AI教程

OCR 已返回文字和矩形坐标后，双栏文章如果只按 y 坐标排序，会变成“左第一行、右第一行、左第二行、右第二行”。下面用六个虚构文字框重建“先左栏，再右栏”的阅读顺序，并列出需要人工复核的版面情况。

“不要退款，只查物流”里同时出现“退款”和“查物流”；智能体如果只扫关键词，就可能错误发起退款。先把禁止动作、请求动作和需要澄清的双重否定分开，再拿短句测试。测试通过仍不等于允许执行真实业务动作。

实体识别训练数据常把连续文本片段转成 B-ORG、I-ORG 等逐词标签。关键不是随意给词打标，而是先确认字符偏移与分词边界完全对齐：一个实体可跨多个词，冲突或半个词的片段必须退回修订。

抽取式摘要从原文选句，能够减少凭空编造新事实，但仍可能漏掉关键数字或主体。下面用一个四句的虚构项目公告，按字符 TF-IDF 与全文相似度选两句，再把原文中的金额和日期作为待核对清单。

一堆评论里“差评有多少”不能告诉产品经理具体哪里出了问题。先把每条评论保留原始编号，再按“物流、包装、商品”方面词做一个可复核的本地基线：同一评论可命中多个方面，结果保留原句证据与未归组清单。

智能体收到“查订单”“退货”“查优惠”时，先分类用户意图，遇到不确定或不支持的请求应停下追问。下面训练一个本地字符特征分类器，展示最高类别概率，并用演示阈值把低置信请求标为“转人工确认”。

客服工单只有“退款、物流、其他”三个固定标签时，先判断能否用带人工标签的文本训练一个可复核的传统分类基线；若还要求从自由文本中提取原因、解释依据或处理开放问题，再考虑大模型。下面用相同的工单样本展示两条路径各自需要检查什么。

NLP 里的 token 是分词器交给模型的离散单位，既不必等于一个汉字，也不必等于一个空格隔开的词。先用一份极小的教学语料训练 WordPiece 分词器，再比较字符数、空格词数和实际 token 数，最后演示截断会丢掉什么。

表格分析智能体读入数据后，先生成字段画像：类型、空值数与空值率、非空唯一值数、候选主键。示例还找出常量列，帮助决定哪些字段需要人工确认。

AI 提出的数据质量规则只有转成确定性的断言并用反例试验，才能纳入数据流水线。示例把金额为正、编号非空且唯一三项建议转成代码。