Python

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”。

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。

数据标注智能体给出的候选标签不能直接当最终标签。示例将低分样本进入人工复核队列，候选表与人工确认表分开保存，并提醒未校准分数不能等同准确率。

多个智能体给出不同数字时，先冻结同一份输入和指标定义，独立复算，再找出导致差异的具体记录。下面用退款订单演示总额和已付款金额为何不同。

智能体写出的分析报告要从明细重新计算关键数字。示例逐项核对订单数、访客分母和转化率，发现一段草稿把全渠道分母误用到 A 渠道。

让智能体修改表格时，把修改写成包含编号、旧值和提案值的记录。提交前逐行比对当前值，发生冲突就隔离，避免覆盖别人刚做的修改。