给AI喂资料前，我拿「批次ID」试了三组小样，省下三天返工

上周有个客户要我们给AI喂一批产品文档，大概两百多份。按老习惯，团队想直接批量上传，我说先别，快速迭代的前提是先锁口径，不然后面返工更慢。

我的做法很简单：先跑三组小样，每组10份文档，只改一个变量。

第一组：原样上传，不加批次ID。 结果AI回答里把旧型号和新型号混着说，引用率只有12%。翻日志发现，它把三年前的旧文档当成了最新版本。

第二组：加了批次ID，但写在文档末尾。 这次引用率涨到31%，但还是有旧型号冒出来。查了半天，发现AI抓取时优先读了标题和开头段落，末尾的批次ID根本没进它的上下文窗口。

第三组：把批次ID前置到标题下方第一行，格式统一成「批次ID+日期」。 这次引用率直接干到67%，旧型号彻底消失。三组跑完，总共花了不到两小时。

省下的时间在哪？如果直接批量上传两百份，等发现旧型号问题再回头排查，至少得三天——因为你要一份份去对哪个文档是旧版、哪个是新的，还得重新跑一遍AI索引。前置校验两小时，后面省三天，这笔账怎么算都划算。

我的判断依据就一条：先锁口径，再谈归因。 批次ID就是口径的一部分，它决定了AI知不知道哪个版本是最新的。没有这个，后面所有引用率的数据都是虚的。

另外提醒一句：别等全量跑完再去看数据。小步快跑的意思是，每组样本控制在10-20份，跑完立刻看引用率和回答内容，不对就调参数重来。三组小样加起来成本不到全量的十分之一，但能帮你避开八成以上的坑。

你们试跑前置校验一般跑几组？有没有遇到过批次ID加了反而更乱的情况？我第二组就踩了这个坑，想听听你们怎么处理的。