我是一名计算机相关专业的硕士研究生。除了平时的学习和科研，我还会接触一些 AI 训练数据制作的任务。
这类工作的难点其实不只是“把答案写出来”。
有些任务会一次性给很多附件，包括 PDF、Word、PPT、Excel、图片、CSV、代码文件等，同时再给一份很长的 Instruction。Instruction 里面会规定模型的角色、任务目标、输出格式、计算规则和各种限制条件。最后不仅要做出标准答案，还需要保证答案严格符合 Prompt，不能漏掉隐藏在长指令里的要求。
我现在比较常用的组合是 GPT-5.6 Sol + Codex，偶尔也会用 OpenCode。
经过一段时间的使用，我发现 AI 对我最大的帮助不是“替我生成答案”，而是帮我完成 拆规则、读材料、查代码、找冲突和做第二轮质检。
比如最近做的一条数据，就是一个 ECG 课程成果验收任务。
它的附件非常多，除了周期采样、小波分析、时频分析等 PDF，还有多个实验 PPT、实验报告、MATLAB 程序、实验结果图片、真实 ECG 的 CSV 数据，以及不同版本的验收规则。
最后还要求根据这些材料生成一个 Excel 工作底稿。
这种任务如果一上来就把所有文件丢给 AI，让它直接“完成答案”，其实非常容易出错。
第一步：我会先让 GPT-5.6 Sol 拆 Prompt，而不是直接做题
这条任务的 Prompt 写在 Instruction 文件里，而且长度非常长。
例如最终 Excel 必须按顺序包含：
- 材料谱系
- 声明与证据
- 实验复核
- 风险与整改
- 发布状态
5 个工作表。
但真正麻烦的并不是记住这 5 个 Sheet，而是 Prompt 后面还有很多互相关联的细节。
比如要从正式成果里找出风险最高的 8 条事实性声明；风险还要按照规定的优先级排序；整改部分只能选前 5 个根因问题；部分数值必须保留 Excel 公式，不能直接把计算结果写死。
甚至整个任务还维护了一个连续状态值 S 和冻结标记 F。
初始 S=10、F=0，每完成一个阶段都要按照规则更新。更容易漏掉的是：
从第 3 个工作表开始，如果进入阶段时 S＞12，并且原始变化是正数，那么实际变化最多只能记 +1。
这种要求埋在一大段 Prompt 里面，如果模型前面读懂了、后面执行的时候忘了，最后整个状态机就可能算错。
所以我一般先让 GPT-5.6 Sol 只拆要求，不生成答案。
我会让它把 Instruction 分成几类：
- 最终必须交付什么；
- 文件和格式有哪些硬性要求；
- 哪些结论必须查附件才能确定；
- 哪些地方需要计算公式；
- 哪些规则存在先后依赖；
- 哪些地方最容易出现“一处错，后面全部跟着错”的情况。
这一阶段最大的作用，就是先把一整段长 Prompt 转成一个可以逐项检查的任务清单。
以前我会边做边回头翻 Prompt，现在先做这一步之后，漏要求的情况少了很多。
第二步：让 Codex 帮我查“材料到底说了什么”
Prompt 拆完以后，才真正进入附件。
这时候我比较常用 Codex。
因为很多训练数据并不是只看 Word 或 PDF 就能判断，有时候 报告里的描述和代码真正执行的逻辑并不完全一样。
这条 ECG 数据就是这样。
例如材料里同时出现了实验报告、结果汇总和 MATLAB 代码。有些结论不能只看 PPT 里怎么写，还需要继续往程序里面追：
- 实际调用的是哪个数据文件？
- 采样率来自哪里？
- 小波处理的输入到底是什么？
- 频域处理和小波处理是串联还是并列？
- R 峰到底检测了多少个？
- 某一个数字是报告里直接写的，还是程序计算出来的？
这时候 Codex 比较适合用来查代码里的变量传递、函数调用和文件读取。
我不会简单地问：
“这个程序是什么意思？”
而是会问得更具体，比如：
“只根据当前附件，找到补充实验实际读取的 CSV 文件，并沿着变量传递说明后续频域处理和小波处理分别使用了什么输入。不要根据文件名猜测。”
这样得到的结果更容易核对。
第三步：特别检查“同一个数字，不一定是同一个结论”
这种跨文件任务里，我觉得 AI 最容易犯的一个错误就是：
看到两个数字一样，就自动认为它们在证明同一件事。
例如这条数据里，心率就出现了多个来源。
当前正式成果里报告的平均心率是 76.61 bpm。
结果汇总中还能看到 78.00 和 75.00 等不同数字。
而 Prompt 又明确要求，根据完整记录时长和实际检测到的 R 峰数量重新计算一次心率。
附件里实际检测到 13 个 R 峰，完整记录长度是 10 秒。
所以审计复核值应该通过 Excel 公式计算：
13 ÷ 10 × 60 = 78.00 bpm
