AI教程

通过三组人工向量复核余弦相似度、距离、内积和负内积，解释 pgvector 分数及排序方向，再用真实问题集标定阈值。

准备 AI 训练语料前，先看长度分布比只看平均长度有用：少量长文本可能决定截断和分批策略。下面统计字符数的分位数、空文本数量和超过教学阈值的比例，同时区分字符长度与模型 token 数。

为 AI 分类或结构化抽取准备文本时，先用可解释规则建立一个小型基线。格式固定的编号和金额可以用正则提取，但匹配失败、同字段出现多次时必须保留原文与原因。下面只解析严格约定的“编号=数字; 金额=数值”格式。

AI 数据实验得到一个结果后，要能确认使用的是哪份输入、哪段代码和哪些依赖。下面保存一个本地运行记录：依赖版本、Python 版本、输入文件哈希和脚本哈希。它帮助你识别环境变化，但不保证模型结果必然完全可重复。

准备把表格交给 AI 做分析时，先在本地做一个专用副本：删掉任务不需要的直接标识列，遮盖联系方式，再检查剩余字段能否组合识别人。下面的 Python 示例展示机械处理和检查方法，不把遮盖后的表格称为已经匿名。

训练数据出现目标泄漏时，离线成绩可能很好，上线却无法复现。排查的第一步是写清预测发生的时点，再逐列核对信息当时是否已经存在。下面用“付款前预测订单是否取消”的教学表格，找出在预测时点之后才产生的字段。

用最小文本任务定位 Label Studio 的字段名、对象名、控件绑定和 URL 读取模式错误，逐项修正并验证。

使用 Label Studio 的 Labels 配置标注中文人名、地点与组织片段，通过原文切片核对起止位置和类别。

从 Label Studio 原始 JSON 提取单标签人工结果，保留来源编号，输出训练 CSV 和取消、多份标注等异常报告。

准备带来源编号的 CSV 文本任务，正确处理逗号、双引号和换行，用脚本核对三条样本后导入 Label Studio。