数据平台的起步方法。

AI 功能的成本可视化：看得见、分得清、能追责

成本失控多半源于看不见。本文给出三条曲线（当日/单位/构成）、四个归因维度（功能/租户/任务类型/模型版本）、告警与预算做法、三个「看不见」的常见来源与落地顺序

小团队怎么排 AI 需求的优先级：四象限与一个否决项

AI 需求最容易失控在范围。本文给出按「价值确定性 × 实现成本」的四象限、判断价值确定性的三件事、一个否决项（错了会怎样）、三个实操建议、排期文档的四栏与季度

用线上反馈改进系统：回填成评测与标注资产

线上反馈是最便宜的高质量数据，但默认是散的。本文给出可回填的三类资产、五步回填流程（采样/确认/脱敏/入库/闭环）、避免评测集被线上污染的分区做法与四个常见错误

检索的「新鲜度」治理：增量索引与过期标注

只在一开始读一遍文档，检索会逐渐给过期答案。本文给出增量索引的四个要点、过期标注的四种做法、该观测的三个指标（索引滞后/过期命中/删除残留）、两个常见坑与落地顺

把评测结果做成能看懂的报表：三张图与三条纪律

评测扎实但决策者看不懂，等于没做。本文给出给决策者的三张图（质量趋势、改动对照、成本-质量散点）、三条呈现纪律与一份报告的最小结构。

如何在内部推动 AI 工程规范：从门禁开始

规范推不动常因为缺少自动反馈。本文给出把规范拆成可检查项的方法、阻断与提醒两级、让规范顺手的三种做法（脚手架/一键检查/报错给修法）、用数据说明价值与三条经验。

AI 功能的需求评审：先问这七个问题

AI 需求常写成「用大模型完成 X」，这不是需求。本文给出评审必问的七个问题（输入/判定标准/后果/合规/评测/预算/降级）、三个反模式与该产出的五样东西。

小样本下的效果判断：什么时候该说「看不出来」

小样本上 70%→75% 多半只是噪声。本文给出样本量的量级估算、三条实用判据（净胜数/区间/失败类型）、何时该说看不出、小样本仍能做的判断，以及避免自欺的团队

合成数据能不能用：三种用法与三条红线

合成数据能补边界样本，但会污染评测。本文给出三种合理用法、三条红线（不当事实集/不自评/不混真实数据）、必做的来源标注与抽检，以及验证它是否真帮上忙的方法。

把用户反馈做成闭环：收集、分类、归因、回归

用户反馈要接请求 id、分成有限几类、按成本从低到高归因、每次修复转成评测样本。本文给出五步闭环、两个该定期看的变化，以及一周可跑起来的最小闭环。

标注质量怎么做稳：标准、一致性与质检

标注质量决定评测上限。本文给出一套小团队可落地的流程：先写判定标准、双人标注算一致性、记录判定依据、每周抽检与金标准防漂移，以及一个最小可用流程。

把成本按租户摊开：单位经济模型怎么看

AI 成本必须摊到功能、租户、任务类型等维度，才能回答「哪个功能在花钱」。本文给出三个基础数字、三条看不见的浪费、该看的指标与落地顺序。

数据脱敏与最小必要：把用户数据喂给模型前该做什么

把用户数据送进模型前，应先做最小必要判断，再走识别、假名化、裁剪、记录四道处理。本文给出具体做法、三个容易忽略的点（日志/向量库/提示词回显）与一份可执行检查清

把 AI 输出接到业务系统：三种接线方式与各自代价

AI 结果进业务系统有三种接线方式，代价差别很大。本文给出选型依据、校验该写成什么样、幂等与去重的做法、可回滚设计，以及上线前的检查清单。

评测集怎么建才可信：抽样、标注与回归三道关

评测集的质量决定优化方向。本文讲清三道关：抽样要覆盖真实分布、标注要定义清楚、回归要固定不变；并给出小团队也能落地的规模与流程建议。