接入企业 AI 前，资料要整理到什么程度？

首期资料不需要覆盖全公司，但必须让目标任务所需的关键事实能被识别、校验、追溯和更新。先确定资料范围、字段含义、实体标识、错误去向与批次验收，再接入检索或 Agent。验收看的是“哪些记录在什么规则下进入了当前版本”，不能只看上传了多少个文件。

这篇文章面向已经选定任务、准备交付首批资料的业务与实施团队。是否先立项属于准备度判断；这里继续回答：双方实际交什么、缺项怎样处理、数量怎样对账，以及替换一批资料时如何避免不完整结果进入服务。

先定义本期需要哪些事实，再整理文件

先选一组任务问题，例如查询某系列产品的适用条件与可提供资料。逐条标出回答所需的字段或原文，再建立来源目录。与任务无关的旧文件不必同时导入；影响关键判断的缺项，也不能因为总资料量很大而被忽略。

“最新.xlsx”不是稳定版本说明；“型号”与“内部编码”也未必表示同一个实体。请业务方解释真正能唯一识别产品、客户或工单的标识，说明改名、合并和停用时怎样关联。不能由清洗程序凭相似名称决定两行一定是同一个对象。

数据字典要把类型、单位、空值和错误口径写清

空值需要分别表达“不适用”“尚未取得”“拒绝提供”和“确实为空”，不能全部改成零。金额、日期和数量也应保留相应单位、币种或格式口径。自动修正应限定在双方批准的规则内；会改变业务事实的修正，由有权人员确认并留痕。

W3C 的表格数据模型区分列类型、主键、原始行定位和单元格错误等元数据，可作为设计校验口径的参考。本文演示字段由业务任务决定，不声称遵循该模型就能保证资料正确。参阅：Model for Tabular Data and Metadata on the Web。

CSV、表格、扫描 PDF 和数据库，不是同一种接入

汇棱公开的Data Index Engine 工程说明当前已核验支持 CSV、XLS、XLSX，包含规则映射、错误分离和批次追溯。PDF、网页、图片与数据库需要另外设计抽取、连接、更新和权限，不能把结构化文件工程当成所有格式已可直接导入。

每批都有原件、标准记录、错误清单和数量对账

保留原件或不可混淆的原始记录，输出标准数据和失败原因，并记录来源、规则版本、批次标识、时间与数量。对账前先定义处理单位：一行是否生成一条实体，重复行怎样计数，跨行合并怎样统计。否则几个看似相同的“总数”可能对应不同对象。

批次对账演示（非运行日志）：假定一行对应一条候选记录，三类结果互斥且覆盖全部输入：1,000 行＝920 行通过＋50 行隔离待修＋30 行按明确去重规则排除。通过率 92% 只描述这个演示批次，不能用作任意项目的质量门槛；即使总数对上，关键字段错配仍可能使批次不可用。

• 从通过记录抽查到原行，确认产品、字段、单位和版本对应；覆盖主要差异与容易错的格式，抽查范围由业务风险约定。
• 从每类错误反查原件，确认原因可复现、责任人能修正，失败行没有静默混入标准层。
• 重复记录保留判定依据；名称相同但业务标识不同的情况不能随意合并。
• 修正后形成新处理结果并保留关联，不直接覆盖旧批次使错误来源消失。

完整验证后再切换，旧版本保留与撤回分开处理

将候选批次的结构、数量、关键字段和查询结果核对完，再按授权切换当前版本。中途失败或关键错误未关闭时，继续使用仍有效的旧批次或暂停相关范围，不让半成品成为默认依据。恢复旧批次后，也要检查服务实际读到的版本。

保留旧版本便于追查，不等于旧资料一直允许被查询。已撤回、删除或收紧权限的内容，应同步处理索引、切分片段和相关缓存；历史记录的保存与可读权限另行约定。回退也不能把已失效的授权和资料重新公开。

业务验收可留下四份结果：字段与范围确认、批次对账、错误处置与残留限制、当前版本及恢复记录。容量、延迟、并发和权限属于真实环境的另一组验收，不能由一次文件处理成功推定。

武汉市监部门一份公开采购将接入标准、元数据、授权检索和可追溯交付分别列入需求，说明交付对象不限于文件本身。它是单一政务采购，本文不沿用其区块链、资质、预算、周期或监管专属要求。参阅：该项目原始询价公告。

完成首批资料后，可继续检查回答怎样对应来源与版本和知识接入后的权限与撤权。需要设计实际的数据接入与验收链路，可按企业 AI 项目落地范围沟通目标任务、允许材料和验收证据。