然后还要继续计算它和正式成果中 76.61 bpm 的绝对差：
|78.00 - 76.61| = 1.390 bpm
关键就在这里：
78.00 和 76.61 都可能有自己的来源，并不是看到不同就简单判断谁“错了”。
我要做的是进一步确认：
“这个数是怎么计算出来的？”
“它对应的是哪一次实验？”
“Prompt 当前要求采用哪一种口径？”
这一点对于做训练数据尤其重要。
因为我们需要的是 可追踪的证据链，而不是找一个“看起来最合理”的数字填进去。
第四步：文件名只能当线索，不能当证据
这也是我现在会特别提醒 AI 的地方。
比如这条任务里有两个 CSV：
ecg_105.csv
和
ecg_real_10s.csv
看到 10s，模型很容易直接推断：
“这个文件一定是 10 秒的数据。”
但 Prompt 明确要求 不能仅凭文件名判断数据身份。
而且另一个程序里的 Fs=360 Hz，也不能随便传播给一个还没有建立调用关系的数据文件。
所以我现在经常在 Prompt 后面再加一句：
不允许根据文件名、文件夹名或者变量名直接补全事实；如果附件之间没有建立明确映射，就标记为无法确认。
这一句话对降低 AI“自作聪明”的情况非常有效。
第五步：标准答案写完以后，再让 AI 当一次“质检员”
生成标准答案并不是最后一步。
我一般还会单独开一次检查，让 AI 暂时不要修改文件，而是站在质检的角度重新对照 Instruction。
比如我会这样写：
先不要修改当前答案。重新逐条阅读 Instruction，对照标准答案进行检查。重点检查是否存在漏项、文件引用错误、错误的数据身份映射、Excel 公式写死、计算口径错误、排序规则错误以及状态机执行错误。每发现一个问题，都同时指出对应的 Instruction 原要求和答案中的位置。
这种问法和：
“帮我检查一下答案有没有问题”
效果差别很大。
前一种相当于让 AI 按规则做一次 Checklist Review，而后一种很容易只得到“整体完成度较高，建议检查细节”这种没有实际帮助的回答。
这条数据最后的标准答案就是一个 Excel，包含 5 个工作表。
其中有些指标不能简单填写静态数字，还必须保留公式，让后续质检时可以直接追踪引用范围和计算过程。
我一般会重点再检查：
- Sheet 名称和顺序有没有错；
- Prompt 要求的 Top 8 / Top 5 数量有没有满足；
- 数值精度有没有按局部要求处理；
- 公式是不是引用了真正应该引用的单元格；
- 当前事实和“整改后预计结果”有没有混在一起；
- 状态 S 和冻结标记 F 是否按照完整规则一路算下来。
我现在怎么分配几个 AI 工具
经过几次任务以后，我现在基本形成了自己的分工：
GPT-5.6 Sol：负责长 Prompt 理解、规则拆解和跨材料判断。
尤其是 Instruction 很长、条件很多的时候，我会先让它把任务转成检查清单。
Codex：负责代码、文件和变量调用链。
遇到 MATLAB、Python、脚本或者目录中有大量文件时，我更喜欢让 Codex 去找具体证据，而不是靠我自己一个文件一个文件搜索。
OpenCode：作为补充。
我偶尔会用它快速浏览目录、检索关键词或者辅助处理一些机械性的代码和文件任务。
但无论使用哪个 AI，最终关键结论我都会自己再检查一次。
我踩过的几个坑
做这种训练数据以后，我现在最警惕三个问题。
第一，AI 会把“合理推断”偷偷写成“已经证实”。
特别是遇到文件名、相似数字、相似实验时，模型很容易自己建立一个材料里并不存在的关系。
所以没有证据，就宁愿标记“待补证”或“无法确认”。
第二，长 Prompt 最大的问题不是看不懂，而是执行到后面忘了。
排序、状态机、Top N、公式精度这种要求，都建议先单独提取成 Checklist。
第三，不要因为有“标准答案”，就不再检查。
标准答案本质上也是制作出来的。尤其 Excel 公式、跨文件引用、复杂状态计算，最好再进行一次独立复核。
最后总结一下我的工作流
我现在做复杂 AI 训练数据，大概会按照：
拆 Instruction → 建 Checklist → 查附件 → 查代码调用链 → 写标准答案 → 对照 Prompt 二次质检
这一套流程来做。
以前我的思路更多是：
“怎么让 AI 一次把答案写对？”
现在反而变成了：
“怎么把一个复杂任务拆成几个 AI 不容易做错的小任务？”
对我来说，这才是 GPT-5.6 Sol、Codex 这类工具真正提升效率的地方。
AI 可以帮我读几十份材料，可以帮我查代码，也可以帮我发现前后矛盾。
但涉及训练数据时，我觉得最重要的一点始终没有变：
AI 负责提高处理信息的速度，人负责守住证据、规则和最终判断。