汽配 AI 数据标注：为什么通用大模型在这个行业里总是答错

"问 GPT 一个零件适配问题，它答得头头是道，但全是错的"——这是汽配从业者对 AI 的普遍印象。问题不在模型，在标注数据和评测标准。

一、为什么会答错

通用大模型的训练数据里，汽配相关内容占比极低，且以消费者视角的科普为主。它学到的是"刹车片是什么"，而不是"2018 款某某车型的刹车片前轮用哪个号"。

更麻烦的是，汽配知识的正确性依赖上下文：同型号不同批次可能不同，同零件号在不同市场可能不同。这种高度依赖条件的事实，通用模型没有对应的表示方式。

二、三类标注任务

要让模型在汽配领域可用，需要三类标注数据，难度递进：

1. 实体识别（NER）

从非结构化文本里抽取：品牌、车型、年款、发动机型号、零件名称、OE 号、规格参数。

难点是中文表达极度不规范——"18 年大众途观 L 1.8T 前刹车片"这一句里有 5 个实体，而"途观 L"和"途观"是两个车型。

2. 关系抽取与对齐

把抽取出的实体对齐到标准库：这个"18 年"是 2018 款还是 2018 年生产？这个"1.8T"对应哪个发动机代号？

这一步决定了后续的匹配准确率，也是行业 know-how 含量最高的部分。

3. 适配判断

给定车型 + 零件，判断是否适配，并给出置信度和理由。这是最终任务，前两类是它的基础。

三、标注规则怎么定

我们给合作方做标注规则时，遵循四条原则：

第一，边界先于标签。 先定义"什么不算"，再定义"什么算"。比如"客户猜测性表述（应该是 17 款吧）"明确标注为不确定，不允许标注员替客户做判断。

第二，不确定是合法标签。 强制二选一会污染数据。允许标注"无法确定"，并注明缺什么信息——这些样本反而是最有价值的。

第三，标注员必须有一线经验。 纯语言学背景的标注员在这个领域做不了。我们要求标注团队里有至少 30% 具备汽配从业经历。

第四，交叉标注 + 争议仲裁。 每条数据两人独立标注，不一致的进仲裁池，由资深技师裁决。争议样本定期回看，反哺规则修订。

四、评测集怎么建

没有评测集，模型迭代就是盲人摸象。建评测集的三条经验：

1. 按难度分层，不要随机抽样。简单样本占 90% 的话，模型提升看不出来。建议简单 60% / 中等 30% / 困难 10%。
2. 困难样本从真实错例里来。用户投诉、退货记录、师傅纠错——这些是天然的高价值测试集。
3. 定期更新。车型数据在变，去年的评测集今年可能已经过时。建议季度更新，并对过时样本做失效标记而不是直接删除。

五、数据合规是前提

汽配 AI 数据合作绕不开三件事：

• 数据来源授权：EPC 数据、车型库的商业使用授权链必须完整，缺一环就不能用于训练。
• 脱敏处理：含客户信息的维修记录，必须先脱敏（去掉车牌、VIN 后 6 位、联系方式）。
• DPA 签署：明确数据用途边界、留存期限、模型权重归属、审计权。

我们在所有 AI 数据合作里坚持：先签 DPA，再谈数据。这不是流程繁琐，而是对双方的保护——数据来源不清的合作，早晚出问题。

六、我们能提供什么

如果把汽配 AI 落地拆成"数据—标注—评测"三段，我们提供的是中间那段最费人的部分：标注规则文档、标注员培训、争议仲裁机制、分层评测集。数据来自你或你的合作方，模型由你的团队训练，我们只交付让模型变准的那套方法论与人工资产。