数据清洗

智能体在处理表格前，先把必填、数值转换和允许范围写成字段契约。下面用一个可运行的小表演示如何逐行生成错误报告，并决定是否允许继续分析。

用四行演示 CSV 说明 Manus 数据上传、分组汇总、转化率口径和图表验收；给出独立计算的标准结果，避免平均百分比、遗漏数据或误当实时看板。

用固定脏数据和断言验收 ChatGPT 生成的 Pandas 清洗函数，核对缺失值、类型转换、重复行和数量对账。

在知识库切分前检测空内容、乱码、规范化后重复文本和异常短文档，并保存可追溯隔离清单。

用 VarianceThreshold 删除训练期常量列并保留字段名，检查新数据的字段变化、全常量失败路径及后续预测契约。

AI 训练标签改错后如果只覆盖原文件，很难知道哪些样本变过、为什么变。下面保留原始标签表，把修改写成追加事件：样本编号、原值、新值、理由、复核人和时间，再由事件生成当前标签。

扩充 AI 训练文本不必先让模型生成大量新句子。对确实不改变任务标签的格式变化，可以先做少量受控变体，并保存 parent_id。下面把“机器学习”替换为“机器 学习”，验证数量、标签和原文关系；它只是格式鲁棒性练习。

建立 AI 语料库时，除了文本，还要能回答来源在哪里、能否使用、如何找回原文。下面把教学文本写成 JSONL，保存来源、许可状态和基于文本内容的稳定编号，并拦截空文本与未知使用状态。

按 sample_id 将特征表与标签表一对一连接，实际检查两侧重复编号、缺失编号和未匹配记录，保存审计表后才生成训练输入。

预测前按明确字段规则校验表格，分别拦截缺列、非法数值、无穷大和越界值，保留拒绝行，并仅用训练统计填补允许缺失的特征。