数据质量前置检查：脏数据不要进模型

模型会放大输入的毛病。本文给出六项前置检查（完整性/类型/一致性/去重/单位/时序）、三级处置（自动修正/需确认/不可用）、接进链路的方式与该观测的四个指标。

脏数据进模型，等于把问题放大

模型会把输入的毛病**放大** ✔：字段缺失 → 它去猜 ✔；

单位混乱 → 它算错 ✔；重复行 → 它总结出错误结论 ✔。

**在进入模型之前做"数据质量前置检查"** ✔，比事后调提示词有效得多 ✔。

```

① 完整性：必填字段有没有？（缺了别让模型猜）

② 类型与范围：数字是不是数字、日期是否合法、枚举是否在表内

③ 一致性：同一实体的写法是否统一（"北京"vs"北京市"）

④ 去重：完全重复与近似重复

⑤ 单位与量纲：金额币种、长度单位、时间时区

⑥ 时序：日期是否单调、有没有未来时间

```

**第 ⑤ 项最常出事故** ✗：金额没写币种 ✔、长度混用米与英尺 ✔ ——

模型不会问，它会直接算 ✔。

| 情况 | 处置 |

|---|---|

| **可修正**（大小写、全角半角、多余空格 ✔） | 自动规范化 + 记录 ✔ |

| **需确认**（单位缺失、币种不明 ✔） | 停下来问用户 ✔（见校验分级那篇 ✔） |

| **不可用**（关键字段缺失 ✔） | 明确拒绝 + 说明缺什么 ✔ |

**关键**：**不要"带着问题往下走"** ✗ ——

模型不会因为数据有问题就变谨慎 ✔，它照样给一个看起来很确定的答案 ✔。

**进模型前统一过一遍** ✔（不要每个功能各写一套 ✔ —— 见生成与校验分离 ✔）；

**检查结果要留痕**（多少条被规范化、多少条被拒 ✔ —— 见仅记录那级 ✔）；

**与数据源方对齐**（反复出现的同类问题，是上游该改 ✔）。

**前置拒绝率**（高了说明上游质量差或检查过严 ✔）；

**自动修正率**（按类型统计 ✔）；

**因数据质量导致的失败占比**（用失败类型分类衡量 ✔ —— 见失败分类 ✔）；

**上游改进趋势**（同类问题是否逐月减少 ✔）。

> 抽 20 条失败案例 ✔，有多少能追溯到"输入的某个字段有问题" ✔？

> 比例高，说明该做前置检查，而不是继续调提示词 ✗。